Bu eğitim müfredatında yer alan tüm başlıkları, dakika ve saniye bilgilerini tamamen çıkararak tek tek ele alıyoruz. "Öğrenecekleriniz" kısmından başlayarak, listedeki her konuyu en detaylı ve anlaşılır şekilde, günlük hayattan örneklerle ve uygulama adımlarıyla açıklıyoruz.

Bölüm 1: "Öğrenecekleriniz" Paragrafının Açıklaması

Bu giriş bölümü, kurs bittiğinde kazanacağınız ana becerileri özetlemektedir. Dört temel hedefi şunlardır:

1. Yapay Zekaya Doğru ve Yapılandırılmış Komutlar Vermek

2. Python ve HuggingFace ile Sıfırdan Yapay Zeka Uygulamaları Geliştirmek

3. Bilgi Tabanlı Arama ve Cevaplama (RAG) Sistemleri Kurmak

4. Hazırlanan Yapay Zekayı Gerçek Dünyada Kullanıma Sunmak (MLOps)

Bölüm 2: Tüm Konuların Detaylı Açıklaması, Örnekleri ve Uygulamaları

TEMEL KAVRAMLAR VE KOMUT MÜHENDİSLİĞİ (PROMPT ENGINEERING)

1. Komut (Prompt) Nedir?

2. Komut Mühendisliğine (Prompt Engineering) Giriş

3. Komut Mühendisliğinde İki Pratik Yaklaşım

4. Neden Sadece Komut Mühendisliği Yetmez?

PYTHON PROGRAMLAMA DİLİNE GİRİŞ

1. Python Kurulumu ve Ortam Kurulumu

2. Python'da Değişkenler ve Veri Tipleri

·        isim = "Ahmet"  # Yazı veri tipi (String)

·        yas = 30        # Tam sayı veri tipi (Integer)

·        boy = 1.75      # Ondalıklı sayı (Float)

·        print(isim, yas, boy)

3. Python Operatörleri: Aritmetik, Mantıksal ve Karşılaştırma

·        fiyat1 = 100

·        fiyat2 = 150

·        ucuz_mu = fiyat1 < fiyat2  # Karşılaştırma (True yani Doğru döner)

·        toplam = fiyat1 + fiyat2   # Aritmetik işlem

·        print("Ucuz mu?:", ucuz_mu, "Toplam:", toplam)

4. if ve else ile Şartlı Durumlar

·        notunuz = 75

·        if notunuz >= 50:

·            print("Sınavı geçtiniz!")

·        else:

·            print("Maalesef kaldınız.")

5. Python'da Döngüler: for ve while

·        for sayi in range(1, 6):

·            print("Sayı:", sayi)

6. break ve continue İfadeleri

·        for i in range(1, 10):

·            if i == 5:

·                break # 5'e gelince döngü tamamen durur

·            print(i)

7. Python'da Listeler (Lists)

·        meyveler = ["Elma", "Armut", "Muz"]

·        meyveler.append("Çilek") # Yeni eleman ekleme

·        print(meyveler[0]) # İlk elemanı (Elma) ekrana basar

8. Python'da Demetler (Tuples)

·        koordinat = (41.0082, 28.9784) # İstanbul koordinatı

·        # koordinat[0] = 42.00 yazdığınızda hata verir, değiştirilemez.

·        print(koordinat)

9. Python'da Kümeler (Sets)

·        sayilar = {1, 2, 2, 3, 3, 3}

·        print(sayilar) # Ekrana sadece {1, 2, 3} basar, tekrarları siler.

10. Python'da Sözlükler (Dictionaries)

·        sozluk = {"araba": "car", "kalem": "pen"}

·        print(sozluk["araba"]) # Ekrana "car" yazar.

FONKSİYONLAR VE MODÜLLER

1. Python'da Fonksiyon Tanımlama ve Kullanma

·        def karsilama(isim):

·            print("Merhaba " + isim + "! Hoş geldin.")

·         

·        karsilama("Selin") # Fonksiyonu çağırma

2. Fonksiyon Argümanları ve Lambda Fonksiyonları

·        karesi = lambda x: x * x

·        print(karesi(5)) # Ekrana 25 basar.

