Vektör Veritabanlarına Giriş Eğitimi

Eğitim Hakkında

Embedding üretiminden benzerlik aramasına ve RAG mimarisine vektör veritabanı temelleri

Vektör Veritabanlarına Giriş Eğitimi, metin, görsel ve ses gibi verileri embedding vektörlerine dönüştürüp anlam temelli arama yapan modern veritabanlarını baştan öğretir. Katılımcılar embedding kavramını, benzerlik metriklerini (cosine, dot product, Öklid) ve yaklaşık en yakın komşu (ANN) indekslerini öğrenir. Pinecone, Qdrant, Weaviate ve PostgreSQL pgvector ile koleksiyon oluşturma, vektör yazma ve sorgulama uygulamalı işlenir; eğitim RAG mimarisinin temelini kurar.

Süre ve Format

2 Gün. Her gün dört modül; embedding ve benzerlik kavramlarından Pinecone, Qdrant ve pgvector ile uygulamaya, oradan RAG mimarisine ilerlenir.

Seviye

Başlangıç Seviyesi — Embedding, benzerlik araması ve ANN indeksleriyle vektör veritabanlarına giriş

Öğrenme Metodu

Her konu Python ve örnek embedding modelleriyle gerçek koleksiyonlar oluşturup vektör yazıp sorgulayarak adım adım uygulamalı işlenir.

Neden Bu Eğitim?

🧠Anlam temelli arama

Kelime eşleşmesi yerine anlamı yakalayan embedding aramasıyla kullanıcı niyetine uygun, çok daha isabetli sonuçlar döndürmeyi öğrenirsiniz.

🤖RAG'in temeli

LLM uygulamalarında halüsinasyonu azaltan retrieval augmented generation mimarisinin kalbindeki vektör aramasını baştan kurarsınız.

⚡Ölçeklenebilir arama

HNSW ve IVF gibi ANN indeksleriyle milyonlarca vektör arasında milisaniyeler içinde benzerlik araması yapmayı kavrarsınız.

Anahtar Konular

vektör veritabanı eğitimiembedding eğitimipinecone kursuqdrant eğitimipgvectorrag eğitimibenzerlik aramasısemantik aramaweaviatevektör arama

“Geleneksel veritabanı kelimeyi arar; vektör veritabanı anlamı bulur. Yapay zekâ çağının aramasını bu temelle kurun.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python temeli

Python ile değişken, fonksiyon ve paket kullanımı düzeyinde temel programlama bilgisi faydalı olacaktır.

2

Veri kavramları

Satır, sütun ve kayıt gibi temel veri kavramlarına aşinalık öğrenmeyi kolaylaştırır.

3

API kullanımı

REST API ve JSON ile veri alışverişine dair temel farkındalık yararlı olacaktır.

4

Çalışma ortamı

Python 3 ve pip kurulu, internet erişimi olan bir bilgisayar gereklidir.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı veriyi embedding vektörüne dönüştürmeyi, cosine ve dot product metrikleriyle benzerliği ölçmeyi ve ANN indekslerinin neden hıza gerektiğini kavrar.

Modül 1

Vektör ve Embedding Kavramı

Yapısal olmayan verinin sayısal vektöre dönüşmesi
Embedding modelleri ve vektör boyutu (dimension)
Metin, görsel ve ses embedding farkları
OpenAI, Sentence-Transformers embedding modelleri
Vektör uzayında anlamsal yakınlık mantığı
Embedding'in geleneksel aramadan farkı

Modül 2

Benzerlik Metrikleri

Cosine similarity ile açı temelli benzerlik
Dot product (iç çarpım) benzerliği
Öklid (L2) mesafesi hesaplama ve uygulamalı örnekleri
Metriklerin normalize vektörlerle ilişkisi
Hangi metriğin ne zaman seçileceği
Benzerlik skoru ve eşik (threshold) belirleme

Modül 3

Yaklaşık En Yakın Komşu (ANN)

Tam (exact) ve yaklaşık (approximate) arama farkı
HNSW grafik tabanlı indeks mantığı
IVF (inverted file) ve kümeleme yaklaşımı
Product Quantization ile bellek sıkıştırma
recall ve gecikme (latency) dengesi
FAISS kütüphanesiyle temel ANN örneği

Modül 4

İlk Vektör Koleksiyonu

Koleksiyon ve vektör boyutu tanımlama
Metni embedding'e çevirip koleksiyona yazma
Üst veri (metadata) ile vektör saklama
Benzerlik sorgusu (top-k) çalıştırma
Sonuçları skora göre sıralama ve uygulamalı örnekleri
Metadata filtresiyle aramayı daraltma

Günün hedefiKatılımcı yönetilen ve açık kaynak vektör veritabanlarını karşılaştırır, pgvector ile PostgreSQL üzerinde vektör saklar ve basit bir RAG akışını uçtan uca kurar.

