Gönderdiğiniz müfredat belgesi, yapay zeka modellerini en verimli şekilde yönlendirmeyi öğreten kapsamlı bir Prompt Mühendisliği (Prompt Engineering) eğitim akışını içeriyor. Bu eğitim, temel yapay zeka kavramlarından başlayarak ileri düzey prompt kalıplarına ve pratik projelere kadar uzanan bir uzmanlık yolculuğu sunuyor.

Aşağıda, eğitimde "Öğrenecekleriniz" başlığı altında yer alan maddelerin ne anlama geldiği detaylıca açıklanmış, ardından müfredattaki tüm konular satır satır ele alınarak geniş açıklamalar, somut örnekler ve pratik uygulamalarla işlenmiştir.

"Öğrenecekleriniz" Bölümünün Detaylı Açıklaması

Bu giriş paragrafı, kursu tamamladığınızda kazanacağınız temel yetkinlikleri ve profesyonel becerileri özetlemektedir:

Prompt Mühendisliğini Anlamak: Yapay zekanın girdileri nasıl kelime parçalarına (token) ayırdığını, dil bilgisini nasıl çözümlediğini (parsing) ve metindeki duyguyu (duygu analizi) nasıl tespit ettiğini öğrenerek mantıklı ve güçlü komutlar yazmayı kavrayacaksınız.
Büyük Yapay Zeka Modellerini Keşfetmek: ChatGPT (metin), Midjourney (görsel), GitHub Copilot (kod) ve Stable Diffusion (görsel) gibi popüler araçların güçlü ve zayıf yönlerini bilerek, hangi iş için hangi yapay zekayı seçeceğinizi öğreneceksiniz.
Yaratıcılığı ve Verimliliği Artırmak: Yapay zekayı sadece soru sormak için değil; yeni fikirler üretmek (beyin fırtınası), sıkıcı ve tekrarlayan işleri otomatikleştirmek ve stratejik kararlar almak için bir asistan gibi kullanmayı öğreneceksiniz.
İleri Düzey Tekniklerde Uzmanlaşmak: Birbirine bağlı komutlar (zincirleme prompt) ve yapay zekaya geçmişi/durumu hatırlatan (bağlam farkındalığı olan) gelişmiş yöntemlerle karmaşık görevleri çözebileceksiniz.
Etik Kuralları Benimsemek: Yapay zekayı kullanırken telif haklarına dikkat etmeyi, yanlı/hatalı (bias) sonuçları ayırt etmeyi ve veri güvenliğini koruyarak sorumlu bir kullanıcı olmayı öğreneceksiniz.
Temel Prompt İlkelerini Tanımak: Profesyonel seviyede çıktı almak için yapay zekaya nasıl hitap edilmesi gerektiğini, ipuçlarını, püf noktalarını ve altın kuralları öğreneceksiniz.
Gerçek Dünya Projelerinde Uygulamak: Hem metin hem de görsel üretiminde 100'den fazla pratik proje yaparak teorik bilgiyi çalışan yapay zeka ürünlerine dönüştüreceksiniz.
İnsan-Yapay Zeka Etkileşimini Geliştirmek: Bilgisayarla insan arasındaki iletişim dilini güçlendirerek, yapay zekadan ilk seferde tam istediğiniz doğru yanıtı alma becerisi kazanacaksınız.
Güncel Yapay Zeka Trendlerini Takip Etmek: Sürekli değişen yapay zeka dünyasındaki en son gelişmeleri ve yeni çıkan komut yazma metodolojilerini takip edebilecek vizyona sahip olacaksınız.

Tüm Konuların Satır Satır Detaylı Açıklaması, Örnekleri ve Uygulamaları

1. Motivating Example: Create an educational activity plan for school kids using AI (Giriş Örneği: Yapay zeka ile okul çocukları için eğitici bir etkinlik planı oluşturma)

Açıklama: Kursun başında öğrencilerin yapay zekanın gücünü görmesi için yapılan somut bir çalışmadır. Sıradan bir komut yerine, sınırları iyi çizilmiş bir komutla yapay zekanın nasıl harika bir öğretmen asistanına dönüştüğü gösterilir.
Örnek: İlkokul 3. sınıf öğrencilerine geri dönüşümü eğlenceli bir oyunla anlatmak için plan istemek.
Uygulama:

Prompt: "Yapay zeka asistanı olarak, ilkokul 3. sınıf öğrencilerine 'Sıfır Atık' bilincini aşılayacak, 40 dakikalık, içinde sınıf içi bir oyun barındıran eğlenceli bir ders planı hazırla."

2. Overview of the Course and how to develop your thinking towards AI and LLMs (Kursa genel bakış ve Yapay Zekaya/Büyük Dil Modellerine karşı düşünce yapısını geliştirme)

Açıklama: Yapay zekaya bir arama motoru (Google gibi) gibi değil, her şeyi bilen ama yönlendirilmeye muhtaç stajyer bir dahi gibi bakmayı öğrenme sürecidir. LLM (Büyük Dil Modeli) mantığı kavranır.
Örnek: Google'a "en iyi pizza tarifi" yazarsınız size link verir. LLM'e ise "Elimde sadece un, domates ve peynir var, bana öğrenci evinde yapılacak pizza tarifi yaz" dersiniz, size özel üretir.
Uygulama: Yapay zekaya bir iş verirken ona görevin amacını ve sınırlarını baştan anlatma alışkanlığı kazanmak.

3. What is Persona Pattern and how this is useful in Prompt Engineering (Persona Kalıbı nedir ve Prompt Mühendisliğinde nasıl kullanışlıdır)

Açıklama: Yapay zekaya belirli bir kimlik, meslek veya uzmanlık rolü atama yöntemidir. Yapay zeka o kimliğe büründüğünde, kullandığı kelimeler ve bakış açısı tamamen o mesleğe uygun hale gelir.
Örnek: Düz bir metin yazdırmak yerine yapay zekayı "20 yıllık deneyimli bir avukat" veya "yazılım mimarı" yapmak.
Uygulama:

Prompt: "Sen tecrübeli bir gastronomi şefisin. Sana vereceğim malzemelerle gurme restoran kalitesinde, yapımı 15 dakikayı geçmeyecek bir akşam yemeği tarifi yaz."

[1, 2, 3, 4]

4. How to create an account in ChatGPT, Google Gemini and Meta AI for free? (ChatGPT, Google Gemini ve Meta AI'da ücretsiz hesap nasıl açılır?)

Açıklama: Günümüzün en popüler ücretsiz yapay zeka platformlarına tarayıcı ve e-posta üzerinden erişim sağlama rehberidir.
Örnek: OpenAI web sitesine gidip "Sign up" butonuna basarak Google hesabı ile hızlıca kayıt olmak.
Uygulama: ChatGPT, Gemini ve Meta AI arayüzlerini açarak ilk deneme mesajlarını göndermek.

5. Why does the output contain randomness? (Çıktılar neden rastgelelik içerir?)

Açıklama: Yapay zeka modelleri kelimeleri ezberden söylemez; bir kelimeden sonra gelebilecek en mantıklı sonraki kelimeyi olasılık hesaplarına göre seçer. Bu yüzden aynı komutu iki kez yazdığınızda birebir aynı cevabı almazsınız. Buna yapay zekada "Temperature" (Sıcaklık/Yaratıcılık) ayarı denir.
Örnek: "Güneş açınca kuşlar..." cümlesini yapay zeka %60 ihtimalle "öter", %30 ihtimalle "uçar", %10 ihtimalle "dans eder" diye tamamlayabilir.
Uygulama: Aynı promptu ChatGPT'de yeni sohbet açarak üç kez test etmek ve her seferinde değişen kelimeleri gözlemlemek. [5, 6]

6. What is Prompt Engineering? Definition and Overview (Prompt Mühendisliği Nedir? Tanımı ve Genel Bakış)

Açıklama: Yapay zeka modellerinden en doğru, en yüksek kaliteli ve en işe yarar sonuçları almak için girdileri (komutları) tasarlama, optimize etme ve yapılandırma bilimidir.
Örnek: Bir ressama sadece "ev resmi çiz" demek yerine "göl kenarında, arkasında karlı dağlar olan, ahşap, iki katlı, pencerelerinden sarı ışık sızan bir dağ evi çiz" demek prompt mühendisliğidir.
Uygulama: Kötü ve iyi prompt arasındaki farkı deneyimlemek. [5, 7]

7. History and Evolution of Prompt Engineering (Prompt Mühendisliğinin Tarihi ve Evrimi)

Açıklama: Yapay zekanın ilk dönemlerindeki zor karmaşık kod tabanlı komutlardan, günümüzdeki doğal dil (konuşma dili) ile kontrol edilen esnek yapıya nasıl geldiğinin anlatımıdır.
Örnek: Eskiden yapay zekaya kod yapılarıyla (IF/THEN) komut verilirken, artık insan gibi "Şunu şöyle yap" diyebiliyoruz.
Uygulama: Eski dil modelleri (GPT-2) ile modern modellerin (GPT-4/GPT-5) anlama kapasitesini karşılaştırmak.

8. Key Points to Remember about History and Evolution (Tarih ve Evrim Hakkında Unutulmaması Gereken Önemli Noktalar)

Açıklama: Teknolojinin ne kadar hızlı geliştiğini ve gelecekte komut yazma ihtiyacının nasıl şekilleneceğini özetleyen can alıcı notlardır.
Örnek: Yapay zekanın her güncellemede daha az detayla daha çok şey anladığını bilmek.

9. Key Concepts and Terminology in: AI, Machine Learning, Neural Networks (Yapay Zeka, Makine Öğrenmesi, Yapay Sinir Ağları Temel Kavramları ve Terminolojisi)

Açıklama: Bu üç kavramın birbiriyle ilişkisini anlatan temel derstir. Yapay Zeka en dıştaki büyük kümedir. Makine Öğrenmesi onun alt kümesidir. Yapay Sinir Ağları ise makine öğrenmesinin içindeki bir tekniktir.
Örnek: Rus matruşka bebekleri gibi; en büyük bebek Yapay Zeka, içindeki bebek Makine Öğrenmesi, onun da içindeki en küçük bebek Yapay Sinir Ağlarıdır.

10. 14 AI-related terms with simple examples [Important Notes] (Basit örneklerle yapay zeka ile ilgili 14 terim)

Açıklama: Sektörde sürekli duyulan (Algoritma, Big Data, Veri Seti, Bias vb.) 14 temel kelimenin sözlük ve pratik karşılığıdır.
Örnek: Bias (Yanlılık): Eğer bir yapay zekaya sadece erkek doktor fotoğrafları gösterilerek eğitilirse, "doktor resmi çiz" dediğimizde hep erkek çizmesi bir "bias" örneğidir.

11. Understanding Artificial Intelligence (AI): A complete Guide for Learners (Yapay Zekayı Anlamak: Öğrenenler İçin Tam Kılavuz)

Açıklama: İnsan zekasını taklit ederek problem çözme, öğrenme ve karar verme yeteneğine sahip bilgisayar sistemlerinin mantığını anlatan geniş rehberdir.
Örnek: Kendi kendine giden arabalar (Tesla), satranç oynayan bilgisayarlar.

12. Simplified breakdown of the key points about Artificial Intelligence (AI) (Yapay Zeka Hakkında Önemli Noktaların Basitleştirilmiş Özeti)

Açıklama: Yapay zekanın ne yapıp ne yapamayacağını (örneğin gerçek hislerinin olmadığını, sadece matematiksel tahmin yaptığını) netleştiren sade anlatımdır.

13. Discover Machine Learning (ML): A Guide for Learners (Makine Öğrenmesini Keşfedin: Öğrenenler İçin Kılavuz)

Açıklama: Bilgisayarlara açıkça kod yazmadan, verilerden yola çıkarak kendi kendilerine "öğrenme" yeteneği kazandırılması sürecidir.
Örnek: Spotify'ın dinlediğiniz şarkılara bakarak size yeni şarkılar önermesi bir makine öğrenmesidir.

14. Simplified breakdown of the key points about Machine Learning (ML) (Makine Öğrenmesi Hakkında Önemli Noktaların Basitleştirilmiş Özeti)

Açıklama: Makine öğrenmesinin kalbinin "veri" olduğunu, ne kadar çok veri verilirse sistemin o kadar akıllı hale geldiğini açıklayan bölümdür.

15. Difference between Artificial Intelligence (AI) and Machine Learning (ML) (Yapay Zeka ve Makine Öğrenmesi Arasındaki Fark)

Açıklama: İki kavramın sınırlarını çizen karşılaştırmadır.
Örnek: Akıllı bir robot tasarımı Yapay Zeka konusudur; o robotun düşmeden yürümeyi zamanla kendi deneyimleriyle öğrenmesi Makine Öğrenmesidir.

16. Exploring Neural Networks: A Simple and Fun Guide (Yapay Sinir Ağlarını Keşfetmek: Basit ve Eğlenceli Bir Kılavuz)

Açıklama: İnsan beynindeki nöronların (sinir hücrelerinin) çalışma şeklini taklit eden, bilgisayarların karmaşık verileri işlemesini sağlayan yazılımsal katmanlardır.
Örnek: Beynimizin bir nesnenin kedi mi köpek mi olduğunu göz, kulak ve burun bilgilerini birleştirerek anlaması gibi, bilgisayarın da pikselleri birleştirerek resmi tanıması.

17. Simplified breakdown of the key points about Neural Networks (Yapay Sinir Ağları Hakkında Önemli Noktaların Basitleştirilmiş Özeti)

Açıklama: Girdi katmanı, gizli katmanlar ve çıktı katmanı mantığının karmaşık formüller olmadan anlatımıdır.

18. What is the differences between AI, ML and Neural Networks? (AI, ML ve Yapay Sinir Ağları Arasındaki Farklar Nelerdir?)

Açıklama: Öğrenilen bu üç kavramın pekiştirilmesi için yapılan toplu kıyaslamadır.

Kavram	Rolü	Gündelik Hayattan Örnek
AI (Yapay Zeka)	Geniş vizyon ve hedef: Akıllı sistemler üretmek.	Akıllı Ev Sistemi
ML (Makine Öğrenmesi)	Bilgisayarın veriden öğrenmesini sağlayan yöntem.	Evdeki sıcaklık tercihlerinizi kaydeden yazılım
Neural Networks (Sinir Ağları)	ML'i gerçekleştiren, beyne benzeyen derin yapı.	Sese veya harekete göre yüzünüzü tanıyan kamera sistemi

19. Discovering Natural Language Processing (NLP): A Fun and Simple Guide (Doğal Dil İşlemeyi Keşfetmek: Eğlenceli ve Basit Bir Kılavuz)

Açıklama: Bilgisayarların insan dilini (Türkçe, İngilizce vb.) anlama, yorumlama ve üretme yeteneğidir. Yapay zekanın bizimle konuşabilmesini sağlayan teknolojidir.
Örnek: Telefonlardaki sesli asistanlar (Siri) veya klavyedeki otomatik kelime tamamlama özelliği.

20. Simplified breakdown of the key points about Natural Language Processing (NLP) (Doğal Dil İşleme Hakkında Önemli Noktaların Basitleştirilmiş Özeti)

Açıklama: NLP'nin dil kuralları, eş anlamlı kelimeler ve mecaz anlamlar üzerinde nasıl çalıştığının kısa açıklamasıdır.

21. What is the differences between AI, ML, Neural Networks and NLP? (AI, ML, Yapay Sinir Ağları ve NLP Arasındaki Farklar Nelerdir?)

Açıklama: Öğrenilen tüm bu ana disiplinlerin bir arada değerlendirilmesidir. NLP, insan diliyle uğraştığı için Yapay Zekanın dil bilimci kolu gibidir.

22. Tokenization: A Simple and Exciting Guide (Tokenizasyon: Basit ve Heyecan Verici Bir Kılavuz)

Açıklama: Yapay zekanın metinleri doğrudan kelime olarak değil, "token" adı verilen küçük hece veya karakter parçalarına bölerek okuması sürecidir. Yapay zekanın alfabesi budur.
Örnek: Yapay zeka "Prompt Mühendisliği" kelimesini tek bir kelime olarak değil, ["Pro", "mpt", " Müh", "end", "is", "liği"] şeklinde parçalayarak işlem yapabilir.
Uygulama: Bir cümlenin kaç token ettiğini hesaplayan araçları anlamak ve prompt sınırlarını (context window) buna göre yönetmek. [5]

23. Simplified explanation of Tokenization (Tokenizasyonun Basitleştirilmiş Açıklaması)

Açıklama: Büyük bir yapbozu yapabilmek için önce parçalarına ayırmaya benzeyen bu sürecin mantıksal anlatımıdır.

24. Journey into the World of Sentiment Analysis: A Simple Guide for Curious Minds (Duygu Analizi Dünyasına Yolculuk: Meraklı Zihinler İçin Basit Bir Kılavuz)

Açıklama: Bir metnin altındaki duygu tonunu (Olumlu, Olumsuz, Nötr) yapay zekanın nasıl tespit ettiğini anlatan konudur.
Örnek: Bir e-ticaret sitesindeki "Ürün elime çok hızlı ulaştı ama paket ezilmişti" yorumunun hem olumlu hem olumsuz yönlerini analiz etmek.
Uygulama:

Prompt: "Aşağıdaki müşteri yorumunun duygu tonunu analiz et ve 'Olumlu', 'Olumsuz' veya 'Karma' olarak etiketle: 'Telefonun kamerası harika fakat şarjı yarım gün bile gitmiyor, iade etmeyi düşünüyorum.'"

25. Simplified breakdown of the key points about Sentiment Analysis (Duygu Analizi Hakkında Önemli Noktaların Basitleştirilmiş Özeti)

Açıklama: Şirketlerin müşteri memnuniyetini ölçmek için duygu analizini nasıl otomatik olarak kullandıklarının özeti.

26. Differences between Tokenization and Sentiment Analysis through examples (Örneklerle Tokenizasyon ve Duygu Analizi Arasındaki Farklar)

Açıklama: İki kavramın tamamen farklı amaçlara hizmet ettiğini gösteren kıyaslama. Tokenizasyon metni parçalara ayırır (teknik altyapı); Duygu Analizi ise metnin anlamını ve hissini ölçer (analitik çıktı).

27. Entering the World of Prompting: A Fun Guide for Learners (Prompting Dünyasına Giriş: Öğrenenler İçin Eğlenceli Bir Kılavuz)

Açıklama: Yapay zekaya bir görevi yaptırmak için ilk "merhaba" komutunu yazma ve onun dilinden konuşmaya başlama adımıdır.
Örnek: Basitçe "bana yardım et" demek yerine "bana bir e-posta taslağı yaz" demeyi öğrenmek. [5]

28. Simplified explanation of Prompting (Prompting'in Basitleştirilmiş Açıklaması)

Açıklama: Yapay zekayı adeta sihirli bir lambanın cini gibi doğru sözcüklerle tetikleme sanatı olarak açıklanmasıdır.

29. The Adventure of Parsing: An Easy-to-Understand Guide (Parsing - Ayrıştırma Macerası: Anlaması Kolay Bir Kılavuz)

Açıklama: Yapay zekanın kendisine verilen cümlenin öznesini, yüklemini, emir kipi mi yoksa soru mu olduğunu dil bilgisi kurallarına göre analiz etmesidir.
Örnek: Yapay zeka "Bana bir kahve yap" cümlesindeki eylemin "kahve yapmak" olduğunu parsing (ayrıştırma) sayesinde anlar.

30. Simplified explanation of Parsing (Parsing'in Basitleştirilmiş Açıklaması)

Açıklama: Cümleyi ögelerine ayırarak bilgisayarın anlayacağı kurallı bir haritaya dönüştürme işleminin sade anlatımıdır.

31. Differences between Tokenization, Sentiment Analysis and Parsing through examples (Örneklerle Tokenizasyon, Duygu Analizi ve Parsing Arasındaki Farklar)

Açıklama: Üç dil işleme adımının tek bir cümle üzerindeki farklı görevlerini gösteren harika bir pratik derstir.
Örnek Metin: "Bu harika kitabı hemen oku!"

Tokenization: Kelimeyi parçalar: ["Bu", " har", "ika", " kit", "abı", " hem", "en", " oku", "!"].
Sentiment Analysis: Metnin tonunu belirler: %95 Olumlu / Coşkulu.
Parsing: Yapıyı çözer: "Oku" = Yüklem (Emir kipi), "Bu harika kitabı" = Nesne.

32. Exploring the World of Deep Learning: A Simple Guide for Explorers (Derin Öğrenme Dünyasını Keşfetmek: Gezginler İçin Basit Bir Kılavuz)

Açıklama: Çok büyük miktardaki verileri (milyonlarca web sayfası, kitap) işlemek için üst üste binen yapay sinir ağlarını kullanan, günümüz yapay zekasının (ChatGPT vb.) motoru olan teknolojidir.
Örnek: Yapay zekanın sadece kedi resmine bakması değil, dünyadaki tüm kedi türlerini, çizimlerini ve heykellerini ayırt edebilecek derinliğe ulaşması.

33. Simplified explanation of Deep Learning (Derin Öğrenmenin Basitleştirilmiş Açıklaması)

Açıklama: Bilgisayarların insan müdahalesi olmadan, kendi kendilerine devasa veriler içindeki gizli kalıpları bulma yeteneğidir.

34. Learn the Differences between AI, ML, NLP, Neural Networks and Deep Learning (AI, ML, NLP, Yapay Sinir Ağları ve Derin Öğrenme Arasındaki Farkları Öğrenin)

Açıklama: Buraya kadar öğrenilen tüm teorik yapay zeka haritasının son kez birleştirilerek taşların yerine oturtulduğu bölümdür.

35. The World of Supervised Learning: A Simple and Fun Explanation (Denetimli Öğrenme Dünyası: Basit ve Eğlenceli Bir Açıklama)

Açıklama: Yapay zekayı eğitirken verilerin yanına cevap anahtarını (etiketleri) de koyarak öğretme yöntemidir.
Örnek: Bir çocuğa resimleri gösterip "Bak bu kedi, bak bu köpek" diyerek öğretmek.
Uygulama: Ev fiyatlarını tahmin eden bir modele, geçmişteki evlerin metrekarelerini ve yanında gerçek satış fiyatlarını vererek eğitmek.

36. Simplified explanation of Supervised Learning (Denetimli Öğrenmenin Basitleştirilmiş Açıklaması)

Açıklama: Öğretmen eşliğinde, doğru cevapları bilerek ders çalışma mantığının anlatılmasıdır.

37. The Adventure of Unsupervised Learning: A Fun and Easy Explanation for Everyone (Denetimsiz Öğrenme Macerası: Herkes İçin Eğlenceli ve Kolay Bir Açıklama)

Açıklama: Yapay zekaya hiçbir etiket veya cevap anahtarı vermeden, verilerin içindeki benzerlikleri kendi kendine gruplamasını (kümelemesini) isteme yöntemidir.
Örnek: Karışık meyve dolu bir sepeti yapay zekanın önüne koyup isimlerini söylememek; onun renk ve şekillerine göre elmaları bir yere, muzları bir yere ayırması.

38. Simplified explanation of Unsupervised Learning (Denetimsiz Öğrenmenin Basitleştirilmiş Açıklaması)

Açıklama: Kılavuzsuz ve öğretmensiz, sadece verideki gizli düzeni keşfetme sistemidir.

39. Differences between Supervised Learning and Unsupervised Learning with examples (Örneklerle Denetimli ve Denetimsiz Öğrenme Arasındaki Farklar)

Açıklama: İki ana öğrenme modelinin karşılaştırılmasıdır. Denetimlide soru + cevap vardır; denetimsizde ise sadece yığınla soru (veri) vardır, düzeni yapay zeka bulur.

40. Exploring Reinforcement Learning: A Fun and Simple Journey (Takviyeli/Pekiştirmeli Öğrenme: Eğlenceli ve Basit Bir Yolculuk)

Açıklama: Yapay zekanın bir çevre içinde deneme-yanılma yaparak, doğru hareketlerinde ödül, yanlış hareketlerinde ceza alarak öğrenmesi yöntemidir [1.25].
Örnek: Bir bilgisayar oyununu yapay zekanın kendi kendine oynayarak öğrenmesi; öldüğünde ceza puanı alması, düşmanı yendiğinde ödül puanı alması.

41. Simplified explanation of Reinforcement Learning (Takviyeli Öğrenmenin Basitleştirilmiş Açıklaması)

Açıklama: Tıpkı bir köpeğe numara öğretirken doğru yaptığında ödül maması vermeye benzeyen sistemin anlatımıdır.

42. The Fascinating World of Zero-shot Learning: Explained Simply (Sıfır Örnekli Öğrenme: Basitçe Açıklandı)

Açıklama: Yapay zekaya yapacağı işle ilgili hiçbir ön örnek vermeden doğrudan görevi yapmasını istemektir [1.25]. Genel kültürüne güvenilir.
Örnek: Yapay zekaya daha önce hiç Fransızca şiir örneği göstermeden direkt "Bana Fransızca bir şiir yaz" demek [1.25].
Uygulama:

Prompt: "Aşağıdaki cümleyi Japoncaya çevir: 'Bugün hava çok güzel.'" (Hiç örnek vermedik, direkt yaptı) [1.25].

43. Simplified explanation of Zero-shot Learning (Sıfır Örnekli Öğrenmenin Basitleştirilmiş Açıklaması)

Açıklama: Hazırlıksız yakalanan bir dahiye doğrudan soru sormaya benzeyen yöntemin sade anlatımıdır.

44. Understanding Few-shot Learning: A Simple and Engaging Explanation (Birkaç Örnekli Öğrenme: Basit ve İlgi Çekici Bir Açıklama)

Açıklama: Yapay zekadan bir şey istemeden önce, istediğimiz formata uyması için ona birkaç adet örnek gösterme tekniğidir [1.25]. Çıktının kalitesini inanılmaz artırır [1.25]. [5, 7]
Örnek: Yapay zekanın ters kelimeler üretmesini istiyorsak örnekler dizeriz [1.25]:

Siyah -> Beyaz
Uzun -> Kısa
Büyük -> ? (Burayı yapay zekanın tamamlamasını bekleriz)

Uygulama:

Prompt: "Müşteri destek yanıtlarımızı şu formata göre yaz: [1.25]
Örnek 1: 'Kargom nerede?' -> 'Merhaba, kargonuz yolda. Takip numarası: X'
Örnek 2: 'Ürün bozuk çıktı' -> 'Merhaba, yaşadığınız sorun için üzgünüz. İade süreci: Y'
Şimdi şu soruyu aynı tarzda yanıtla: 'Şifremi unuttum ne yapmalıyım?'" [1.25]

[5]

45. Simplified explanation of Few-shot Learning (Birkaç Örnekli Öğrenmenin Basitleştirilmiş Açıklaması)

Açıklama: "Bana kopya ver, nasıl yapacağımı göster, aynısını yapayım" mantığının anlatımıdır.