3. Python Modülleri ve Paketlerini Anlamak

4. Python Kütüphanelerini İçe Aktarma (Import) ve Kullanma

·        import random

·        rastgele_sayi = random.randint(1, 100) # 1 ile 100 arası rastgele sayı

·        print(rastgele_sayi)

NESNE YÖNELİMLİ PROGRAMLAMA (OOP)

1. Sınıf (Class) ve Nesne (Object) Kavramı

·        class Araba:

·            pass

·         

·        benim_arabam = Araba() # Nesne üretildi

2. OOP'ta Öznitelikler (Attributes) ve Metotlar (Methods)

·        class Kedi:

·            def __init__(self, ad):

·                self.ad = ad # Öznitelik

·            def miyavla(self): # Metot

·                print(self.ad + ": Miyav dedi!")

·         

·        pisi = Kedi("Pamuk")

·        pisi.miyavla()

3. Kalıtım (Inheritance) ve Çok Biçimlilik (Polymorphism)

·        class Hayvan:

·            def ses_cikar(self):

·                pass

·         

·        class Kopek(Hayvan): # Kalıtım

·            def ses_cikar(self):

·                print("Hav Hav") # Çok biçimlilik

·         

·        karabas = Kopek()

·        karabas.ses_cikar()

4. Kapsülleme (Encapsulation) ve Soyutlama (Abstraction)

DOSYA YÖNETİMİ VE API ÇAĞRILARI

1. Metin Dosyaları (.txt) Okuma ve Yazma

·        with open("gunluk.txt", "w") as dosya:

·            dosya.write("Bugün yapay zeka öğrendim.")

2. CSV Dosyaları Okuma ve Yazma

3. JSON Dosyaları Okuma ve Yazma

4. API Çağrıları Yapmak (GET İsteği)

5. API Çağrıları Yapmak (POST İsteği)

YAPAY ZEKA DESTEKLİ PYTHON KODLAMA

1. Kod Üretmek İçin Komut Kullanımı

2. Hata Ayıklama (Debugging) İçin Komut Kullanımı

3. Dokümantasyon Yazmak İçin Komut Kullanımı

VERİ TEMİZLEME PROJESİ

1. Veri Temizlemeyi Anlamak ve Projeye Genel Bakış

2. Veri Temizleme ve Komut Destekli Otomasyon İçin Python Betiği

VERİ BİLİMİ VE GÖRSELLEŞTİRME (NUMPY, PANDAS, MATPLOTLIB, SEABORN)

1. NumPy Dizileri ve İşlemleri

2. Yayın Yapma (Broadcasting) ve Vektörleştirme

3. Pandas: Veri Çerçeveleri (DataFrames) ve İndeksleme

4. Pandas: Filtreleme, Toplulaştırma ve Gruplama

5. Eksik Verilerle Başa Çıkma

6. Matplotlib Temelleri

7. Çizgi Grafikleri ve Sütun Grafikleri (Matplotlib)

8. Histogramlar ve Serpme (Scatter) Grafikleri

9. Gelişmiş Görselleştirmeler İçin Seaborn

10. Komut Destekli Veri Temizleme ve Görselleştirme

YAPAY ZEKA DESTEKLİ VERİ ANALİZİ

1. Komutlar Kullanarak Bir Veri Kümesini Keşfetmek (EDA)

2. Komutlar Kullanarak Bir Veri Kümesini Görselleştirmek

MAKİNE ÖĞRENMESİNE (MACHINE LEARNING) GİRİŞ

1. ML Genel Bakış: Gözetimli (Supervised) ve Gözetimsiz (Unsupervised) Öğrenme

2. Eğitim-Test Ayrımı (Train-Test Split) ve Çapraz Doğrulama

3. Değerlendirme Metrikleri (Accuracy, F1-Score)

4. Değerlendirme Metrikleri (RMSE)

5. Yetersiz Öğrenme (Underfitting) Nedir?

6. Aşırı Öğrenme (Overfitting) Nedir?

7. Yanlılık-Varyans Dengesi (Bias-Variance Tradeoff)

8. Nitelik Mühendisliği (Feature Engineering) Temelleri

9. Pratik Demo: Nitelik Mühendisliği

10. Komut Kullanımı: Özellikleri Otomatik Oluşturma, Veri Setlerini Temizleme, EDA Özetleri

EV FİYATI TAHMİN EDİCİSİ YAPMAK (PROJE)

MAKİNE ÖĞRENMESİ ALGORİTMALARI

1. Doğrusal Regresyon (Linear Regression)

2. Lojistik Regresyon (Logistic Regression)

3. Karar Ağaçları (Decision Trees)

4. Rastgele Ormanlar (Random Forests)

5. Destek Vektör Makineleri (SVM)

6 & 7. K-Means Kümeleme (Teori ve Pratik)

8 & 9. Temel Bileşen Analizi (PCA) (Teori ve Pratik)

10. Makine Öğrenmesi İş Hatları (Pipelines) Uygulaması

11. Komut Destekli Model Değerlendirmesi

DERİN ÖĞRENME (DEEP LEARNING) VE SİNİR AĞLARI

1 & 2. Yapay Sinir Ağları: Kavram, Mimari, Nöronlar ve Katmanlar

3. Aktivasyon Fonksiyonları

4. İleri Yayılım (Forward Propagation)

5. Geri Yayılım (Backward Propagation)

6. Kayıp Fonksiyonları (Loss Functions)

7. Optimize Ediciler (SGD, Adam)

8. Komut Kullanımı: Matematik Kavramlarını Açıklama ve Hataları Ayıklama

DERİN ÖĞRENME KÜTÜPHANELERİ (PYTORCH VE TENSORFLOW)

1 & 2. PyTorch ve TensorFlow Temelleri

3 & 4. İlk Sinir Ağını Kurmak (Sınıflandırma ve Regresyon)

5 & 6. CNN Temelleri ve MNIST Rakam Sınıflandırıcı Uygulaması

7 & 8. Fashion-MNIST Sınıflandırıcı Projesi (Bölüm 1 ve 2)

9. Komut Entegrasyonu: Katmanları Hata Ayıklama ve Görselleştirme

BİLGİSAYARLI GÖRÜ (COMPUTER VISION) VE TRANSFER ÖĞRENME

1 & 2. Evrişim (Convolution) İşlemi, Havuzlama (Pooling) ve Öznitelik Haritaları

3. Transfer Öğrenme (Transfer Learning) Kavramları

4, 5 & 6. Hazır Mimariler: VGG, ResNet, MobileNet

7. Veri Çoğaltma (Data Augmentation) Teknikleri

8. Komut Destekli Resim Etiketleme ve Çoğaltma

DOĞAL DİL İŞLEME (NLP) VE ARDIL MODELLER

1 & 2. Metin Ön İşleme ve Simgeleştirme (Tokenization)

3 & 4. Stopwords, Lemmatization, Stemming (Teori ve Pratik)

5. Bag of Words ve TF-IDF

6 & 7. Kelime Gömme (Word Embeddings - Word2Vec, GloVe)

8, 9 & 10. Ardıl Modeller: RNN, LSTM, GRU

11. AI NLP İş Akışı: Veri Kümesinden Duygu Analizine

TRANSFORMATÖRLER (TRANSFORMERS) VE BÜYÜK DİL MODELLERİ (LLM)

1. Dikkat Mekanizması (Attention Mechanism - Multi-Head Attention)

2. Kodlayıcı (Encoder) ve Kod Çözücü (Decoder)

3, 4, 5 & 6. HuggingFace Transformers ile Hazır Modeller (Metin Üretimi, Özetleme, Soru-Cevap)

7. Komut Kullanımı: Düşünce Zinciri (Chain-of-Thought) ve Çıktı Biçimlendirme

8. MAMBA Mimarisi ve LLM'lerde Kullanımı

9. Difüzyon Modelleri (Diffusion Models)

GELİŞMİŞ KOMUT MÜHENDİSLİĞİ VE YAPILANDIRILMIŞ ÇIKTILAR

1 & 2. Yapılandırılmış Komutlar, Few-Shot ve Çok Adımlı Komutlar

3. Komut Zincirleri ve Öz Yansıtma (Self-Reflection)

4. Fonksiyon Çağırma (Function Calling) ve Yapılandırılmış Çıktılar

5. Mini Proje: Bir Komut Kütüphanesi Oluşturmak

MODEL İNCE AYARI (FINE-TUNING)

1 & 2. İnce Ayar Temelleri, Tam İnce Ayar vs LoRA & QLoRA

3 & 4. Transformatör Modelini Alana Özel Görev İçin İnce Ayarlamak

RAG SİSTEMLERİ VE VEKTÖR VERİ TABANLARI

1. Gömme (Embeddings) ve Benzerlik Araması

2. Vektör Veri Tabanları: FAISS, Chroma, Pinecone

3, 4 & 5. RAG Sistemi Kurumu ve Mini Proje: RAG Tabanlı Asistan

YAPAY ZEKA OTOMASYONLARI VE ETMENLER (AGENTS)

1. Yapay Zeka İş Akışları ve Çok Adımlı Komutlar

2. LangChain ve LlamaIndex

3. Yapılandırılmış Çıktılar ve Yapay Zeka Otomasyonu

4. Korkuluklar (Guardrails) ve Sınırlandırmalar

YAPAY ZEKA GELİŞTİRME OPERASYONLARI (MLOPS)

1. Sürüm Kontrolü ve Deney Takibi

2. Yapay Zeka Uygulamaları İçin Docker

3. Yapay Zeka Uygulamalarını Canlıya Alma (Deployment)

BÜYÜK BİTİRME PROJELERİ

1. Yapay Zeka Destekli Özgeçmiş (Resume) Analiz Edici ve İş Eşleştirici

2. Yapay Zeka Tıbbi Asistanı

 

 

Müfredattaki tüm teorik altyapıyı bir araya getirerek, tamamen sıfırdan başlayıp kendi belgelerinizle çalışan bir Yapay Zeka Asistanına (RAG) giden yolu adım adım kodluyoruz.

Bu rehberde hiçbir karmaşık kütüphaneyi varsaymadan, en temel Python mantığından başlayıp en gelişmiş yapay zeka entegrasyonuna kadar her satırı birlikte yazacağız.

BÖLÜM 1: Sıfırdan Python Uygulamaları (Altyapı Kurulumu)

Yapay zeka asistanımızın dökümanları okuyabilmesi, temizleyebilmesi ve mantık yürütebilmesi için önce temel Python kaslarımızı geliştirmemiz gerekiyor.

Uygulama 1: Değişkenler, Sözlükler ve API Veri Yapısı

Yapay zekadan gelen veriler genellikle bir sözlük (Dictionary) yapısında olur. İlk olarak bir dökümanı ve onun bilgilerini bilgisayarın hafızasında nasıl tutacağımızı öğrenelim.

# 1. Değişkenleri ve veri tiplerini tanımlayalım

dokuman_id = 101                 # Integer (Tam Sayı)

dokuman_baslik = "Şirket İzin Politikası" # String (Yazı)

icerik_temiz_mi = True           # Boolean (Doğru/Yanlış)

 

# 2. Bu bilgileri yapay zekanın en sevdiği format olan "Sözlük" (Dictionary) içinde birleştirelim

dokuman_verisi = {

    "id": dokuman_id,

    "baslik": dokuman_baslik,

    "icerik": "Tüm çalışanların yılda 14 gün ücretli izin hakkı vardır. İzinler en az 3 gün önce haber verilmelidir.",

    "temiz": icerik_temiz_mi

}

 

# 3. Veriyi ekrana yazdırıp kontrol edelim

print("Sözlük Yapısı:", dokuman_verisi)

print("Dokümanın İçeriği:", dokuman_verisi["icerik"])

Uygulama 2: Şartlı Durumlar (if-else) ve Döngüler (for) ile Metin Filtreleme

Gelen dökümanların içinde arama yapmak veya belirli kurallara uymayan dökümanları ayıklamak için döngüleri ve şartları kullanırız.

# Elimizde bir döküman listesi (List) olsun

dokumanlar_havuzu = [

    {"baslik": "Maaş Ödemeleri", "icerik": "Maaşlar her ayın 5'inde banka hesabına yatırılır."},

    {"baslik": "Yemek Kartı", "icerik": "Yemek kartı bakiyeleri her ayın 1'inde güncellenir."},

    {"baslik": "Kıyafet Kuralı", "icerik": "Ofis içinde serbest kıyafet kuralı geçerlidir."}

]

 

aranan_kelime = "Maaş"

 

print("--- Arama Sonuçları ---")

# Liste içindeki her bir dökümanı tek tek dönüyoruz (Döngü)

for dokuman in dokumanlar_havuzu:

    # Eğer aradığımız kelime dökümanın içeriğinde geçiyorsa (Şartlı Durum)

    if aranan_kelime in dokuman["icerik"]:

        print(f"BULDUM! Başlık: {dokuman['baslik']} -> İçerik: {dokuman['icerik']}")

    else:

        print(f"Pas geçildi: {dokuman['baslik']}")