Modül 1

Vektör Veritabanı Ürünleri

Pinecone yönetilen bulut servisi mantığı
Qdrant açık kaynak ve filtreli arama
Weaviate ve şema (schema) tabanlı yapı
Milvus ile büyük ölçekli dağıtık arama
Yönetilen ve self-hosted seçim kriterleri
Index tipi ve maliyet karşılaştırması

Modül 2

PostgreSQL pgvector

pgvector eklentisini kurma ve etkinleştirme
vector veri tipiyle sütun tanımlama
Embedding kayıtlarını INSERT ile ekleme
<-> operatörüyle benzerlik sorgusu yazma
IVFFlat ve HNSW indeks oluşturma
SQL filtresiyle hibrit arama kurma

Modül 3

Veri Yazma ve Sorgulama

Toplu (batch) upsert ile vektör ekleme
Namespace ve koleksiyon ile veri ayırma
top-k sorgusu ve skor eşiği uygulama
Metadata payload ile filtreli sorgu
Vektör güncelleme ve silme işlemleri
Yeniden indeksleme ve bakım stratejisi

Modül 4

RAG Mimarisi Temelleri

Belgeleri parçalara (chunk) bölme stratejisi
Chunk'ları embedding'e çevirip indeksleme
Kullanıcı sorusunu embedding ile arama
İlgili bağlamı LLM prompt'una ekleme
RAG ile halüsinasyonu azaltma mantığı
Basit soru-cevap akışını uçtan uca kurma

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Embedding üretimi

Metin ve görselleri embedding modelleriyle vektöre dönüştürüp anlamsal temsili doğru biçimde elde edebilirsiniz.

✅

Benzerlik ölçümü

Cosine, dot product ve Öklid metriklerini kavrayıp senaryoya uygun benzerlik ölçütünü seçebilirsiniz.

✅

ANN indeksleri

HNSW ve IVF indekslerinin mantığını anlar, recall ve gecikme dengesini gözeterek indeks seçebilirsiniz.

✅

Ürün seçimi

Pinecone, Qdrant, Weaviate ve Milvus arasından ihtiyaca uygun vektör veritabanını karşılaştırarak seçebilirsiniz.

✅

pgvector kullanımı

PostgreSQL pgvector eklentisiyle vektör saklar, indeksler ve benzerlik sorguları yazabilirsiniz.

✅

Koleksiyon yönetimi

Vektör koleksiyonları oluşturur, toplu upsert yapar ve metadata filtreleriyle aramayı daraltabilirsiniz.

✅

RAG kurulumu

Belge parçalama, indeksleme ve bağlam getirmeyle basit bir RAG soru-cevap akışını uçtan uca kurabilirsiniz.

✅

Hibrit arama

Vektör benzerliğini metadata ve SQL filtreleriyle birleştirerek daha isabetli hibrit aramalar tasarlayabilirsiniz.

Kimler İçin Uygundur?

Yapay zekâ ve LLM uygulamaları geliştirmek isteyen yazılımcılar
veri mühendisleri
RAG tabanlı sohbet botu
arama kurmak isteyen ekipler ile embedding ve semantik arama konusuna yeni başlayan teknik profesyoneller için uygundur

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Yapay zekâ ve LLM uygulamaları geliştirmek isteyen yazılımcılar, veri mühendisleri ve RAG tabanlı arama veya sohbet botu kurmak isteyen ekipler için uygundur. Embedding ve semantik arama konusuna yeni başlayanlar hedef kitledir; ileri düzey makine öğrenmesi bilgisi gerekmez.

Eğitim kaç gün sürüyor ve ön koşulu var mı?

Eğitim 2 gün sürer. Python ile temel programlama ve REST API, JSON gibi kavramlara aşinalık faydalıdır; derin öğrenme ya da ileri matematik bilgisi şart değildir. Python 3 kurulu ve internet erişimi olan bir bilgisayar yeterlidir.

Hangi vektör veritabanları işleniyor?

Pinecone, Qdrant, Weaviate ve Milvus karşılaştırmalı olarak ele alınır; PostgreSQL pgvector eklentisiyle vektör saklama ve sorgulama uygulamalı yapılır. Yönetilen bulut servisi ile self-hosted açık kaynak seçenekleri arasındaki farklar ve seçim kriterleri gösterilir.

Vektör veritabanı ile RAG arasındaki ilişki nedir?

RAG mimarisinde kullanıcı sorusu embedding'e çevrilir ve vektör veritabanında benzer belge parçaları aranır; bulunan bağlam dil modeline verilerek daha doğru yanıt üretilir. Vektör veritabanı, RAG'in getirme (retrieval) katmanının temelidir ve eğitimde basit bir RAG akışı uçtan uca kurulur.

Eğitim sonunda sertifika veriliyor mu?

Program tamamlayan katılımcılar Digital Vizyon Akademi Katılım ve Başarı Sertifikası alır. Eğitim kurumsal ihtiyaçlara göre yüz yüze veya online olarak uyarlanabilir ve kuruma özel içerik eklenebilir.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika