4 Girdi ve İlk Etkileşim

input() + Calculator + Mad Libs — LLM prompt template’in atası

Bölüm bilgisi

Mosh’un videosu: Chapters 8-10 (Input → Calculator → Mad Libs) (≈15 dk)
Bölüm aralığı: 48:31 — 1:03:18
Kaynaklar: Python docs — input() · PEP 498 — f-strings
Okuma süresi: ≈30 dk

4.1 Bu Derste Ne Var?

Ders 1’de ekrana basmayı, Ders 2’de veri saklamayı öğrendik. Bu derste üçüncü temel etkileşim türü geliyor: kullanıcıdan veri alma. input() fonksiyonu Python’ın klavyeden okuma şekli; basit ama güçlü — tüm interaktif programların başlangıç noktası.

flowchart LR
    A["🎤 input()"] --> B["⚠️ Her zaman string döner"]
    B --> C["int() / float() ile dönüştür"]
    C --> D["Calculator projesi"]
    A --> E["Çoklu input"]
    E --> F["Mad Libs projesi"]
    F --> G["💎 Prompt Template'in atası<br/>(LangChain, OpenAI, Anthropic)"]

    style A fill:#e3f2fd,stroke:#3776ab,stroke-width:2px
    style B fill:#fff3e0,stroke:#f57c00,stroke-width:2px
    style G fill:#fce4ec,stroke:#c2185b,stroke-width:3px

Şekil 4.1: Ders 3’ün akış haritası — input’tan Mad Libs’e

Dersin üç parçası (Mosh’un üç chapter’ı):

input() fonksiyonu — klavyeden veri çekme.
Hesap makinesi (proje 1). — Kritik bug avı: input() her zaman string döner.
Mad Libs oyunu (proje 2). — String birleştirmenin uygulamalı hâli.

Builder Notu — Bu Dersin ML Köprüleri

input() = ML data ingestion’ın ilkel hali. PyTorch’ta dataloader = DataLoader(dataset, batch_size=64) yaparak da veri “alıyorsun” — sadece klavye yerine dosyadan/veritabanından/network’ten. Mantik ayni: bir kaynaktan veri çek, değişkende sakla, kodda kullan.
String-by-default = veri parse zorunluluğu. input() her şeyi string döner; CSV de öyle, JSON de bazen öyle. ML pipeline’ında parsing (str → int/float/datetime) çıkış noktası.
Calculator bug = ML scaler bug analojisi. "5" + "8" = "58" bug’ı, ML’de yaygın learning_rate = "0.001" (JSON’dan string okundu) → optimizer.step() kırılır tipi bug’la birebir eşlenir.
Mad Libs = prompt template! Kullanıcıdan kelime al → şablon string’e yerleştir. Bu LLM çağının prompt template’i: "Sen bir {role} olarak {task} yap." LangChain PromptTemplate, OpenAI/Anthropic API’ların messages — hepsi Mosh’un mad libs’inin sofistike halleri.
Çoklu input = batch processing’in atası. Mosh üç ayrı input() çağırısı yapıyor; ML’de bir DataLoader bir epoch’ta yüzlerce batch verisi çeker.
F-string’in gücü burada çıkar. Mosh + ile birleştirme gösteriyor; modern Python — ve tüm ML logları — f-string kullanır: print(f"Epoch {epoch}, loss={loss:.4f}").

4.2 `input()` Fonksiyonu

“kullanıcıdan giriş. bu yüzden temel olarak bir kullanıcının izin vermesine izin veriyoruz programimiza bilgi girişi yapın.” — Mosh (Türkçe dublaj), 48:31

4.2.1 Sentaks

name = input("Adin: ")
print("Merhaba " + name + "!")

Konsolda:

Adin: Deniz
Merhaba Deniz!

Akış:

Program input(...) satırına gelince durur.
Ekrana prompt’u (parantezdeki string) basar.
Kullanıcı yazıp Enter’a basar.
Yazılanlar string olarak değişkene atanır.
Program devam eder.

4.2.2 Çoklu Girdi

name = input("Adin: ")
age = input("Yasin: ")
print("Merhaba " + name + "! Sen " + age + " yasindasin.")