Uygulama 3: Fonksiyonlar ve Nesne Yönelimli Programlama (OOP) ile Temizleyici Sınıfı

Yapay zekaya göndermeden önce metinlerdeki gereksiz boşlukları silen ve küçük harfe çeviren bir "Metin Temizleyici" iş ortağı (Sınıf) tasarlayalım.

class MetinIsleyici:

    def __init__(self):

        # Sınıf başlatıldığında gereksiz ve bağlaç olan kelimeleri (Stopwords) tanımlayalım

        self.silinecek_kelimeler = ["ve", "veya", "da", "de"]

 

    def temizle_ve_kucult(self, ham_metin):

        # Metni küçük harfe çevir ve başındaki/sonundaki boşlukları buda

        temiz_metin = ham_metin.lower().strip()

       

        # Kelimelere ayırıp gereksiz bağlaçları temizleyelim

        kelimeler = temiz_metin.split()

        filtrelenmis_kelimeler = [kelime for kelime in kelimeler if kelime not in self.silinecek_kelimeler]

       

        # Kelimeleri tekrar birleştiriyoruz

        return " ".join(filtrelenmis_kelimeler)

 

# Sınıfımızdan bir nesne (Object) üretip test edelim

isleyici = MetinIsleyici()

kirli_metin = "  Tüm izinler VE raporlar sisteme girilmelidir  "

sonuc = isleyici.temizle_ve_kucult(kirli_metin)

 

print("Ham Hali:", kirli_metin)

print("Temizlenmiş Hali:", sonuc)

BÖLÜM 2: Kendi Belgelerinizle Çalışan RAG (Yapay Zeka Asistanı) Sistemi Kurulumu

Şimdi öğrendiğimiz tüm Python temellerini üst seviyeye taşıyoruz. Bilgisayarımızdaki bir dökümanı okuyacak, onu yapay zekanın anlayacağı sayılara (vektörlere) çevirecek ve sorduğumuz soruya sadece o dökümana bakarak cevap üretecek uçtan uca bir RAG sistemi kuruyoruz.

Adım 1: Gerekli Kütüphanelerin Yüklenmesi

Sistemimizin dökümanları hafızada vektör olarak tutması (ChromaDB) ve yapay zeka ile konuşması (HuggingFace/OpenAI mantığı için en popüler araç olan langchain) için terminale şu komutu yazarak gerekli kütüphaneleri kuruyoruz:

pip install langchain langchain-community chromadb sentence-transformers

Adım 2: Adım Adım RAG Sistemi Kod Blokları

Projemizi sıfırdan inşa etmek için boş bir Python dosyası açın (örneğin rag_asistan.py) ve aşağıdaki kodları yazın. Kodların her satırı Türkçe açıklamalıdır:

import os

from langchain_community.document_loaders import TextLoader

from langchain_text_splitters import RecursiveCharacterTextSplitter

from langchain_community.embeddings import HuggingFaceEmbeddings

from langchain_community.vectorstores import Chroma

 

print("🚀 RAG Sistemi Başlatılıyor...")

 

# --- ADIM 1: KENDİ BELGENİZİ OLUŞTURMA VE OKUMA ---

# Önce asistanın bilmesini istediğiniz şirket kurallarını bir metin dosyasına yazalım

sirket_bilgisi = """

ZekaTech Şirket Kuralları Kılavuzu:

1. Mesai saatleri sabah 09:00 ile akşam 18:00 arasındadır.

2. Evden çalışma (Remote) hakkı sadece Çarşamba ve Cuma günleri geçerlidir.

3. Şirket içi tüm resmi iletişimler Slack uygulaması üzerinden yürütülür.

4. Sağlık raporları alındığı gün içerisinde İnsan Kaynakları departmanına e-posta ile iletilmelidir.

5. Ofiste evcil hayvan getirme günü her ayın ilk Perşembe günüdür.

"""

 

with open("sirket_kurallari.txt", "w", encoding="utf-8") as f:

    f.write(sirket_bilgisi)

 

# Şimdi bu dosyayı kodumuza yükleyelim

loader = TextLoader("sirket_kurallari.txt", encoding="utf-8")

ham_belge = loader.load()

print("📄 1. Belge başarıyla yüklendi.")

 

 

# --- ADIM 2: BELGEYİ PARÇALARA BÖLME (CHUNKING) ---

# Yapay zekanın binlerce sayfayı tek seferde okuyup karıştırmaması için metni mantıklı parçalara böleriz.

text_splitter = RecursiveCharacterTextSplitter(

    chunk_size=150,     # Her parça en fazla 150 karakter olsun

    chunk_overlap=20    # Parçalar birbirini kaçırmasın diye 20 karakter birbiri üzerine binsin

)

parcalanmis_dokumanlar = text_splitter.split_documents(ham_belge)

print(f"✂️ 2. Belge toplam {len(parcalanmis_dokumanlar)} küçük parçaya ayrıldı.")

 

 

# --- ADIM 3: METİNLERİ SAYILARA ÇEVİRME (EMBEDDING) VE VEKTÖR VERİ TABANINA KAYDETME ---

# Kelimelerin anlamını bilgisayarın anlayacağı matematiksel sayılara çeviren ücretsiz bir model yüklüyoruz.

print("🧠 Sayısal haritalama modeli (Embeddings) yükleniyor (Bu işlem ilk seferde biraz sürebilir)...")

embeddings = HuggingFaceEmbeddings(model_name="sentence-transformers/all-MiniLM-L6-v2")

 

# Bu sayısal verileri uçup gitmesin diye ChromaDB adındaki Vektör Veri Tabanımıza kaydediyoruz.

# Bilgisayarınızda otomatik olarak 'vektor_ustsu' adında bir klasör oluşacak ve veriler oraya yazılacak.

vektor_veritabanı = Chroma.from_documents(

    documents=parcalanmis_dokumanlar,

    embedding=embeddings,

    persist_directory="./vektor_ustsu"

)

print("💾 3. Belgelerin anlam haritası çıkarıldı ve Vektör Veri Tabanına kaydedildi.")

 

 

# --- ADIM 4: AKILLI ARAMA VE ASİSTANA SORU SORMA ---

# Şimdi sistemimizi test edelim. Bir soru soracağız ve sistem veri tabanına gidip en alakalı cümleyi bulacak.

 

kullanici_sorusu = "Hangi günler evden çalışabilirim?"

print(f"\n🔍 Kullanıcı Sorusu: {kullanici_sorusu}")

 

# Vektör veri tabanında anlam bazlı arama yapıyoruz (Similarity Search)

en_yakin_belgeler = vektor_veritabanı.similarity_search(kullanici_sorusu, k=1)

 

# Bulunan en alakalı belge parçasını ekrana yazdıralım

if en_yakin_belgeler:

    en_alakali_icerik = en_yakin_belgeler[0].page_content

    print("\n🤖 Asistanın Hafızasından Bulup Çıkardığı Bilgi Dokusu:")

    print("-" * 50)

    print(en_alakali_icerik)

    print("-" * 50)

   

    # --- ADIM 5: YAPAY ZEKA FORMATINA GETİRME ---

    # Gerçek bir sistemde bu aşamada aşağıdaki şablon (Prompt) ChatGPT veya yerel bir LLM modeline gönderilir:

    prompt_sablonu = f"""

    Sen ZekaTech şirketinin akıllı İK asistanısın.

    Sadece sana aşağıda verilen döküman bilgisine dayanarak soruyu cevapla.

    Eğer dökümanda bilgi yoksa uydurma, 'Bilmiyorum' de.

   

    DÖKÜMAN BİLGİSİ:

    {en_alakali_icerik}

   

    SORU: {kullanici_sorusu}

    CEVAP:

    """

    print("\n✨ Yapay Zekaya Gönderilmeye Hazır Son Prompt Şablonu:")

    print(prompt_sablonu)

else:

    print("❌ Aranan soruyla ilgili dökümanlarda hiçbir bilgi bulunamadı.")

Kod Çalıştığında Ne Olacak?

  1. Kod otomatik olarak klasörünüzde sirket_kurallari.txt adında bir dosya üretecek.
  2. Bu metni okuyup küçük cümle parçalarına bölecek.
  3. İnternetten anlamlandırma modelini indirip bu cümleleri sayısal vektörlere çevirecek.
  4. Siz "Hangi günler evden çalışabilirim?" diye sorduğunuzda, içinde "evden çalışma", "Remote", "Çarşamba ve Cuma" geçen en doğru cümleyi milyarlarca olasılık arasından milisaniyeler içinde cımbızla çekip önünüze koyacak.