46. Differences between Reinforcement Learning, Zero-shot and Few-shot Learning (Pekiştirmeli, Sıfır Örnekli ve Birkaç Örnekli Öğrenme Arasındaki Farklar)

Açıklama: Üç öğrenme/çıktı yönteminin teknik farkları vurgulanır. Pekiştirmeli öğrenme deneyimle, Zero-shot örneksiz direkt bilgiyle [1.25], Few-shot ise gösterilen şablon yardımıyla çalışır [1.25]. [7]

47. Comparison Table of Key Concepts (Temel Kavramların Karşılaştırma Tablosu)

Açıklama: Buraya kadar olan tüm yapay zeka terimlerinin (AI, ML, NLP, Token, Learning çeşitleri) hızlıca gözden geçirilebileceği büyük bir özet tablosudur.

48. Understanding the Key Concepts with an Example Scenario (Temel Kavramları Bir Örnek Senaryo ile Anlamak)

Açıklama: Tüm teorik altyapıyı tek bir pratik kurgu üzerinden (örneğin akıllı bir hastane asistanı sistemi projesi) baştan sona açıklayan senaryodur.

49. Section 1 Quiz: "Foundations of Prompt Engineering" (1. Bölüm Testi: "Prompt Mühendisliğinin Temelleri")

Açıklama: İlk bölümdeki kavramların (Token, NLP, ML vb.) öğrenilip öğrenilmediğini ölçen mini sınavdır.

50. Section Intro (2. Bölüm Girişi)

Açıklama: Dil modellerinin yapısına ve prompt tasarımının temellerine geçildiğini belirten giriş konuşmasıdır.

51. Understanding AI Language Models: An Elaborative Guide (Yapay Zeka Dil Modellerini Anlamak: Detaylı Bir Kılavuz)

Açıklama: Dil modellerinin arkasındaki mimarinin (Transformer mimarisi) internetteki milyarlarca cümleyi nasıl okuyup bir "dil haritası" çıkardığını anlatan kılavuzdur. [5]

52. How AI Models Understand and Generate Text? (Yapay Zeka Modelleri Metni Nasıl Anlar ve Üretir?)

Açıklama: Girdinin alınması, tokenlara bölünmesi, olasılık matrisinden geçirilmesi ve kelime kelime ekrana basılması sürecinin adımlarıdır. [5]

53. What is Large Language Model? (Büyük Dil Modeli - LLM Nedir?)

Açıklama: Milyarlarca parametreye sahip, insan benzeri metinler yazabilen, çeviri yapabilen ve kod üretebilecek seviyede devasa verilerle eğitilmiş gelişmiş yapay zeka sistemleridir (GPT-4, Claude, Gemini vb.). [5]

54. What are the various LLM (AI Models) available for free? (Ücretsiz Olarak Kullanılabilen Çeşitli LLM Modelleri Nelerdir?)

Açıklama: Piyasada ücret ödemeden tarayıcı üzerinden kullanabileceğimiz güncel modellerin listesi ve farklarıdır.
Örnek: ChatGPT (OpenAI), Gemini (Google), Claude Free (Anthropic), Llama (Meta).

55. Limitations and Capabilities (Sınırlar ve Yetenekler)

Açıklama: Yapay zekanın neleri çok iyi yaptığını (özetleme, beyin fırtınası, çeviri) ve nelerde çuvalladığını (halüsinasyon görme/uydurma, matematik hataları, güncel bilgi eksikliği) bilme dersidir.
Örnek: Yapay zekaya bilmediği bir tarihi olayı sorunca mahcup olmamak için tamamen hayal ürünü bir hikayeyi gerçek gibi anlatması (Halüsinasyon). [5]

56. Crafting Effective Prompts: Elements of a Good Prompt (Etkili Prompt Hazırlama: İyi Bir Promptun Unsurları)

Açıklama: Kusursuz bir komutun 4 ana bileşenden oluştuğunu öğreten derstir:

Rol (Persona): AI kim olacak?
Bağlam/İçerik: Durum ne?
Görev: Tam olarak ne yapacak?
Kısıtlamalar/Biçim: Çıktı nasıl görünecek? [3, 5]

Uygulama:

Prompt: "[Rol] Sen bir diyetisyensin. [Bağlam] Benim laktoz alerjim var. [Görev] Bana 3 günlük bir kahvaltı listesi hazırla. [Kısıtlama] Her kahvaltı en fazla 4 malzemeli olsun ve liste tablo halinde sunulsun."

[4, 6, 8]

57. Prompt types for AI language models can generally be categorized as follows (Yapay zeka dil modelleri için prompt türleri genel olarak şu şekilde kategorize edilebilir)

Açıklama: Bilgi isteme, yaratıcı yazım, mantıksal akıl yürütme ve komut tabanlı yönlendirme gibi kullanım amacına göre değişen prompt türlerinin sınıflandırılmasıdır. [5, 7]

58. Types of prompts and real world responses! (Prompt Türleri ve Gerçek Dünyadaki Yanıtları!)

Açıklama: Bir önceki maddede öğrenilen kategorilerin, yapay zekaya yazıldığında gerçekte nasıl sonuçlar verdiğini canlı olarak gösteren ekran kayıtları veya örneklerdir.

59. Common Pitfalls and How to Avoid Them (Sık Yapılan Hatalar ve Bunlardan Kaçınma Yolları)

Açıklama: Yapay zekayı verimsiz kullananların düştüğü tuzaklar ve çözümleridir.
Örnek Hata: Çok genel sormak ("Bana iş fikirleri ver").
Çözüm: Spesifik ve daraltılmış sormak ("Sermayesiz, evden yapılabilecek, e-ticaret odaklı 3 iş fikri ver"). [5]

60. Basics of Prompt Design Test (Prompt Tasarımının Temelleri Testi)

Açıklama: İyi bir promptun unsurlarını ve sınırlarını doğru kavrayıp kavramadığınızı ölçen değerlendirmedir.

61. Section Intro (3. Bölüm Girişi)

Açıklama: Orta düzey prompt mühendisliği tekniklerine (Mantık yürütme, bağlam yönetimi, rol yapma) geçiş dersidir.

62. Prompt Tuning and Refinement: Iterative Testing and Adjustment (Prompt Ayarlama ve İyileştirme: Döngüsel Test Etme ve Düzeltme)

Açıklama: İlk denemede kusursuz sonucu beklemeyip, gelen cevaba göre promptu adım adım geliştirme sürecidir.
Örnek: Önce bir makale yazdırmak, sonra "paragrafları kısalt" demek, daha sonra "tonunu daha profesyonel yap" diyerek çıktıyı rafine etmek. [5, 7, 9]

63. Analyzing Model Responses (Model Yanıtlarını Analiz Etme)

Açıklama: Yapay zekanın verdiği cevabın doğruluğunu, tonunu ve kısıtlamalara uyup uymadığını eleştirel bir gözle inceleme becerisidir. [5, 9]

64. Contextual and Conditional Prompting: Setting Contexts (Bağlamsal ve Koşullu Prompting: Bağlam Belirleme)

Açıklama: Yapay zekaya konunun sınırlarını çizerek, konudan sapmamasını sağlama tekniğidir.
Örnek: "Bana Python anlat ama benim hiç kodlama bilmediğimi varsayarak anlat" demek bağlam kurmaktır. [5]

65. Conditional Statements and Logic in Prompt Engineering (Prompt Mühendisliğinde Koşullu İfadeler ve Mantık)

Açıklama: Promptun içine "Eğer şöyleyse böyle yap, değilse şunu yap" şeklinde mantıksal kurallar yerleştirmektir.
Uygulama:

Prompt: "Müşteri mesajına cevap yaz. Eğer müşteri kızgınsa konuşmaya özür dileyerek başla. Eğer müşteri mutluysa ona teşekkür et ve yeni indirim kuponu tanımla."

[6]

66. Creative and Complex Prompting: Storytelling, Role-Playing, & Scenario Building (Yaratıcı ve Karmaşık Prompting: Hikaye Anlatımı, Rol Yapma ve Senaryo Oluşturma)

Açıklama: Yapay zekayı bir tiyatro sahnesine veya simülasyona sokarak kurgusal üretimler yaptırma sanatıdır.
Örnek: "Sen 1800'lerde yaşayan bir korsansın, geminde isyan çıkmak üzere. Benimle o dönemin diliyle konuş ve bir hikaye başlat." [2]

67. Recap of Section 3 Intermediate Prompt Engineering Techniques (3. Bölüm Özeti: Orta Düzey Prompt Mühendisliği Teknikleri)

Açıklama: Koşullu ifadeler, bağlam yönetimi ve yaratıcı komut tekniklerinin toplu bir hatırlatmasıdır.

68. Section 3 Quiz: "Intermediate Prompt Engineering Techniques" (3. Bölüm Testi: "Orta Düzey Prompt Mühendisliği Teknikleri")

Açıklama: Koşullu mantık ve rol yapma komutlarının işleyişini sorgulayan ara sınavdır.

69. Section Intro (4. Bölüm Girişi)

Açıklama: Kursun en can alıcı noktası olan ileri düzey kalıplara (Patterns) ve endüstriyel tekniklere giriş konuşmasıdır.

70. Advanced Techniques in Prompt Engineering: Chain of Thought Prompting (Prompt Mühendisliğinde İleri Teknikler: Düşünce Zinciri Prompting)

Açıklama: Yapay zekanın doğrudan tek bir cevap fırlatması yerine, cevaba ulaşırken adım adım düşünmesini ve mantık yürütmesini isteme tekniğidir. Karmaşık matematik ve mantık sorularında hatayı sıfıra indirir.
Örnek: "Ali'nin 5 elması vardı. 2'sini yedi, marketten 3 katı kadar daha aldı..." sorusunu sorup sonuna "Adım adım düşünerek çöz" eklemek.
Uygulama:

Prompt: "Bir şirketin bütçesini optimize etmek istiyoruz. Gelirler %10 azaldı, reklam giderleri %20 arttı. Ne yapmalıyız? Cevap vermeden önce adım adım düşünce zincirini (Chain of Thought) yaz, her adımı gerekçelendir."

[5, 7]

71. Zero-shot and Few-shot Learning (Sıfır Örnekli ve Birkaç Örnekli Öğrenme - İleri Seviye)

Açıklama: Bu kavramların büyük projelerde, şablon çıktılar alırken nasıl birer kurtarıcı olduğunun ileri düzey uygulamalarla pekiştirilmesidir [1.25]. [7]

72. Ethical Considerations and Best Practices: Bias and Fairness (Etik Unsurlar ve En İyi Uygulamalar: Yanlılık ve Adalet)

Açıklama: Yapay zekanın ırkçı, cinsiyetçi veya ayrımcı çıktılar üretmesini engellemek için prompt yazarken tarafsızlık kısıtlamaları ekleme eğitimidir.
Uygulama: Yapay zekadan bir işe alım kriteri yazmasını isterken "yaş, cinsiyet veya etnik köken gözetmeksizin tamamen yeteneğe dayalı adil bir metin oluştur" kısıtı koymak. [5]

73. Privacy and Data Security (Gizlilik ve Veri Güvenliği)

Açıklama: Yapay zekaya asla yazılmaması gereken kritik bilgilerin (şirket sırları, kredi kartları, kişisel şifreler, TC kimlik noları) öğretildiği hayati derstir. Çünkü halka açık modeller bu verileri öğrenmek için kullanabilir.

74. Troubleshooting and Optimizing Prompts: Dealing with Ambiguity and Vagueness (Prompt Hatalarını Giderme ve Optimize Etme: Belirsizlik ve Muğlaklıkla Baş Etme)

Açıklama: Yapay zeka saçmaladığında veya ne dediğimizi anlamayıp alakasız bir cevap verdiğinde promptu nasıl tamir edeceğimizi gösteren hata ayıklama kılavuzudur.
Örnek: Çift anlamlı kelimeleri netleştirmek (Örn: "Yüz" derken sayı mı, insan yüzü permeasyonu mu yoksa yüzme eylemi mi olduğunu belirtmek). [5]

75. Maximizing Model Performance (Model Performansını En Üst Düzeye Çıkarma)

Açıklama: Modellerin kapasitesini sonuna kadar zorlamak için doğru kelime uzunluğu, net formatlar ve net ayırıcılar (üç tırnak """ veya işaretler ---) kullanma eğitimidir. [5, 6]

76. Prompt Patterns [Discover Over 10 Patterns with Practical Demonstrations] (Prompt Kalıpları: Pratik Gösterimlerle 10'dan Fazla Kalıbı Keşfedin)

Açıklama: Yazılım dünyasındaki hazır kod şablonları gibi, prompt mühendisliğinde de sorunları çözen 10 evrensel komut kalıbının genel haritasıdır. [2, 10]

77. Introducing new information to the LLM (LLM'e Yeni Bilgi Tanıtma)

Açıklama: Yapay zekanın eğitim verileri arasında olmayan güncel bir dökümanı, haberi veya şirket içi bilgiyi promptun içine besleyerek onun hakkında konuşmasını sağlama yöntemidir.
Uygulama: Bir makaleyi yapıştırıp, "Sadece yukarıdaki metne dayanarak bana şu sorunun cevabını ver..." demek. [5]

78. Managing Prompt Size (Prompt Boyutunu Yönetme)

Açıklama: Yapay zekanın bir defada okuyabileceği maksimum karakter/token sınırını aşmamak için uzun metinleri parçalara bölerek besleme stratejisidir.

79. Customizing Large Language Models with Root Prompts (Kök Promptlar ile Büyük Dil Modellerini Özelleştirme)

Açıklama: Sohbetin en başına yazılan ve tüm konuşma boyunca yapay zekanın karakterini, kurallarını belirleyen ana komuttur. Bir nevi "Sistem Talimatı" (System Prompt) işlevi görür. [5, 6, 8]

80. Practical Applications of Root Prompts (Kök Promptların Pratik Uygulamaları)

Açıklama: Kök promptların gerçek projelerde (örneğin bir müşteri temsilcisi botu yaparken) nasıl kullanıldığının gösterilmesidir.
Uygulama: Chatbot'un şirket dışına çıkmamasını sağlayan kök komut yazmak.

81. Let's go back to our custom root prompt and its use case (Özel kök promptumuza ve kullanım senaryosuna geri dönelim)

Açıklama: Eğitimde daha önce oluşturulan bir kök prompt şablonunun derinlemesine incelenerek çalışıp çalışmadığının test edilmesidir.

82. Enhancing Interactions with Question Refinement (Soru İyileştirme ile Etkileşimleri Geliştirme)

Açıklama: Question Refinement Pattern (Soru Rafine Etme Kalıbı): Yapay zekaya "Ben sana bir soru sorduğumda, bana doğrudan cevap verme; önce sorumu daha iyi hale getirecek daha kusursuz bir versiyonunu öner" talimatını verme kalıbıdır.
Uygulama:

Prompt: "Bundan sonra sana ne sorarsam sor, bana cevap vermeden önce sorumu daha profesyonel bir Prompt Mühendisi gözüyle yeniden tasarla ve daha iyi bir soru önerisi sun."

[2, 10, 11]

83. Applying the Pattern Across Different Contexts (Kalıbı Farklı Bağlamlarda Uygulama)

Açıklama: Soru iyileştirme veya kök prompt kalıplarını sadece yazılımda değil; pazarlama, tıp, hukuk gibi farklı sektörlere uyarlama dersidir. [12]

84. Understanding the Cognitive Verifier Pattern for Enhanced Problem-Solving (Gelişmiş Problem Çözme İçin Bilişsel Doğrulayıcı Kalıbını Anlamak)

Açıklama: Cognitive Verifier Pattern: Yapay zekanın karmaşık bir soru aldığında, ana cevabı vermeden önce kendi kendine alt sorular (sub-questions) üretip bunları yanıtlaması, ardından bu parçaları birleştirerek büyük resmi çözmesi yöntemidir.
Örnek: "Türkiye'de e-ticaret yapmalı mıyım?" sorusuna yapay zekanın önce "Kargo maliyetleri ne?", "Pazar doygunluğu nasıl?", "Vergi yükümlülükleri neler?" alt sorularını sorup kendi kendine cevaplamasıdır.
Uygulama:

Prompt: "Sana büyük bir soru sorduğumda, doğru sonuca ulaşmak için önce bilmen gereken 3 alt soruyu çıkar, bunları kendin yanıtla ve en son ana cevabımı oluştur."

[2, 13, 14, 15]

85. Cognitive Verifier Pattern Deepening the Interaction with Additional Scenario (Bilişsel Doğrulayıcı Kalıbı: Ek Senaryolarla Etkileşimi Derinleştirme)

Açıklama: Bu kalıbın finansal analiz veya yatırım kararları gibi çok riskli senaryolarda kullanılarak hata payının nasıl minimize edildiğinin gösterilmesidir. [16, 17]

86. Utilizing the Audience Persona Pattern in Large Language Models (Büyük Dil Modellerinde Hedef Kitle Personası Kalıbını Kullanma)

Açıklama: Audience Persona Pattern: Yapay zekanın üreteceği metni okuyacak olan kitlenin özelliklerini tanımlama kalıbıdır. Çıktı tamamen o kitlenin seviyesine göre ayarlanır.
Örnek: Kuantum fiziğini "5 yaşındaki bir çocuğa anlatır gibi" veya "üniversite profesörüne anlatır gibi" kurgulamak.
Uygulama:

Prompt: "Bana yapay zekanın ne olduğunu anlat. Hedef kitlem: Teknolojiyle arası hiç iyi olmayan 70 yaşındaki nineler."

[2, 8, 12]

87. Flipped Interaction Pattern with Large Language Models: A Detailed Guide (Büyük Dil Modelleri ile Ters Yüz Edilmiş Etkileşim Kalıbı: Detaylı Bir Kılavuz)

Açıklama: Flipped Interaction Pattern: Normal etkileşimi tamamen tersine çevirirsiniz. Siz yapay zekaya soru sormazsınız; yapay zeka amaca ulaşana kadar size tek tek soru sorar.
Örnek: Bir web sitesi kurmak istiyorsunuz ama neye ihtiyacınız olduğunu bilmiyorsunuz. Yapay zekaya "Bana sorular sor" dersiniz.
Uygulama:

Prompt: "Bana uygun bir bilgisayar seçmeni istiyorum. Bana yeterli bilgiye ulaşana kadar her seferinde sadece tek bir soru sor. Ben cevapladıkça yeni soruyu sor. Bilgi tamamlanınca bana bilgisayar öner."

[16, 17, 18, 19, 20]

88. Teaching Large Language Models with Few-Shot Examples (Birkaç Örnekli Şablonlarla Büyük Dil Modellerine Öğretme)

Açıklama: Yapay zekanın bilmediği yepyeni kurgusal bir dili veya şirket içi özel kodlama kurallarını ona örneklerle (Few-Shot) saniyeler içinde öğretme metodudur [1.25]. [5]

89. The Expansive Possibilities of Few-Shot Prompting in Complex Planning Tasks (Karmaşık Planlama Görevlerinde Few-Shot Prompting'in Geniş Olanakları)

Açıklama: Çok şehirli seyahat rotaları veya 6 aylık fabrika üretim planı gibi karmaşık işlerde, yapay zekaya geçmişte başarıyla tamamlanmış plan şablonlarını göstererek yeni plan yaptırma tekniğidir. [21, 22]

90. Applying Few-Shot Prompting Across Various Industries (Few-Shot Prompting'in Çeşitli Sektörlerde Uygulanması)

Açıklama: Tıp (hasta raporu yazma), finans (kredi risk raporu oluşturma) ve eğitim alanında örnekli promptların kullanımıdır. [12]

91. Summary: Few-Shot Prompting and Its Applications (Özet: Few-Shot Prompting ve Uygulamaları)

Açıklama: Birkaç örnek vermenin, yapay zekanın çıktısını kontrol etmedeki en güvenli yol olduğunu anlatan ara bölümdür. [5, 22]

92. Detailed Steps in Few-Shot Prompting: Enhancing Model Performance (Few-Shot Prompting'de Detaylı Adımlar: Model Performansını Artırma)

Açıklama: Örneklerin hangi sırayla dizileceğini, aralara hangi etiketlerin konulacağını gösteren teknik detaylardır. [5]

93. Identifying and Correcting Mistakes in Few-Shot Prompting (Few-Shot Prompting'deki Hataları Belirleme ve Düzeltme)

Açıklama: Örnek verirken yapılan hataları (örneğin çelişkili örnekler vermek) tespit edip düzeltme eğitimidir. [5]

94. The Importance of Chain of Thought Prompting in Large Language Models (Büyük Dil Modellerinde Düşünce Zinciri Prompting'in Önemi)

Açıklama: Düşünce zincirinin (Chain of Thought), modellerin mantık yürütme yeteneğini neden katbekat artırdığına dair bilimsel ve pratik gerekçelerdir. [7]

95. Chain of thought prompting [Real-World Applications] (Düşünce Zinciri Prompting: Gerçek Dünya Uygulamaları)

Açıklama: Bir yazılım mimarisindeki hataları (bug) bulurken ya da karmaşık bir lojistik rotasını hesaplarken bu kalıbın nasıl uygulandığının pratik gösterimidir. [7, 23]

96. The Power of External Tools and React Prompting in Large Language Models (Büyük Dil Modellerinde Harici Araçların Gücü ve ReAct Prompting)

Açıklama: ReAct (Reason + Act): Yapay zekanın hem mantık yürütüp (akıl süzgecinden geçirip) hem de bir eyleme geçerek harici araçları (Google arama, hesap makinesi, kod çalıştırıcı) kullanması yöntemidir.
Örnek: "Bugünkü dolar kuru ile 500 dolar kaç TL?" sorusunda yapay zekanın önce internete bağlanıp kuru öğrenmesi, sonra hesap makinesiyle çarpması ReAct mekanizmasıdır. [6]

97. Evaluating and Maintaining Prompts in Rapidly Evolving Large Language Models (Hızla Gelişen Büyük Dil Modellerinde Promptları Değerlendirme ve Sürdürme)

Açıklama: Modeller güncellendikçe (Örn: GPT-4'ten GPT-5'e geçildiğinde) eski promptların çalışıp çalışmadığını test etme ve prompt kütüphanesini güncel tutma stratejisidir. [5, 6]

98. Mastering AI Prompts: Collaborating with AI Experts to Solve Real-World Problems (Yapay Zeka Promptlarında Ustalaşmak: Gerçek Dünya Sorunlarını Çözmek İçin Yapay Zeka Uzmanlarıyla İş Birliği Yapmak)

Açıklama: Sektördeki büyük ölçekli krizleri çözmek için birden fazla uzman yapay zeka ajanını birbiriyle konuşturarak kolektif akıl üretme dersidir.

99. The Game Play Pattern (Oyun Oynama Kalıbı)

Açıklama: Game Play Pattern: Yapay zekayı belirli kuralları, kazanma ve kaybetme şartları olan interaktif bir oyun alanı lideri veya oyun arkadaşı yapma kalıbıdır.
Uygulama:

Prompt: "Seninle bir mülakat oyunu oynayacağız. Sen Apple şirketinin insan kaynakları yöneticisisin. Bana sırayla sorular soracaksın, ben cevaplayacağım. 5 sorunun sonunda benim işe alınıp alınmadığımı kurallara göre belirle."

[2, 10, 24, 25]

100. Format of the Game Play Pattern (Oyun Oynama Kalıbının Formatı)

Açıklama: Bu kalıbın iskelet yapısıdır: Oyunun adı, kurallar, oyuncunun rolleri ve oyunun nasıl başlayacağı net olarak tanımlanır. [24]

101. Template Pattern (Şablon Kalıbı)

Açıklama: Template Pattern: Yapay zekanın üreteceği çıktıyı sizin kelimesi kelimesine belirlediğiniz, boşluk doldurmalı bir şablon taslağına zorlama kalıbıdır. [2, 7, 10]
Uygulama:

Prompt: *"Sana vereceğim konuyu şu şablona göre yaz:
[BAŞLIK]

o Giriş Nedeni: (Buraya yaz)

o Çözüm Önerisi: (Buraya yaz)
[SONUÇ CÜMLESİ]"* [5, 7]

102. Format of the Template Pattern (Şablon Kalıbının Formatı)

Açıklama: Yapay zekanın şablon dışına çıkmasını kesin olarak engelleyen noktalı virgüller ve özel parantez yapıları gibi format kurallarıdır. [5]

103. Meta Language Pattern (Meta Dil Kalıbı)

Açıklama: Meta Language Pattern: Yapay zekaya kendi aranızda konuşmak için yepyeni, kısaltılmış bir dil veya semboller zinciri öğretme kalıbıdır. Büyük komutları tek bir harfe sıkıştırırsınız.
Örnek: Yapay zekaya "Bundan sonra ne zaman [X] yazarsam, bana hemen python dilinde bir fonksiyon yaz anlamına gelecek" komutunu öğretmek.
Uygulama:

Prompt: "Bundan sonra aramızdaki meta dil şu şekildedir: '/ozet' yazdığımda metni 3 maddeye indirge, '/ing' yazdığımda metni İngilizceye çevir. Anladıysan sadece 'Hazırım' de."

[10]

104. Format of the Meta Language Pattern (Meta Dil Kalıbının Formatı)

Açıklama: Tanımlamaların, sembollerin ve bunların karşılıklarının net bir sözlük gibi yapay zekaya dikte edilme formatıdır. [5]

105. Recipe Pattern (Tarif Kalıbı)

Açıklama: Recipe Pattern: Bir amaca ulaşmak için hangi adımların sırasıyla atılması gerektiğini gösteren adım adım yönerge (yemek tarifi gibi) çıkarma kalıbıdır. Çıktıda malzemeler ve işlem sırası nettir.
Örnek: Bir YouTube videosu çekmek için aşama aşama yapılması gerekenlerin listesi.
Uygulama:

Prompt: "Kendi podcast kanalımı kurmak istiyorum. Bana gereken donanımları 'malzemeler' olarak yaz, ardından ilk bölümü yayınlayana kadar yapmam gerekenleri adım adım bir yemek tarifi düzeninde listele."

[2, 10, 21]

106. Format of the Recipe Pattern (Tarif Kalıbının Formatı)

Açıklama: Tarif kalıbının çıktısının okunaklı, numaralandırılmış ve aşamalı olması için kullanılan markdown format kurallarıdır. [5]

107. Alternative Approaches Pattern (Alternatif Yaklaşımlar Kalıbı)

Açıklama: Alternative Approaches Pattern: Yapay zekanın bir soruna tek bir çözüm sunması yerine, o sorunu çözebilecek birbirinden tamamen farklı alternatif yolları ve bunların artı/eksi yönlerini sunmasını isteyen kalıptır.
Uygulama:

Prompt: "Şirket içi iletişimi hızlandırmak istiyoruz. Bize tek bir araç önerme; bunun yerine kullanabileceğimiz 3 alternatif yaklaşımı (Örn: Slack, E-posta kültürü, Discord) avantaj ve dezavantajlarıyla birlikte sun."

[10]

108. Format for the Alternative Approaches Pattern (Alternatif Yaklaşımlar Kalıbının Formatı)

Açıklama: Alternatif yolların birbiriyle kolayca kıyaslanabilmesi için genellikle yan yana veya alt alta listelenme düzenidir. [6]

109. Iterative Refinement Pattern (Döngüsel İyileştirme Kalıbı)

Açıklama: Iterative Refinement Pattern: Yapay zekaya bir işi bitirdikten sonra kendi kendini acımasızca eleştirmesini ve hatasını bularak daha iyi bir sonraki sürümü üretmesini söyleyen akıllı kalıptır.
Örnek: Yapay zekaya bir reklam metni yazdırıp, "Şimdi bu metni bir reklam gurusu gibi eleştir ve bulduğun eksiklere göre metni baştan yaz" demek.
Uygulama:

Prompt: "Aşağıdaki blog yazısını yaz. Yazdıktan sonra, bu yazının neden sıkıcı olduğunu gösteren 3 nedeni kendin bul ve bu hataları düzelterek yazıyı mükemmel hale getir."