Adin: Deniz
Yasin: 35
Merhaba Deniz! Sen 35 yasindasin.

4.2.3 ⚠️ Kritik Detay — Her Zaman String

Bu cümle, Ders 3’ün tek en önemli cümlesidir:

input() dönüş tipi her zaman str’dir

Kullanıcı 35 yazsa bile age değişkeninde saklı olan "35" (string), 35 (int) değil. Sayı işlemi yapmadan önce int() veya float() ile dönüştürmek zorunlu.

4.3 Proje 1 — Basit Hesap Makinesi (Bug Avı)

4.3.1 İlk Deneme — BUG

num1 = input("Birinci sayi: ")
num2 = input("Ikinci sayi: ")
result = num1 + num2
print(result)

Çalıştır:

Birinci sayi: 5
Ikinci sayi: 8
58

5 + 8 = 58? Hayır — Python toplamayı yapmadı, stringleri birleştirdi. "5" + "8" = "58" (Ders 2 §3.4: + string’ler için concatenation).

“kullanicidan girdi aldigimizda varsayilan olarak. Python sadece donusturmek icin gidiyor bir dize icine” — Mosh (Türkçe dublaj), 54:49

4.3.2 Çözüm — `int()` veya `float()`

num1 = int(input("Birinci sayi: "))   # input() -> str, int(str) -> int
num2 = int(input("Ikinci sayi: "))
result = num1 + num2
print(result)
# 13

int(input(...)) Python’da bir kalıp — her interaktif sayı girdisinde göreceksin.

4.3.3 İkinci Bug — Ondalıklı Sayılar

Birinci sayi: 4.3
Ikinci sayi: 5.5
ValueError: invalid literal for int() with base 10: '4.3'

int("4.3") hata atar — int ondalık nokta kabul etmez.

“kullanabilecegimiz baska bir fonksiyon var yerine n samandira diyebiliriz” — Mosh (Türkçe dublaj), 57:08

(Dublajdaki “şamandıra” = float.)

num1 = float(input("Birinci sayi: "))
num2 = float(input("Ikinci sayi: "))
result = num1 + num2
print(result)
# 9.8

float() hem "5" (5.0) hem "4.3" (4.3) için çalışır. Pratik: bilmiyorsan float() kullan.

4.3.4 Tradeoff

Tip	Davranış	Ne zaman?
`int(input(...))`	Sadece tam sayı kabul; ondalık → ValueError	Tekrar sayısı, indeks, label
`float(input(...))`	Hem tam hem ondalık; sonuç hep float	Para, ölçü, ML loss değeri

4.3.5 Calculator Bug = ML Scaler Bug

Builder Notu — JSON Config Tuzağı

Mosh’un "5" + "8" = "58" bug’ı ML kodunda çok yaygın hâle bürünür. Senaryo: bir JSON config dosyasından hyperparameter okuyorsun.

{
    "learning_rate": "0.001",    // tirnak icinde - STRING!
    "batch_size": "64",
    "epochs": "100"
}

import json
with open("config.json") as f:
    cfg = json.load(f)

print(type(cfg["learning_rate"]))   # <class 'str'>  ← BUG!

# Optimizer kuralsiz reddediyor:
optimizer = torch.optim.SGD(model.parameters(), lr=cfg["learning_rate"])
# TypeError: ... must be float, not str

Çözüm tipi aynı Mosh’unki:

cfg["learning_rate"] = float(cfg["learning_rate"])
cfg["batch_size"] = int(cfg["batch_size"])

Veya daha güvenli — JSON’da tipleri string olarak yazma, doğrudan sayı:

{
    "learning_rate": 0.001,
    "batch_size": 64
}

ML mühendisinin haftada en az bir kez düştüğü tuzak.

4.4 Proje 2 — Mad Libs Oyunu

“deli bir libs oyun temelde sadece rastgele sozlerin bir demet girebileceginiz bir oyundur Bilirsin fiil isimleri” — Mosh (Türkçe dublaj), 58:35

Klasik çocuk oyunu: hikaye şablonunda boşluklar var, oyuncu kelime önerir, hikaye ortaya çıkar.

4.4.1 Mosh’un Şiir Şablonu

Roses are red,
Violets are blue,
I love you.

Üç boşluk: rengi, çoğul ismi, ünlü ismi.

4.4.2 Kod

color = input("Bir renk soyle: ")
plural_noun = input("Bir cogul isim soyle: ")
celebrity = input("Bir unlu soyle: ")

print("Guller " + color + ",")
print(plural_noun + " mavi,")
print(celebrity + "'i seviyorum.")

Çalıştır:

Bir renk soyle: mor
Bir cogul isim soyle: mikrodalgalar
Bir unlu soyle: Tom Hanks
Guller mor,
mikrodalgalar mavi,
Tom Hanks'i seviyorum.

4.4.3 Modern — f-string ile

color = input("Bir renk soyle: ")
plural_noun = input("Bir cogul isim soyle: ")
celebrity = input("Bir unlu soyle: ")

print(f"Guller {color},")
print(f"{plural_noun} mavi,")
print(f"{celebrity}'i seviyorum.")

Aynı çıktı, çok daha temiz kod. f-string Python 3.6+ standardı.

4.4.4 Mad Libs = LLM Prompt Template

Builder Notu — Mosh’un En Derin Habercisi

Mad Libs aslında modern LLM uygulamalarının temel mekanizmasının çocuk oyunu hâlidir: prompt template.

# Mad Libs (Mosh):
ad = input("Adin: ")
print(f"Merhaba {ad}!")

# LangChain (modern LLM):
from langchain.prompts import PromptTemplate

template = PromptTemplate(
    input_variables=["role", "task", "tone"],
    template="""
Sen bir {role} olarak yazıyorsun.
Görev: {task}
Üslup: {tone}
Yanıtın 200 kelimeyi geçmesin.
"""
)

prompt = template.format(
    role="ML mühendisi",
    task="self-attention mekanizmasını açıkla",
    tone="öğretici"
)

response = llm.invoke(prompt)

Mekanizma birebir aynı. OpenAI / Anthropic API:

messages = [{"role": "user", "content": f"{user_question}"}]

{user_question} f-string slot — Mad Libs’in {ad} slot’unun aynısı.

Mosh’un Mad Libs oyunu, LLM uygulamasının ata-formudur. Bunu içselleştirirsen, LangChain veya openai SDK öğrenirken “ben bunu daha önce gördüm” deyip hızla geçeceksin.

Şekil 4.2: Mad Libs ↔︎ Prompt Template paraleli — aynı mekanizma, farklı ölçek

4.5 Bu Dersin Özeti

input(prompt) — klavyeden bir satır oku, string döndür.
input() her zaman string döner — kullanıcı 35 yazsa bile "35" saklı.
Tip dönüşümü zorunlu: int(input(...)) veya float(input(...)).
int katı, float esnek: int("4.3") ValueError, float("4.3") çalışır.
Calculator pattern’ı: iki sayı al → işlem → sonuç. ML scaler bug’ın ata-formu.
Mad Libs pattern’ı: çoklu input + string template. LLM prompt template’inin atası.
f-string > + — modern Python, modern ML kodu.

Tek Bir Cümle

input() Python’ın klavyeden veri alma şeklidir ve her zaman string döner; sayı işlemi yapmadan önce int(...) veya float(...) ile dönüştürmek zorunludur — bu küçük dönüşüm, ML pipeline’larında her gün yaptığın preprocessing’in mikro hâlidir; Mad Libs ise basit string template’inin ardındaki mekanizmayla aslında LangChain / LLM prompt template’lerinin atasıdır.

4.6 Egzersizler

Egzersiz 1. Doğum yılını sor, 2026’da kaç yaşında olacağını söyle. f-string kullan.

Dogum yilin: 1990
2026'da 36 yasinda olacaksin.

Egzersiz 2. Calculator’u dört işleme genişlet (if/elif/else Ders 6’da; şimdilik kopyala):

num1 = float(input("Birinci sayi: "))
op = input("Islem (+, -, *, /): ")
num2 = float(input("Ikinci sayi: "))

if op == "+":
    print(num1 + num2)
elif op == "-":
    print(num1 - num2)
elif op == "*":
    print(num1 * num2)
elif op == "/":
    print(num1 / num2)

0 ile böl, ne olur? (ZeroDivisionError — Ders 10 habercisi.)

Egzersiz 3. Kendi Mad Libs’ini yarat — en az beş input, en az dört satırlık şablon. f-string kullan.

Egzersiz 4. Aşağıdaki kodun çıktısını önceden tahmin et (girdiler: Deniz, 35):

ad = input("Adin: ")
yas = input("Yasin: ")
print("Ad turu: " + str(type(ad)))
print("Yas turu: " + str(type(yas)))
print("Ad + Yas = " + ad + yas)
print("len(ad) = " + str(len(ad)))
print("ad[0] = " + ad[0])

print(ad + 5)    # HATA verecek - neden?

Son satırı düzelt.

Egzersiz 5. (Builder eksen) Mini LLM prompt builder — kullanıcıdan üç girdi al, prompt template’e yerleştir, ekrana bas:

role = input("Rol (ornegin: Python ogretmeni): ")
topic = input("Konu: ")
audience = input("Hedef kitle: ")

prompt = f"""Sen bir {role} olarak yaziyorsun.
Konu: {topic}
Hedef kitle: {audience}
Yanitin 200 kelimeyi gecmesin."""

print("--- GENERATED PROMPT ---")
print(prompt)

Bu egzersizin asıl noktası: Mad Libs’in kendisini bir LLM prompt’a dönüştürdün. Bu zihinsel sıçramayı yaşamak Ders 3’ün en derin kazancı.

4.7 Sonraki Ders İçin Hazırlık

Ders 4: Listeler ve Tuple’lar

Şimdiye kadar tek veri ile çalıştık. Ders 4’te bir grup veriyi tek bir yapıda saklamayı öğreneceğiz.

Mosh’un Ch 11-13’ünü izle (1:03:18 - 1:24:21, ~21 dk).
Şu cümleyi içselleştir: “Liste birden fazla değeri tek bir değişkende saklar — sıralı, indekslenebilir, değişebilir.”

Bu dersten tek bir şey alıp gideceksen

input() Python’ın klavyeden veri alma şeklidir ve her zaman string döner — sayı işlemine girmeden önce int() veya float() ile dönüştürmek zorunlu; Mosh’un Calculator bug avı = ML’de her gün karşılaştığın “JSON’dan string okudum” bug’ın aynısı; Mad Libs’in masum hâli = modern LangChain PromptTemplate’in ata-formu.

--- title: "Girdi ve İlk Etkileşim" subtitle: "`input()` + Calculator + Mad Libs — LLM prompt template'in atası" --- ::: {.callout-note title="Bölüm bilgisi"} - **Mosh'un videosu:** [Chapters 8-10 (Input → Calculator → Mad Libs)](https://www.youtube.com/watch?v=rfscVS0vtbw&t=2911s) (≈15 dk) - **Bölüm aralığı:** 48:31 — 1:03:18 - **Kaynaklar:** [Python docs — input()](https://docs.python.org/3/library/functions.html#input) · [PEP 498 — f-strings](https://peps.python.org/pep-0498/) - **Okuma süresi:** ≈30 dk ::: ## Bu Derste Ne Var? {#sec-bu-derste} Ders 1'de ekrana **basma**yı, Ders 2'de **veri saklama**yı öğrendik. Bu derste üçüncü temel etkileşim türü geliyor: kullanıcıdan **veri alma**. `input()` fonksiyonu Python'ın klavyeden okuma şekli; basit ama güçlü — tüm interaktif programların başlangıç noktası. ```{mermaid} %%| label: fig-akis %%| fig-cap: "Ders 3'ün akış haritası — input'tan Mad Libs'e" flowchart LR A["🎤 input()"] --> B["⚠️ Her zaman string döner"] B --> C["int() / float() ile dönüştür"] C --> D["Calculator projesi"] A --> E["Çoklu input"] E --> F["Mad Libs projesi"] F --> G["💎 Prompt Template'in atası<br/>(LangChain, OpenAI, Anthropic)"] style A fill:#e3f2fd,stroke:#3776ab,stroke-width:2px style B fill:#fff3e0,stroke:#f57c00,stroke-width:2px style G fill:#fce4ec,stroke:#c2185b,stroke-width:3px ``` **Dersin üç parçası** (Mosh'un üç chapter'ı): 1. **`input()` fonksiyonu** — klavyeden veri çekme. 2. **Hesap makinesi (proje 1).** — **Kritik bug avı:** `input()` her zaman **string** döner. 3. **Mad Libs oyunu (proje 2).** — String birleştirmenin uygulamalı hâli. ::: {.callout-tip title="Builder Notu — Bu Dersin ML Köprüleri"} - **`input()` = ML data ingestion'ın ilkel hali.** PyTorch'ta `dataloader = DataLoader(dataset, batch_size=64)` yaparak da veri "alıyorsun" — sadece klavye yerine dosyadan/veritabanından/network'ten. Mantik ayni: bir kaynaktan veri çek, değişkende sakla, kodda kullan. - **String-by-default = veri parse zorunluluğu.** `input()` her şeyi string döner; CSV de öyle, JSON de bazen öyle. ML pipeline'ında **parsing** (str → int/float/datetime) çıkış noktası. - **Calculator bug = ML scaler bug analojisi.** `"5" + "8" = "58"` bug'ı, ML'de yaygın `learning_rate = "0.001"` (JSON'dan string okundu) → `optimizer.step()` kırılır tipi bug'la birebir eşlenir. - **Mad Libs = prompt template!** Kullanıcıdan kelime al → şablon string'e yerleştir. Bu LLM çağının **prompt template'i**: `"Sen bir {role} olarak {task} yap."` LangChain `PromptTemplate`, OpenAI/Anthropic API'ların `messages` — hepsi Mosh'un mad libs'inin sofistike halleri. - **Çoklu input = batch processing'in atası.** Mosh üç ayrı `input()` çağırısı yapıyor; ML'de bir DataLoader bir epoch'ta yüzlerce batch verisi çeker. - **F-string'in gücü burada çıkar.** Mosh `+` ile birleştirme gösteriyor; modern Python — ve tüm ML logları — f-string kullanır: `print(f"Epoch {epoch}, loss={loss:.4f}")`. ::: ## `input()` Fonksiyonu {#sec-input} > *"kullanıcıdan giriş. bu yüzden temel olarak bir kullanıcının izin vermesine izin veriyoruz programimiza bilgi girişi yapın."* — Mosh (Türkçe dublaj), 48:31 ### Sentaks ```python name = input("Adin: ") print("Merhaba " + name + "!") ``` Konsolda: ``` Adin: Deniz Merhaba Deniz! ``` **Akış:** 1. Program `input(...)` satırına gelince **durur**. 2. Ekrana prompt'u (parantezdeki string) basar. 3. Kullanıcı yazıp Enter'a basar. 4. Yazılanlar **string** olarak değişkene atanır. 5. Program devam eder. ### Çoklu Girdi ```python name = input("Adin: ") age = input("Yasin: ") print("Merhaba " + name + "! Sen " + age + " yasindasin.") ``` ``` Adin: Deniz Yasin: 35 Merhaba Deniz! Sen 35 yasindasin. ``` ### ⚠️ Kritik Detay — Her Zaman String Bu cümle, Ders 3'ün **tek en önemli cümlesidir**: ::: {.callout-important title="`input()` dönüş tipi her zaman `str`'dir"} Kullanıcı `35` yazsa bile `age` değişkeninde saklı olan `"35"` (string), `35` (int) değil. Sayı işlemi yapmadan önce `int()` veya `float()` ile **dönüştürmek zorunlu**. ::: ## Proje 1 — Basit Hesap Makinesi (Bug Avı) {#sec-calculator} ### İlk Deneme — BUG ```python num1 = input("Birinci sayi: ") num2 = input("Ikinci sayi: ") result = num1 + num2 print(result) ``` Çalıştır: ``` Birinci sayi: 5 Ikinci sayi: 8 58 ``` **`5 + 8 = 58`?** Hayır — Python toplamayı yapmadı, **stringleri birleştirdi**. `"5" + "8" = "58"` (Ders 2 §3.4: `+` string'ler için concatenation). > *"kullanicidan girdi aldigimizda varsayilan olarak. Python sadece donusturmek icin gidiyor bir dize icine"* — Mosh (Türkçe dublaj), 54:49 ### Çözüm — `int()` veya `float()` ```python num1 = int(input("Birinci sayi: ")) # input() -> str, int(str) -> int num2 = int(input("Ikinci sayi: ")) result = num1 + num2 print(result) # 13 ``` `int(input(...))` Python'da bir kalıp — her interaktif sayı girdisinde göreceksin. ### İkinci Bug — Ondalıklı Sayılar ``` Birinci sayi: 4.3 Ikinci sayi: 5.5 ValueError: invalid literal for int() with base 10: '4.3' ``` `int("4.3")` hata atar — `int` ondalık nokta kabul etmez. > *"kullanabilecegimiz baska bir fonksiyon var yerine n samandira diyebiliriz"* — Mosh (Türkçe dublaj), 57:08 (Dublajdaki "şamandıra" = `float`.) ```python num1 = float(input("Birinci sayi: ")) num2 = float(input("Ikinci sayi: ")) result = num1 + num2 print(result) # 9.8 ``` `float()` hem `"5"` (`5.0`) hem `"4.3"` (`4.3`) için çalışır. **Pratik:** bilmiyorsan `float()` kullan. ### Tradeoff | Tip | Davranış | Ne zaman? | |-----|----------|-----------| | `int(input(...))` | Sadece tam sayı kabul; ondalık → ValueError | Tekrar sayısı, indeks, label | | `float(input(...))` | Hem tam hem ondalık; sonuç hep float | Para, ölçü, ML loss değeri | ### Calculator Bug = ML Scaler Bug ::: {.callout-warning title="Builder Notu — JSON Config Tuzağı"} Mosh'un `"5" + "8" = "58"` bug'ı ML kodunda çok yaygın hâle bürünür. Senaryo: bir JSON config dosyasından hyperparameter okuyorsun. ```json { "learning_rate": "0.001", // tirnak icinde - STRING! "batch_size": "64", "epochs": "100" } ``` ```python import json with open("config.json") as f: cfg = json.load(f) print(type(cfg["learning_rate"])) # <class 'str'> ← BUG! # Optimizer kuralsiz reddediyor: optimizer = torch.optim.SGD(model.parameters(), lr=cfg["learning_rate"]) # TypeError: ... must be float, not str ``` **Çözüm tipi aynı Mosh'unki:** ```python cfg["learning_rate"] = float(cfg["learning_rate"]) cfg["batch_size"] = int(cfg["batch_size"]) ``` Veya daha güvenli — JSON'da tipleri **string olarak yazma**, doğrudan sayı: ```json { "learning_rate": 0.001, "batch_size": 64 } ``` ML mühendisinin haftada en az bir kez düştüğü tuzak. ::: ## Proje 2 — Mad Libs Oyunu {#sec-mad-libs} > *"deli bir libs oyun temelde sadece rastgele sozlerin bir demet girebileceginiz bir oyundur Bilirsin fiil isimleri"* — Mosh (Türkçe dublaj), 58:35 Klasik çocuk oyunu: hikaye şablonunda boşluklar var, oyuncu kelime önerir, hikaye ortaya çıkar. ### Mosh'un Şiir Şablonu ``` Roses are red, Violets are blue, I love you. ``` Üç boşluk: rengi, çoğul ismi, ünlü ismi. ### Kod ```python color = input("Bir renk soyle: ") plural_noun = input("Bir cogul isim soyle: ") celebrity = input("Bir unlu soyle: ") print("Guller " + color + ",") print(plural_noun + " mavi,") print(celebrity + "'i seviyorum.") ``` Çalıştır: ``` Bir renk soyle: mor Bir cogul isim soyle: mikrodalgalar Bir unlu soyle: Tom Hanks Guller mor, mikrodalgalar mavi, Tom Hanks'i seviyorum. ``` ### Modern — f-string ile ```python color = input("Bir renk soyle: ") plural_noun = input("Bir cogul isim soyle: ") celebrity = input("Bir unlu soyle: ") print(f"Guller {color},") print(f"{plural_noun} mavi,") print(f"{celebrity}'i seviyorum.") ``` Aynı çıktı, çok daha temiz kod. **f-string Python 3.6+ standardı.