[7, 9]

110. Format of the Iterative Refinement Pattern (Döngüsel İyileştirme Kalıbının Formatı)

Açıklama: Eleştiri aşaması ve revizyon aşamasının hangi komut döngüsü ile işletileceğini gösteren kalıp formatıdır. [7, 9]

111. Constraints-Based Pattern (Kısıtlamalara Dayalı Kalıp)

Açıklama: Constraints-Based Pattern: Yapay zekanın hareket alanını katı kurallarla daraltma yöntemidir. Yapay zekanın "asla yapmaması gerekenler" veya "uymak zorunda olduğu sınırlar" net olarak çizilir.
Örnek: "Bana bir hikaye yaz ama içinde hiç 've' kelimesi geçmesin."
Uygulama:

Prompt: "Şirketimiz için bir slogan bul. Kısıtlamalar: Kesinlikle İngilizce kelime içermesin, en fazla 3 kelimeden oluşsun ve içinde 'güven' kelimesi geçmesin."

[3, 5, 7]

112. Format of the Constraints-Based Pattern (Kısıtlamalara Dayalı Kalıbın Formatı)

Açıklama: Kısıtlamaların yapay zeka tarafından gözden kaçırılmaması için listenin en altına kalın harflerle veya listeler halinde eklenme biçimidir. [5]

113. Project Outline: AI-Powered Study Buddy (Proje Taslağı: Yapay Zeka Destekli Ders Çalışma Arkadaşı)

Açıklama: Öğrenilen tüm kalıpların (Persona, Constraints, Flipped Interaction vb.) birleştirilerek öğrenciler için harika bir sanal öğretmen/ders arkadaşı uygulaması geliştirilmesinin teorik planıdır. [2]

114. Testing of the Project (Projenin Test Edilmesi)

Açıklama: Geliştirilen "Ders Çalışma Arkadaşı" botunun gerçek öğrencilerle simüle edilerek, hatalı cevaplar verip vermediğinin, kısıtlamalardan dışarı çıkıp çıkmadığının canlı olarak test edilmesi ve kursun pratik kapanışıdır.

Harika bir fikir! Prompt mühendisliğinin gücünü tam olarak görebilmemiz için, günlük hayattan iş dünyasına, eğitimden kişisel gelişime kadar uzanan 5 farklı senaryo hazırladım.

Her senaryoda kurs müfredatında yer alan ileri düzey prompt kalıplarını kullandım. Aşağıdaki promptları doğrudan ChatGPT, Gemini veya Claude gibi bir yapay zeka modeline kopyalayıp yapıştırarak hemen canlı olarak deneyebilirsiniz.

1. Senaryo: Girişimcilik & Finans (İş Dünyası)

Amaç: Yeni bir iş fikri kurarken riskleri görmek ve bütçe planlamak.
Kullanılan Kalıplar: Persona, Alternative Approaches (Alternatif Yaklaşımlar) ve Cognitive Verifier (Bilişsel Doğrulayıcı).

Canlı Deneme Promptu:
"Sen 20 yıllık deneyimli bir risk analisti ve melek yatırımcısın (Persona). Ben üniversite kampüslerine yakın yerlerde 'mobil kahve aracı' açmak isteyen bir girişimciyim. Bu iş fikrimi hayata geçirmek için bana tek bir yol sunma. Bunun yerine sermaye yönetimi, lojistik ve operasyon açısından uygulayabileceğim 3 farklı alternatif yaklaşım sun (Alternative Approaches). Ayrıca, bana bu yaklaşımları listelemeden önce, konuyu daha derinlemesine analiz edebilmek için kendi kendine 3 kritik alt soru sor, bu soruları yine kendin cevapla ve ana yanıtını bu cevapların üzerine inşa et (Cognitive Verifier). Çıktıyı maddeler halinde anlaşılır kıl."

2. Senaryo: Eğitim & Dil Öğrenimi (Kişisel Gelişim)

Amaç: Sıkıcı ezberler yerine yapay zekanın bizi test ederek dil öğretmesi.
Kullanılan Kalıplar: Flipped Interaction (Ters Yüz Edilmiş Etkileşim) ve Game Play (Oyun Oynama).

Canlı Deneme Promptu:
"Seninle interaktif bir İngilizce iş mülakatı oyunu oynayacağız (Game Play). Kurallarımız şu şekilde: Rolleri tersine çeviriyoruz, bana doğrudan tavsiye veya bilgi vermiyorsun. Sen Apple şirketinin İnsan Kaynakları yöneticisisin ve beni mülakata alıyorsun. Amacına ulaşana ve benim seviyemi ölçene kadar bana her seferinde sadece tek bir İngilizce soru soracaksın (Flipped Interaction). Ben Türkçe veya İngilizce cevap vereceğim. Ben cevap vermeden yeni soruya geçme. 5 sorunun sonunda mülakat sonucumu, güçlü ve zayıf yönlerimi bir tablo halinde bana raporla. İlk soruyu sorarak oyunu başlat."

3. Senaryo: Dijital Pazarlama & Sosyal Medya (İçerik Üretimi)

Amaç: Sosyal medya için tam istediğimiz formatta, sınırları net çizilmiş içerikler üretmek.
Kullanılan Kalıplar: Template (Şablon) ve Constraints-Based (Kısıtlamalara Dayalı).

Canlı Deneme Promptu:
"Yeni çıkan, tamamen organik ve bitkisel bir şampuan markası için Instagram gönderisi hazırlayacaksın. Senden ricam, yazacağın metni kelimesi kelimesine şu şablona uydurmandır (Template):

[DİKKAT ÇEKİCİ BAŞLIK]

· Sorun Nedir?: (Buraya saç sorununu yaz)

· Doğal Çözümümüz: (Buraya ürünün faydasını yaz)
[HAREKETE GEÇİRİCİ MESAJ - CALL TO ACTION]

Uyman gereken katı kısıtlamalar şunlardır (Constraints-Based): Kesinlikle İngilizce veya yabancı kelime kullanma. 'Kimyasal', 'mucize' ve 'ucuz' kelimelerini asla metne dahil etme. Toplam metin 30 kelimeyi geçmesin."

4. Senaryo: Yazılım & Kodlama (Teknoloji)

Amaç: Kod yazdırırken yapay zekanın hata yapmasını engellemek ve en kaliteli kodu almak.
Kullanılan Kalıplar: Chain of Thought (Düşünce Zinciri) ve Iterative Refinement (Döngüsel İyileştirme).

Canlı Deneme Promptu:
"Bir e-ticaret sitesi için kullanıcıların sepetindeki ürünlerin toplam fiyatını hesaplayan, eğer sepet 500 TL üzeriyse %10 indirim uygulayan ve kargo ücretini (50 TL) sıfırlayan bir Python fonksiyonu yazmanı istiyorum. Kodu doğrudan bana verme. Önce arkasındaki mantığı, hangi adımları atacağını adım adım düşünce zinciriyle (Chain of Thought) açıklayarak yaz. Kodu yazdıktan sonra, bu yazdığın kodu bir baş yazılım mimarı gözüyle acımasızca eleştir; performans veya güvenlik açığı olabilecek 2 noktayı bul ve bu eleştirilerine dayanarak kodun en kusursuz son halini yeniden üret (Iterative Refinement)."

5. Senaryo: Günlük Hayat & Zaman Yönetimi (Üretkenlik)

Amaç: Günlük iş yoğunluğu arasında kaybolmadan mantıklı bir planlama yapmak.
Kullanılan Kalıplar: Audience Persona (Hedef Kitle) ve Recipe (Tarif).

Canlı Deneme Promptu:
"Ben hem tam zamanlı bir işte çalışan hem de akşamları uzaktan üniversite okuyan, zamanı son derece kısıtlı ve sürekli dikkat dağınıklığı yaşayan biriyim (Audience Persona). Bana haftalık ev temizliği, yemek hazırlığı ve ders çalışma rutinimi yönetebilmem için bir hayat planı yap. Bu planı sıradan bir takvim gibi verme; bir yemek tarifi düzeninde 'gerekli malzemeler/araçlar' (örneğin odaklanma uygulamaları, saklama kapları vb.) ve ardından gün gün uygulanacak 'yapılış aşamaları' şeklinde bir rehber olarak hazırla (Recipe)."

Giriş belgenizde yer alan Complete ChatGPT Prompt Engineering Course (Eksiksiz ChatGPT Yapay Zekâ Komut Mühendisliği Kursu) müfredatını sizler için satır satır, tüm detaylarıyla, örnekler ve uygulamalar ekleyerek derinlemesine inceledim. Dakika/saniye bilgilerini kaldırarak tamamen konunun özüne ve pratik hayattaki karşılıklarına odaklandım.

Öncelikle en baştaki "Öğrenecekleriniz" başlığı altındaki maddelerin ne anlama geldiğini açıklayarak başlayalım.

"Öğrenecekleriniz" Bölümünün Açıklaması

Bu kursta kazanacağınız temel beceriler yapay zekâyı sadece bir chat aracı olarak kullanmanın ötesine geçmenizi sağlar:

Sıfırdan en ileri düzey komutları (prompt) yazma ve geliştirme: Yapay zekâya neyi, nasıl yaptıracağınızı en doğru kelimelerle anlatmayı öğreneceksiniz. Çıktıların kalitesini tesadüfe bırakmayacaksınız.
15'ten fazla gerçek dünya iş sürecini ChatGPT ile otomatikleştirme: Rutin ofis işlerini, e-posta yanıtlamalarını, veri analizlerini yapay zekâya devrederek zamandan tasarruf etmeyi kavrayacaksınız.
OpenAI Playground uzmanlığı ve en iyi komut teknikleri: ChatGPT'nin arka planındaki "laboratuvar" panelini (Playground) kullanmayı ve yapay zekânın yaratıcılık ayarlarıyla oynamayı öğreneceksiniz.
OpenAI API ile iş çözümleri ve web uygulamaları geliştirme: Yapay zekâ zekasını kendi yazdığınız yazılımlara, web sitelerine veya şirket içi araçlara entegre etmeyi deneyimleyeceksiniz.

BÖLÜM 1: Giriş ve Yapay Zekâ Temelleri

Komut Mühendisliği (Prompt Engineering) Nedir?

Komut Mühendisliği, büyük dil modellerinden (LLM) en doğru, en verimli ve en tutarlı yanıtları almak için girdileri (soruları ve talimatları) tasarlama ve optimize etme sanatıdır. Yapay zekâya doğrudan "Bana bir yazı yaz" demek yerine, ona bir rol, bağlam ve format vererek kusursuz çıktılar üretmesini sağlama sürecidir.

ChatGPT ve Playground Hesap Kurulumu

ChatGPT: Son kullanıcı için tasarlanmış, sohbet odaklı arayüzdür.
OpenAI Playground: Geliştiriciler için tasarlanmış, modelin tüm teknik ayarlarına (sıcaklık, token sınırı, sistem mesajları) müdahale edilebilen gelişmiş test alanıdır.

Dil Modeli Fısıldayıcısı (Language Model Whisperer) Olmak

Yapay zekanın çalışma mantığını bilerek, onunla bir insan gibi değil, bir olasılık hesaplama motoru gibi konuşabilme becerisidir. Modeli manipüle etmeden, doğru kelime kalıplarıyla tam olarak istenen noktaya odaklamaktır.

Gizliliği Korumak (Protect your Privacy)

ChatGPT gibi modellere hassas şirket verileri, kişisel kimlik bilgileri veya müşteri şifreleri girilmemelidir. OpenAI, bu verileri modellerini eğitmek için kullanabilir. Ayarlardan "Sohbet Geçmişi ve Eğitim" kapatılmalı veya API kullanılmalıdır (API verileri eğitimde kullanılmaz).

Yapay Zekânın 3 Türünü Anlamak

Yapay Dar Zekâ (ANI - Artificial Narrow Intelligence): Sadece tek bir görevi çok iyi yapar. (Örn: Sadece satranç oynayan bilgisayar veya ChatGPT).
Yapay Genel Zekâ (AGI - Artificial General Intelligence): İnsan beyninin yapabildiği her türlü zihinsel görevi yapabilen, akıl yürüten yapay zekâ. (Henüz tam olarak ulaşılamadı).
Yapay Süper Zekâ (ASI - Artificial Super Intelligence): İnsanlığın toplam zekasından her alanda kat kat üstün olan teorik yapay zekâ seviyesi.

Yapay Zekâ ile Aynı Dili Konuşmak & Yapay Zekâ Dil Modelleri Nedir?

Dil modelleri, devasa metin verileriyle eğitilen ve bir kelimeden sonra gelmesi en muhtemel diğer kelimeyi tahmin eden matematiksel sistemlerdir. Bizimle mantık kurarak değil, istatistiksel olasılık hesaplarıyla konuşurlar.

Özetle GPT (GPT in a Nutshell)

GPT, Generative Pre-trained Transformer ifadesinin kısaltmasıdır.

Generative: Yeni metin/içerik üretebilir.
Pre-trained: İnternetteki milyarlarca veriyle önceden eğitilmiştir.
Transformer: Cümle içindeki kelimelerin birbiriyle olan ilişkisini ve önem sırasını "dikkat (attention)" mekanizmasıyla anlayan modern sinir ağı mimarisidir.

Kısa Vadeli ve Uzun Vadeli Bellek Yönetimi (Memory Management)

Kısa Vadeli Bellek (Bağlam Penceresi - Context Window): Yapay zekânın o anki sohbet içinde hatırlayabildiği maksimum kelime/token miktarıdır. Sohbet çok uzarsa, en baştaki konuşmaları unutmaya başlar.
Uzun Vadeli Bellek: Custom GPT'lerde yüklenen kalıcı dosyalar (Knowledge) veya ChatGPT'nin profilinizde sakladığı kalıcı kişisel bilgilerinizdir.

Yapay Zekâda Öğrenme Yaklaşımları

Modeller iki ana aşamada öğrenir:

Ön Eğitim (Pre-training): İnternetteki ham metinleri okuyarak dünyayı ve dil kurallarını öğrenme.
İnce Ayar (Fine-Tuning / RLHF): İnsan geri bildirimleriyle modelin kibar, faydalı ve güvenli yanıtlar vermesini sağlama süreci.

BÖLÜM 2: Komut Mühendisliği Teknikleri ve Stratejileri

Komut Türleri (Types of Prompts)

Komutlar doğrudan emirlerden, çok adımlı görevlere kadar çeşitlilik gösterir. Yapay zekaya verilecek görevin karmaşıklığına göre komut yapısı değişir.

Sorgu Ayrıştırma (Query Decomposition)

Karmaşık ve büyük bir görevi, yapay zekanın hata yapmasını önlemek için alt parçalara bölme işlemidir.

Uygulama: Yapay zekaya tek seferde "Bana bir e-ticaret sitesi kur ve kodlarını yaz" demek yerine;

"Önce veritabanı şemasını tasarla."
"Şimdi bu şemaya uygun API uçlarını yaz."
"Şimdi arayüzü kodla." adımlarıyla ilerlemek.

Komut Mühendisliğinde Karar Verme (Decision Making)

Görevin yapısına göre hangi tekniğin (Zero-shot mu, Few-shot mu yoksa Chain of Thought mu) seçileceğine karar verme sürecidir.

Rol Tabanlı Komut İstemi (Role-Based Prompting)

Yapay zekâya spesifik bir uzmanlık kimliği vererek, o uzmanın bakış açısıyla ve jargonuyla cevap vermesini sağlamaktır.

Örnek: "Sen 20 yıllık bir kıdemli yazılım mimarısın. Aşağıdaki kodu güvenlik açıkları açısından incele."

Anlamsal Bütünlüğü Sağlamak (Ensuring Semantic Coherence)

Üretilen uzun metinlerin baştan sona aynı tonu, mantığı ve stili korumasını sağlama tekniğidir. Araya zıt komutlar sokmayarak modelin kafasının karışması engellenir.

Yanıt Mühendisliği (Answer Engineering)

Yapay zekânın cevabı hangi formatta (JSON, Markdown tablo, CSV, kod bloğu) vereceğini kesin olarak belirleme sürecidir.

Örnek: "Çıktıyı sadece geçerli bir JSON formatında ver, açıklama ekleme."

LLM'lerin Tuzakları ve Sınırları ile Başa Çıkma

Yapay zekâ güncel bilgileri bilmeyebilir, mantık hataları yapabilir. Bu sınırları aşmak için net kısıtlamalar koyulur: "Bilmediğin konular için tahmin yürütme, bilmiyorum de."

Fiyatlandırma ve Tokenların Rolü (Pricing and Tokens)

Yapay zekâ kelimeleri değil, "token" adı verilen harf/kelime öbeklerini okur. Yaklaşık 4 karakter 1 token eder. API kullanırken hem gönderdiğiniz komutun (input) hem de aldığınız yanıtın (output) token miktarına göre ödeme yaparsınız. [1, 2]

GPT-4 ile Görsel Üretme ve Analiz Etme (Multimodal)

Çoklu modlu (Multimodal) çalışma yeteneğidir. GPT-4 hem görselleri inceleyip anlamlandırabilir (Örn: Bir arıza fotoğrafına bakıp sorunu çözme) hem de DALL-E aracılığıyla görsel üretebilir.

BÖLÜM 3: Hiperparametreler ve Gelişmiş Playground Ayarları

OpenAI Playground üzerinde modelin davranışını değiştiren teknik ayarlardır:

Hiperparametre	Ne İşe Yarar?	Düşük Değerde Ne Olur?	Yüksek Değerde Ne Olur?
Temperature (Sıcaklık)	Yaratıcılık ve rastgelliği kontrol eder.	0.0: Tamamen tutarlı, odaklı ve aynı cevabı verir (Kodlama/Matematik için ideal).	1.0+: Çok yaratıcı, beklenmedik kelimeler seçer (Hikaye yazımı için ideal).
Top P (Nucleus Sampling)	Havuzdaki kelimelerin olasılık yüzdesini sınırlar.	0.1: Sadece en yüksek olasılıklı %10'luk kelime grubundan seçim yapar (Çok dar ve garantici).	1.0: Tüm kelime havuzunu değerlendirmeye alır (Geniş kelime dağarcığı).
Max Length (Maksimum Uzunluk)	Modelin üretebileceği maksimum token (kelime öbeği) sınırıdır.	Yanıt yarıda kesilebilir.	Model çok uzun ve detaylı yazabilir (Maliyet artar).
Frequency Penalty	Bir kelimenin metinde kaç kez geçtiğine bakarak onu cezalandırır.	Aynı kelimeleri sık sık tekrar eder.	Model sürekli farklı kelimeler arar, kelime tekrarlarını tamamen keser.
Presence Penalty	Bir kelimenin metinde en az bir kez var olup olmadığına bakar.	Aynı konu etrafında dönüp durur.	Modele tamamen yeni konulara ve fikirlere geçme cesareti verir.

Mode ve Model Seçimi: Playground'da "Chat" veya "Complete" modları seçilir. Göreve göre hızlı ve ucuz model (GPT-3.5/GPT-4o-mini) veya güçlü model (GPT-4o) tercih edilir.
Token Olasılıklarını Kullanmak (Token Probabilities): Yapay zekanın bir kelimeden sonra hangi kelimeleri ne kadarlık bir yüzdeyle düşündüğünü renk kodlarıyla görmemizi sağlar.
"Best Of" Özelliği: Arka planda birden fazla yanıt üretip en yüksek puan alanı ekrana getirme ayarıdır.
Başlangıç ve Yeniden Başlatma Metni Enjekte Etme (Inject Start/Restart Text): Kullanıcı ve yapay zekâ repliklerinin başına otomatik olarak "Cevap:" veya "Soru:" gibi etiketler ekleyerek formatı korur.

BÖLÜM 4: Shot Prompting Teknikleri (Örneklendirme)

Yapay zekaya örnek verme sayımıza göre değişen temel yöntemlerdir:

1. Zero-Shot Prompting (Sıfır Örnekli Komut)

Yapay zekaya hiç örnek vermeden, doğrudan görevi yapmasını söylemektir. [3, 4]

Örnek: "Aşağıdaki müşteri yorumunun duygusunu saptar: 'Ürün elime çok geç ulaştı ve kutusu yırtıktı.'"

2. One-Shot Prompting (Tek Örnekli Komut)

Yapay zekaya ne istediğimizi gösteren tam bir adet örnek senaryo eklemektir. [3, 4]

Örnek:

· Girdi: "Harika bir telefon, çok beğendim." -> Çıktı: [POZİTİF]

· Girdi: "Kargolama berbattı, iade ettim." -> Çıktı:

3. Few-Shot Prompting (Az Örnekli Komut)

Yapay zekaya stilimizi, formatımızı veya zor bir görevi kavraması için birden fazla (3-5 adet) örnek sunmaktır. [4, 5]

Örnek:

· Metin: "Hava bugün çok güzel." -> Duygu: Olumlu | Yoğunluk: Düşük

· Metin: "Bu şirketten nefret ediyorum." -> Duygu: Olumsuz | Yoğunluk: Yüksek

· Metin: "Fena değil, iş görür." -> Duygu: Nötr | Yoğunluk: Orta

· Metin: "Yemekler buz gibi geldi, asla bir daha yemem." -> Duygu:

BÖLÜM 5: Sistem Mesajları ve ChatGPT Özelleştirmeleri

Sistem, Kullanıcı ve Asistan Rolleri (System, User, Assistant)

System (Sistem): Yapay zekânın anayasasıdır. Kuralları ve nasıl davranacağını belirler. (Örn: "Sen sadece Türkçe konuşan bir yazılım yardımcısın.")
User (Kullanıcı): Bizim yazdığımız sorular veya komutlardır. (Örn: "Python'da döngü nasıl kurulur?")
Assistant (Asistan): Yapay zekanın bize verdiği yanıtlardır. [6]

Sistem Mesajında Ayrık ve Sürekli Komutlar (Discrete & Continuous Prompting)

Sistem mesajına kesin, katı kurallar koyarak (Ayrık) veya modelin yaratıcılık alanını esnek bırakarak (Sürekli) talimatlar yazma yöntemidir.

ChatGPT Özel Talimatlar (Custom Instructions)

Her yeni sohbette aynı kuralları tekrar yazmamak için ChatGPT ayarlarına kalıcı olarak kaydedilen talimatlardır. İki sorudan oluşur: "Nerede yaşıyorsunuz, ne iş yapıyorsunuz?" ve "ChatGPT'nin nasıl yanıt vermesini istersiniz?"

BÖLÜM 6: Yanıt Analizi, Doğrulama ve Yanılsamalar (Hallucinations)

Yanılsama (Hallucination) Nedir ve Nasıl Başa Çıkılır?

Yapay zekânın elinde bilgi olmadığında mantıklı duyulan ama tamamen uydurma, yalan bilgiler üretmesidir.

Çözüm: Modele kaçış yolu sunulur: "Eğer makalenin kaynağını kesin olarak bilmiyorsan, link uydurma ve kaynağı bulamadığını belirt."

Kod Sözdizimi Doğrulama (Validating Code Syntax)

Yapay zekanın yazdığı kodların çalışabilirliğini test etmek için prompt içinde kurallar koymaktır. Modeli, yazdığı kodu kendi kendine incelemeye zorlamaktır.

Yapay Zekâyı Yapay Zekâ ile Notlandırmak (Using AI to Grade AI)

Bir yapay zekâ modelinin çıktısını, daha güçlü veya farklı kurallara sahip ikinci bir yapay zekâ modeline kontrol ettirip 10 üzerinden puanlatma tekniğidir.

Yanıtlarda Yapay Zekâyı Tespit Etmek (Detecting AI)

Metnin yapay zekâ tarafından yazılıp yazılmadığını anlamak için kullanılan kelime kalıplarını (Örn: "Ayrıca belirtmek gerekir ki...", "Sonuç olarak...") ve aşırı düzgün cümle yapılarını analiz etme sürecidir.

BÖLÜM 7: OpenAI GPT'leri ve Aksiyonlar (Custom GPTs)

Kendi Yatırım Eğitmeninizi Yapmak (Your Investment Tutor)

ChatGPT içinde, sadece finans kitapları ve ekonomi verileriyle donatılmış, borsa jargonuyla konuşan özel bir robot (Custom GPT) inşa etme uygulamasıdır.

GPT Aksiyonları ve Zapier Entegrasyonu (GPT Actions & Zapier)

Custom GPT'lerin sadece konuşmakla kalmayıp, dış dünyaya bağlanarak iş yapmasını sağlayan sistemdir. API'ler aracılığıyla sistem tetiklenir.

Uygulama - Google Sheet Satırı Oluşturma: ChatGPT'ye verdiğiniz bir müşteri bilgisini, yapay zekanın arka planda otomatik olarak şirketinizin Google Excel tablosuna yeni bir satır olarak eklemesi.
Uygulama - Gmail ile E-postaya Yanıt Verme: Gelen e-postayı ChatGPT'nin okuyup, Zapier aksiyonu sayesinde sizin adınıza taslak e-posta oluşturması veya yanıtı doğrudan göndermesi.

BÖLÜM 8: Amazon Satış Botu Projesi (Gelişmiş In-Context Learning)

Kursun en büyük projelerinden biridir. Bir e-commerce botu tasarlanır:

Bağlam İçi Öğrenme (In-Context Learning): Şirketin iade politikaları ve ürün listesi bota prompt içinde öğretilir.
Karakterizasyon Sınırlarını Sağlamlaştırmak: Botun çirkinleşmesini veya rakip firmaları övmesini engellemek için kesin sınırlar çizilir.
Bölümlendirilmiş Problem Çözme: Bot önce müşterinin sorununu anlar (Aşama 1), stok kontrolü yapar (Aşama 2), çözüm sunar (Aşama 3).
Maliyet ve Doğruluk Dengesi: Çok büyük promptlar pahalıya patlayacağı için en verimli kelime uzunluğu ayarlanır.
Link Üretimi Kurmak: Müşteriye "Şu ürünü alın" dediğinde, o ürünün gerçek Amazon linkini mesaja otomatik yerleştirmesi sağlanır.

BÖLÜM 9: Kursun Mücadeleri ve Görev Bankası (Challenge Bank)

Bu bölümde öğrendiklerinizi pekiştireceğiniz uygulamalı görevler ve çözümleri yer alır:

Görev 1: Kod Dönüştürme: Eski veya farklı bir dildeki kodu (Örn: Java), modern bir dile (Örn: Python) hatasız çevirme çalışması.
Görev 2: Sıfırdan 'Pong' Oyunu Yapmak: ChatGPT'ye tek bir satır kod bilmeden, sadece yönlendirmelerle tarayıcıda çalışan iki kişilik klasik Pong tenis oyununu kodlatmak.
Görev 3: Otomatik E-posta Yanıt Üretici: Gelen maillerin tonuna göre (kızgın, kurumsal, memnun) otomatik taslaklar hazırlayan sistem kurgusu.
Görev 4: Anki için Flashcard Kartları Yapmak: ChatGPT'ye karmaşık bir tıp veya dil dersi metnini verip, ezber kartı uygulaması olan Anki'ye doğrudan aktarılabilecek soru-cevap formatlı CSV dosyası ürettirmek.
Görev 5: Excel ve VBA Otomasyonu: Excel'de saatler sürecek makro kodlarını (VBA) ChatGPT'ye yazdırarak tek butonla rapor oluşturma uygulaması.
Görev 6: GPT for Sheets ile Veri Analizi: Excel/Google Sheets içine GPT eklentisi kurarak binlerce satırlık müşteri verisini tek formülle sınıflandırmak.
Görev 7: PDF Verisi Kazıma (Scraping PDFs): Taranmış veya karmaşık PDF dosyalarındaki fatura/tablo verilerini yapay zekaya okutarak temiz verilere dönüştürmek.
Görev 8: Özetleme ve Çeviri: 50 sayfalık bir İngilizce raporu, ana fikirlerini kaybetmeden 1 sayfalık Türkçe yönetici özetine dönüştürmek.

BÖLÜM 10: Geliştirici Alet Çantası (Developer Toolbox)

Yazılımcıların yapay zekayı yerel bilgisayarlarında ve kod projelerinde kullanma yöntemleridir:

HuggingFace ile Yerel Model İndirmek: İnternet olmadan, kendi bilgisayarınızın ekran kartını kullanarak açık kaynaklı (Örn: Llama 3, Mistral) yapay zekaları tamamen ücretsiz ve gizli olarak çalıştırmak.
LangChain Entegrasyonu: Yapay zekayı zincirleme kod bloklarına bağlayan popüler Python kütüphanesidir. (Örn: Önce veritabanına bak -> sonra internette ara -> en son LLM'e gönder).
İnce Ayarlanmış Model Oluşturma (Fine-Tuning): OpenAI paneline kendi şirket geçmişinize ait 10.000 satırlık konuşma verisini yükleyerek, tamamen sizin markanız gibi konuşan size özel bir GPT-4 modeli eğitmek.
Vektör Gömme Görselleştirmesi (Visualizing Embeddings): Kelimelerin yapay zekâ evrenindeki matematiksel konumlarını (vektörlerini) 2 boyutlu bir haritada görerek, yapay zekanın kavramları nasıl birbiriyle ilişkilendirdiğini çıplak gözle izlemek.
UiPath ve GPT Entegrasyonu: Robotik Süreç Otomasyonu (RPA) araçlarına ChatGPT zekasını ekleyerek, bilgisayardaki fare ve klavye hareketlerini yapay zekanın kararlarına göre otomatik yönetmek.

Kurs Boyunca Yapacağınız Pratik Proje Uygulamaları

Müfredatta geçen bazı hands-on (pratik) projelerin tam örnek süreçleri şu şekildedir:

Proje #1: LinkedIn Profil Özeti Hazırlama

Amaç: Sıradan bir özgeçmiş metnini, LinkedIn algoritmasının seveceği dikkat çekici bir özet yazısına dönüştürmek.
Uygulama Yöntemi: Yapay zekaya kariyer geçmişinizi ham olarak verirsiniz. Ardından şu komutla çalıştırırsınız:

"Sen profesyonel bir kariyer koçusun. Aşağıdaki iş deneyimlerimi analiz et. Beni network ağında öne çıkaracak, ilk 3 cümlesi merak uyandıran, yetkinliklerimi maddeleyen bir LinkedIn 'Hakkında' yazısı hazırla. Ton kurumsal ama samimi olsun."

Proje #2: SEO Uyumlu Blog Yazısı Oluşturucu

Amaç: Google aramalarında üst sıralara çıkacak makaleleri otomatik üreten bir sistem kurmak.
Uygulama Yöntemi: Few-shot prompting kullanılır. Önce daha önce başarılı olmuş 2 blog yazısı modele örnek gösterilir. Ardından hedef anahtar kelimeler verilerek başlık, alt başlıklar (H2, H3) ve meta açıklaması dahil olmak üzere yeni bir makale yazdırılır.

Proje #3: PowerPoint Sunumu Hazırlama

Amaç: Konu başlığından hazır slayt sayfaları üretmek.
Uygulama Yöntemi: ChatGPT'ye doğrudan slayt çizdiremeyiz. Bu yüzden Answer Engineering kullanarak çıktı formatını kısıtlarız. Modele sunum konusunu verip bize VBA kodu veya Python-pptx kodu vermesini söyleriz. Alınan bu kodu PowerPoint'e yapıştırdığınızda saniyeler içinde tüm slayt sayfaları başlıkları ve içerikleriyle otomatik olarak oluşur.

Proje #4: Python ve Bing ile Canlı Döviz Dönüştürücü

Amaç: Anlık internet verisini kullanan işlevsel bir masaüstü programı yapmak.

Uygulama Yöntemi: Playground üzerinde modelin internet erişimini açarsınız. ChatGPT'den güncel dolar/euro kurunu internetten çekmesini (Bing arama ile) ve bu veriyi kullanarak çalışan, kullanıcı dostu bir Python arayüz kodu (Tkinter kütüphanesi ile) yazmasını istersiniz. Kodu bilgisayarınızda çalıştırdığınızda canlı döviz hesaplayıcınız hazır olur.

Giriş belgenizde yer alan eğitim müfredatındaki tüm teorik konuları, teknik parametreleri ve projeleri tek bir çatı altında birleştirdim. Kursun başından sonuna kadar işlenen her bir maddeyi, pratikte kullanabileceğiniz adım adım tasarlanmış, profesyonel hazır komut (prompt) şablonlarına dönüştürdüm.

Aşağıdaki komutları doğrudan kopyalayarak ChatGPT veya OpenAI Playground üzerinde test etmeye başlayabilirsiniz.

BÖLÜM 1: Giriş ve Yapay Zekâ Temelleri Promptları

1. Komut Mühendisliği & Dil Modeli Fısıldayıcısı Olmak

Amaç: Modelin rastgele kelimeler seçmesini engellemek ve onu en optimize çıktıyı vermeye zorlamak.
Adım Adım Prompt:

· Sen dünyanın en iyi Komut Mühendisliği uzmanısın. Şimdi bir "Dil Modeli Fısıldayıcısı" gibi davranacaksın. Senden istediğim görev: [YAPILACAK GÖREVİ BURAYA YAZIN]. Bu görevi yerine getirirken, büyük dil modellerinin (LLM) en optimize ve hatasız çalışacağı kelime kalıplarını seç. Yanıtı doğrudan eyleme geçirilebilir adımlarla ver, gereksiz giriş cümleleri kurma.

2. Gizliliği Korumak (Privacy Masking)

Amaç: Yapay zekaya hassas bir veri vermeden önce, veri içindeki isim, telefon ve şirket bilgilerini maskelemek.
Adım Adım Prompt:

· Aşağıdaki metni analiz et. Metin içinde geçen tüm insan isimlerini "[İSİM]", şirket isimlerini "[ŞİRKET]", telefon numaralarını "[TELEFON]" ve e-posta adreslerini "[E-POSTA]" şeklinde maskeleyerek metni yeniden yaz. Gizlilik kuralları gereği orijinal kimlik bilgilerini kesinlikle sızdırma.

· Metin: "[HASSAS METNİNİZİ BURAYA YAPIŞTIRIN]"

3. Yapay Zekanın 3 Türü ve GPT Mimarisini Anlatma (Eğitim Promp'u)

Amaç: Karmaşık yapay zekâ terimlerini ve Transformer mimarisini basitleştirerek öğrenmek.
Adım Adım Prompt:

· Bana Yapay Dar Zekâ (ANI), Yapay Genel Zekâ (AGI) ve Yapay Süper Zekâ (ASI) arasındaki farkları açıkla. Ardından GPT modelinin içindeki "Transformer" mimarisinin kelimeleri nasıl tahmin ettiğini, 10 yaşındaki bir çocuğun anlayabileceği günlük hayat örnekleri ve analojilerle anlat.

4. Kısa Vadeli Bellek ve Bağlam Penceresi Yönetimi

Amaç: Çok uzun sohbetlerde modelin konuyu unutmasını önlemek için bir özetleme noktası oluşturmak.
Adım Adım Prompt:

· Şu ana kadar seninle yaptığımız tüm konuşmaları (bağlam penceresini korumak adına) kritik bilgileri kaybetmeden en fazla 3 cümlelik bir "Bellek Özeti" haline getir. Bu özeti hafızanda tut ve bundan sonraki sorularımı bu özete sadık kalarak yanıtla.

BÖLÜM 2: Komut Mühendisliği Teknikleri Promptları

5. Sorgu Ayrıştırma (Query Decomposition)

Amaç: Büyük ve karmaşık bir işi, modelin hata yapmaması için küçük alt görevlere bölmek.
Adım Adım Prompt:

· Benim büyük hedefim: "[ÖRN: SIFIRDAN BİR MOBİL UYGULAMA YAPMAK]". Bu hedefi gerçekleştirmek için "Sorgu Ayrıştırma" tekniğini kullan. Bu ana hedefi, yapay zekanın sırayla işleyebileceği, mantıklı ve birbirine bağımlı 5 alt göreve böl. Her bir görevin girdisini ve çıktısını net olarak listele.

6. Rol Tabanlı Komut İstemi (Role-Based Prompting)

Amaç: Yapay zekaya spesifik bir mesleki kimlik ve vizyon kazandırmak.
Adım Adım Prompt:

· Sen 20 yıllık deneyime sahip, küresel siber güvenlik krizlerini yönetmiş Kıdemli bir Yazılım Güvenlik Mimarı ve Baş Denetçisin. Aşağıda sana vereceğim sistemi sadece bu rolün getirdiği teknik jargon, ciddiyet ve analitik bakış açısıyla incele. Rolünün dışına çıkma.

· İncelenecek Sistem: "[SİSTEM DETAYLARI]"

7. Yanıt Mühendisliği (Format Kısıtlama - Answer Engineering)

Amaç: Çıktıyı tam olarak yazılım sistemlerinin okuyabileceği (JSON) formatta almak.
Adım Adım Prompt:

· Sana vereceğim metinden yazar adını, ana fikri ve anahtar kelimeleri çıkar. Çıktıyı SADECE geçerli bir JSON formatında ver. JSON dışında hiçbir şey yazma, "İşte istediğiniz veri" gibi giriş veya açıklama cümleleri ekleme. Nesne anahtarları "yazar", "ana_fikir" ve "anahtar_kelimeler" olmalıdır.

· Metin: "[METİN]"

BÖLÜM 3: Hiperparametre ve Playground Simülasyon Promptları

Bu bölümdeki promptlar, Playground üzerindeki parametrelerin etkisini ChatGPT içinde simüle etmek için tasarlanmıştır.

8. Sıcaklık Kontrolü (Temperature - Yaratıcılık vs Odaklılık)

Amaç: Modelin tamamen gerçekçi ve tutarlı (Sıcaklık 0) veya tamamen çılgın ve yaratıcı (Sıcaklık 1) yazmasını sağlamak.
Adım Adım Prompt:

· Görev: Yapay zekanın geleceği hakkında bir paragraf yaz.

· Bu görevi iki farklı modda yapmanı istiyorum:

· Mod 1 (Sıcaklık: 0.0): Tamamen verilere dayalı, kesin, ciddi ve garantici kelimeler seçerek yaz.

· Mod 2 (Sıcaklık: 1.2): Tamamen fantastik, öngörülemez, metaforlarla dolu ve çılgınca yaratıcı kelimeler seçerek yaz.

· İki modu alt alta listele.

9. Kelime Tekrarı Cezası (Frequency & Presence Penalty)

Amaç: Modelin sürekli "aynı kelimeleri ve aynı fikirleri" gevelemesini engellemek.
Adım Adım Prompt:

· Bir kahve dükkanı için pazarlama metni yazacaksın. Bu metni yazarken "Frequency Penalty: 2.0" ve "Presence Penalty: 2.0" kurallarına uymanı istiyorum. Yani, metinde bir kez kullandığın bir kelimeyi veya benzer bir fikri bir daha asla tekrar etme. Sürekli yeni kelimeler ve tamamen farklı avantajlar sunarak ilerle.

BÖLÜM 4: Shot Prompting (Örneklendirme) Teknikleri Promptları

10. Zero-Shot Prompting (Sıfır Örnek)

Adım Adım Prompt:

· Aşağıdaki e-ticaret müşteri yorumunu analiz et ve duygu durumunu "Olumlu", "Olumsuz" veya "Nötr" olarak sınıflandır.

· Yorum: "Ürün güzel ama rengi fotoğraftakinden biraz daha koyu geldi."

11. One-Shot Prompting (Tek Örnek)

Adım Adım Prompt:

· Sana verdiğim örneğe bakarak yeni girdinin çıktısını aynı formatta üret.

· Örnek Girdi: "Bu filmi hiç beğenmedim, vakit kaybıydı." -> Örnek Çıktı: [Kategori: Sinema, Duygu: -1]

· Yeni Girdi: "Yeni çıkan işlemci oyun performansını ikiye katlıyor, harika." -> Yeni Çıktı:

12. Few-Shot Prompting (Çoklu Örnek)

Adım Adım Prompt:

· Aşağıdaki kalıba sadık kalarak, son satırdaki boşluğu doldur.

· Girdi: Kitap -> Çıktı: Sayfa, Mürekkep, Yazar

· Girdi: Araba -> Çıktı: Tekerlek, Motor, Sürücü

· Girdi: Bilgisayar -> Çıktı: Ekran, İşlemci, Yazılımcı

· Girdi: Hastane -> Çıktı:

BÖLÜM 5: Sistem Mesajları ve Özelleştirme Promptları

13. Advanced System Message (Gelişmiş Sistem Anayasası)

Amaç: ChatGPT'ye kalıcı bir davranış kılavuzu (Custom Instructions) yüklemek.
Adım Adım Prompt:

· [SİSTEM AYARI]: Sen sadece yazılım hatalarını çözen bir Python asistanısın. Kullanıcı sana kod dışı bir soru sorarsa (Örn: "Bugün hava nasıl?"), kibarca "Ben sadece Python hatalarına odaklanmış bir botum" diyerek yanıt vermeyi reddetmelisin. Kod çözümlerini verirken önce hatanın nedenini açıkla, sonra düzeltilmiş kodu tek bir kod bloğu içinde ver.

BÖLÜM 6: Yanıt Analizi ve Doğrulama Promptları

14. Yanılsama (Hallucination) Filtresi

Amaç: Modelin bilmediği bilgileri veya internet linklerini uydurmasını engellemek.
Adım Adım Prompt:

· Bana [X KONUSU] hakkında akademik kaynaklar ve makale isimleri listele.

· Kritik Kural (Yanılsama Filtresi): Eğer bahsettiğin makalenin varlığından, yazarından veya yayın yılından %100 emin değilsen, o kaynağı kesinlikle listeye ekleme. Bilmediğin yerler için "Bu bilgiye dair doğrulanmış kaynak bulamadım" de. Asla link veya kaynak uydurma.

15. Yapay Zekayı Yapay Zekaya Notlandırmak (AI Grading AI)

Amaç: Üretilen bir metnin kalitesini başka bir gözle denetlemek.
Adım Adım Prompt:

· Sen bağımsız ve acımasız bir Editörsün. Aşağıdaki metni; dil bilgisi, akıcılık ve ikna edicilik kriterlerine göre incele. Her bir kritere 10 üzerinden puan ver ve metnin kalitesini artırmak için yapılması gereken 3 radikal değişikliği listele.

· İncelenecek Metin: "[METNİNİZ]"

BÖLÜM 7: OpenAI GPT'leri ve Aksiyonlar Promptları

16. Özel GPT Oluşturma Komutu (Investment Tutor - Yatırım Eğitmeni)

Amaç: Custom GPT kurarken "Configure -> Instructions" kısmına yazılacak kuralları belirlemek.
Adım Adım Prompt:

· Sen kullanıcıların kişisel finans bilincini artıran bir "Yatırım Eğitmeni" GPT'siyisin. Davranış kuralların:

· 1. Kesinlikle doğrudan "Şu hisseyi alın, bu kriptoyu satın" şeklinde yasal yatırım tavsiyesi (YTD) verme.

· 2. Kullanıcılara portföy çeşitlendirmesi, risk yönetimi ve bileşik faiz kavramlarını öğret.

· 3. Yanıtlarında Warren Buffett ve Benjamin Graham'ın değer yatırımı felsefesini temel al.

17. API ve Zapier Aksiyon Şeması Hazırlama (JSON Şeması)

Amaç: Custom GPT'ye dış dünyayla (Google Sheets, Gmail) konuşması için API şeması hazırlatmak.
Adım Adım Prompt:

· Bir Custom GPT aksiyonu için OpenAPI 3.0 uyumlu bir JSON şeması yazmanı istiyorum. Bu aksiyon, Zapier üzerinden bir Google Sheet tablosuna yeni bir satır ekleyecek. Tabloya gönderilecek parametreler: "Müşteri Adı", "E-posta" ve "Notlar" olmalıdır. Sadece geçerli YAML/JSON şemasını üret.

BÖLÜM 8: Gelişmiş Projeler Bölümü Promptları

Proje #1: LinkedIn Profil Özeti Hazırlama (LinkedIn Summary Prompt)

Adım Adım Prompt:

· Sen profesyonel bir İK Direktörü ve Kariyer Koçusun. Aşağıda sana verdiğim ham özgeçmiş bilgilerimi al ve LinkedIn "Hakkında" kısmı için büyüleyici bir özet yaz.

· Strateji:

· - İlk cümle okuyucunun dikkatini hemen çekmeli (Kanca cümlesi).

· - Orta kısımda çözdüğüm büyük sektör problemlerini ve başarılarımı listele.

· - Son kısma uzmanlık alanlarımı (Keywords) ekle.

· - Ton: Vizyoner, kurumsal ama cana yakın.

· Özgeçmiş Verilerim: "[VERİLERİNİZİZ BURAYA YAZIN]"

Proje #2: SEO Uyumlu Blog Post Jeneratörü (SEO Blog Generator)

Adım Adım Prompt:

· Sen kıdemli bir SEO ve İçerik Pazarlama Uzmanısın. "[HEDEF KONU]" hakkında Google aramalarında ilk sayfada çıkacak bir blog yazısı taslağı oluşturmanı istiyorum.

· Kurallar:

· 1. Dikkat çekici bir H1 başlığı üret.

· 2. Mantıksal bir sıra takip eden H2 ve H3 alt başlıkları oluştur.

· 3. Belirleyeceğin anahtar kelimeleri yazı içinde doğal bir şekilde dağıt.

· 4. Kullanıcıların Google'da arattığı "Kullanıcılar Bunu da Sordu" (PAA) kısmına hitap eden bir Sıkça Sorulan Sorular (SSS) bölümü ekle.

Proje #3: PowerPoint Sunumu Hazırlama (VBA Kod Üretimi)

Adım Adım Prompt:

· Konu: "[ÖRN: YAPAY ZEKANIN İŞ DÜNYASINA ETKİLERİ]"

· Yukarıdaki konu hakkında 5 slayttan oluşan bir sunum hazırlamak istiyorum. Bana SADECE Microsoft PowerPoint'in makro bölümüne (VBA) yapıştırıp çalıştırabileceğim bir VBA kodu yaz.

· Her slaytta bir başlık ve 3 maddelik kısa açıklamalar yer alsın. Kod blokları dışında hiçbir açıklama metni yazma.

Proje #4: Python ve Bing ile Canlı Döviz Dönüştürücü (Kodlama)

Adım Adım Prompt:

· Python dilinde, kullanıcı dostu bir arayüze (Tkinter kütüphanesi kullanarak) sahip bir Masaüstü Döviz Dönüştürücü programı yazmanı istiyorum.

· Program açıldığında arka planda canlı olarak güncel döviz kurlarını internetten çekmeli (bunun için requests ve BeautifulSoup ile bir web scraping mantığı veya ücretsiz bir API entegrasyonu kur) ve kullanıcının girdiği Türk Lirası tutarını Dolar ve Euro'ya çevirmeli. Tüm kodu tek bir parça halinde ver.

Proje #7 (Amazon Satış Botu Projesi): Amazon Sales Chatbot Tasarımı

Adım Adım Prompt:

· Sen Amazon üzerinde akıllı saat satan bir mağazanın Müşteri İlişkileri Chatbot'usun. Aşağıdaki protokollere sıkı sıkıya bağlı kalacaksın:

· 1. Şirket Politikası: Ürünlerimizde 30 gün içinde koşulsuz iade vardır. Kargo ücretsizdir.

· 2. Karakter Sınırları: Asla kaba konuşma. Rakip markaların isimlerini zikretme. Bilmediğin stok durumları için "Hemen depomuzu kontrol edip size döneceğim" de.

· 3. Link Oluşturma: Müşteri satın alma linki isterse, onlara otomatik olarak "https://amazon.com" linkini mesajın içinde ver.

· Şimdi bir müşteri gibi sana yazıyorum, konuşmayı başlat: "Merhaba, aldığım saat su geçiriyor, iade etmek istiyorum."

BÖLÜM 9: Challenge Bank (Görev Bankası) Promptları

Challenge 1: Kod Dönüştürme (Code Converter)

Adım Adım Prompt:

· Aşağıdaki JavaScript dilinde yazılmış olan algoritmayı, performans optimizasyon kurallarına ve temiz kod (Clean Code) prensiplerine uyarak Python diline çevir. Python'a özgü fonksiyonları ve list comprehension yapılarını kullanmaya özen göster.

· Kaynak Kod:

· "[JAVASCRIPT KODUNUZU BURAYA YAPIŞTIRIN]"

Challenge 2: ChatGPT ile Sıfırdan "Pong" Oyunu Yapmak

Adım Adım Prompt:

· Ben kodlama bilmiyorum. Bana sadece tarayıcımda (klavyedeki ok tuşları ve W-S tuşları ile) oynayabileceğim iki kişilik klasik "Pong" (Tenis) oyununun kodlarını yaz. HTML, CSS ve JavaScript kodlarının hepsini tek bir "index.html" dosyası içinde birleştir ki, dosyaya çift tıkladığımda oyun tarayıcıda doğrudan çalışsın. Skor tabelası eklemeyi unutma.

Challenge 3: Otomatik E-Posta Yanıt Oluşturucu (Auto-Reply Email Generator)

Adım Adım Prompt:

· Gelen e-postanın tonunu analiz et ve ona uygun profesyonel bir yanıt taslağı hazırla.

· Gelen E-posta: "[MÜŞTERİDEN GELEN SİTEM VEYA TALEP MAİLİ]"

· Kurallar: Eğer mail kızgın bir tonda yazılmışsa, önce özür dile ve çözüm sun. Eğer memnuniyet içeriyorsa, teşekkür et ve sadakat indirimi tanımlayabileceğimizi belirt.

Challenge 4: Anki İçin Flashcard Kartları Yapmak (CSV Çıktısı)

Adım Adım Prompt:

· Aşağıda sana vereceğim biyoloji dersi metnini incele. Metindeki önemli kavramlardan Anki uygulamasına doğrudan aktarabileceğim "Soru,Cevap" formatında bir CSV tablosu üret. Soru ve cevap arasında sadece virgül (,) olsun ve her kart yeni bir satırda yer alsın.

· Metin: "[DERS METNİ]"

Challenge 5: Excel ve VBA Otomasyonu (Makro Yazımı)

Adım Adım Prompt:

· Excel'de "A" sütununda müşteri isimleri, "B" sütununda ise harf notları (A, B, C) var. Bana öyle bir VBA makro kodu yaz ki; butona basıldığında "B" sütununda "A" yazan tüm satırların arka plan rengini otomatik olarak yeşil, "C" yazanları ise kırmızı yapsın.

Challenge 6: Veri Analizi (Data Analysis Prompt)

Adım Adım Prompt:

· Sana ham bir veri kümesi veriyorum. Bu verideki anormallikleri (tutarsız rakamlar, eksik satırlar) tespit et. Ardından bu veriden çıkarılabilecek en önemli 3 ticari içgörüyü (trend) yönetici özeti şeklinde raporla.

· Veri Seti: "[VERİLERİNİZ]"

Challenge 7: PDF Verisi Kazıma (PDF Scraping)

Adım Adım Prompt:

· Aşağıdaki metin, bir PDF dosyasından taranarak düz metne dönüştürülmüş karmaşık bir faturadır. Bu metnin içindeki dağınık verileri ayıkla ve bana net bir "Fatura Tarihi", "Şirket Adı", "Vergi Numarası" ve "Toplam Tutar" tablosu oluştur.

· PDF Metni: "[PDF'DEN KOPYALANAN DAĞINIK METİN]"

Challenge 8: Özetleme ve Çeviri (Summarization & Translation)

Adım Adım Prompt:

· Aşağıdaki İngilizce teknik makaleyi oku. Önce makalede anlatılan ana fikri kaybetmeden 3 maddelik Türkçe bir "Yönetici Özeti" çıkar. Ardından makalenin en can alıcı sonuç paragrafını harfiyen Türkçe'ye profesyonel bir dille çevir.

· Makale: "[İNGİLİZCE METİN]"

BÖLÜM 10: Geliştirici Alet Çantası (Developer Toolbox) Promptları

18. LangChain Zincirleme Yapı Tasarımı (Python)

Amaç: Bir yapay zekanın çıktısını otomatik olarak ikinci bir yapay zekaya aktaracak LangChain kod şablonu almak.
Adım Adım Prompt:

· Python dilinde LangChain kütüphanesini kullanarak ikili bir zincir (Chain) yapısı kurmak istiyorum. İlk aşamada kullanıcıdan alınan konudan bir "Yemek Tarifi İsmi" üretilecek; ikinci aşamada ise bu tarife uygun "Malzeme Listesi" hazırlanacak. Bana güncel LangChain sözdizimine (Expression Language - LCEL) uygun çalışan kod bloğunu yaz.

19. İnce Ayar (Fine-Tuning) Veri Seti Hazırlama (JSONL Formatı)

Amaç: OpenAI modellerini kendi verilerimizle eğitmek için gerekli olan veri formatını (JSONL) modele ürettirmek.
Adım Adım Prompt:

· Benim şirketimin müşteri yazışmalarını kullanarak bir Fine-Tuning işlemi yapacağım. Aşağıdaki diyalog geçmişini al ve OpenAI'ın kabul ettiği `{"messages": [{"role": "system", ...}, {"role": "user", ...}, {"role": "assistant", ...}]}` formatında bir JSONL veri satırına dönüştür.

· Diyalog: "[MÜŞTERİ VE TEMSİLCİ KONUŞMASI]"

20. UiPath ve GPT Entegrasyonu İçin Algoritma Mantığı

Amaç: RPA (Robotik Süreç Otomasyonu) robotunun yapay zekayı nasıl kullanacağını planlamak.
Adım Adım Prompt:

· Bir UiPath robotu tasarlıyorum. Robot, şirkete gelen şikayet maillerini okuyacak, içindeki duyguyu ChatGPT API'sine soracak ve eğer duygu "Çok Öfkeli" ise konuyu otomatik olarak Departman Müdürünün ekranına taşıyacak. Bu otomasyon projesinin UiPath stüdyosundaki iş akışı adımlarını (Workflow Logic), hangi aktiviteleri (HTTP Request vb.) kullanmam gerektiğini adım adım açıkla.