** ### Mad Libs = LLM Prompt Template ::: {.callout-important title="Builder Notu — Mosh'un En Derin Habercisi"} Mad Libs aslında modern LLM uygulamalarının temel mekanizmasının çocuk oyunu hâlidir: **prompt template**. ```python # Mad Libs (Mosh): ad = input("Adin: ") print(f"Merhaba {ad}!") # LangChain (modern LLM): from langchain.prompts import PromptTemplate template = PromptTemplate( input_variables=["role", "task", "tone"], template=""" Sen bir {role} olarak yazıyorsun. Görev: {task} Üslup: {tone} Yanıtın 200 kelimeyi geçmesin. """ ) prompt = template.format( role="ML mühendisi", task="self-attention mekanizmasını açıkla", tone="öğretici" ) response = llm.invoke(prompt) ``` **Mekanizma birebir aynı.** OpenAI / Anthropic API: ```python messages = [{"role": "user", "content": f"{user_question}"}] ``` `{user_question}` f-string slot — Mad Libs'in `{ad}` slot'unun aynısı. **Mosh'un Mad Libs oyunu, LLM uygulamasının ata-formudur.** Bunu içselleştirirsen, LangChain veya `openai` SDK öğrenirken "ben bunu daha önce gördüm" deyip hızla geçeceksin. ::: ```{python} #| label: fig-prompt-template #| fig-cap: "Mad Libs ↔ Prompt Template paraleli — aynı mekanizma, farklı ölçek" #| fig-width: 11 #| fig-height: 4.5 import matplotlib.pyplot as plt import matplotlib.patches as patches fig, ax = plt.subplots(figsize=(11, 4.5)) # Sol kutu - Mad Libs mad_box = patches.FancyBboxPatch((0.02, 0.2), 0.42, 0.7, boxstyle="round,pad=0.02", edgecolor="#3776ab", facecolor="#e3f2fd", linewidth=2) ax.add_patch(mad_box) ax.text(0.23, 0.85, "Mosh's Mad Libs", ha="center", fontsize=13, fontweight="bold", color="#1a3a5c") ax.text(0.05, 0.72, 'ad = input("Adin: ")', fontsize=10, family="monospace", color="#c2185b") ax.text(0.05, 0.62, 'hayvan = input("Hayvan: ")', fontsize=10, family="monospace", color="#c2185b") ax.text(0.05, 0.52, 'yer = input("Yer: ")', fontsize=10, family="monospace", color="#c2185b") ax.text(0.05, 0.38, 'print(f"Bir gün {ad}', fontsize=10, family="monospace", color="#1a3a5c") ax.text(0.05, 0.30, ' bir {hayvan} ile', fontsize=10, family="monospace", color="#1a3a5c") ax.text(0.05, 0.22, ' {yer}\'a gitti.")', fontsize=10, family="monospace", color="#1a3a5c") # Sağ kutu - LangChain lang_box = patches.FancyBboxPatch((0.56, 0.2), 0.42, 0.7, boxstyle="round,pad=0.02", edgecolor="#c2185b", facecolor="#fce4ec", linewidth=2) ax.add_patch(lang_box) ax.text(0.77, 0.85, "LangChain Prompt Template", ha="center", fontsize=13, fontweight="bold", color="#c2185b") ax.text(0.59, 0.72, 'template = PromptTemplate(', fontsize=10, family="monospace", color="#c2185b") ax.text(0.59, 0.64, ' input_variables=["role",', fontsize=10, family="monospace", color="#c2185b") ax.text(0.59, 0.56, ' "task", "audience"],', fontsize=10, family="monospace", color="#c2185b") ax.text(0.59, 0.46, ' template="""', fontsize=10, family="monospace", color="#1a3a5c") ax.text(0.59, 0.38, 'Sen bir {role} olarak', fontsize=10, family="monospace", color="#1a3a5c") ax.text(0.59, 0.30, '{audience} için {task} yap."""', fontsize=10, family="monospace", color="#1a3a5c") ax.text(0.59, 0.22, ')', fontsize=10, family="monospace", color="#c2185b") # Bridge arrow ax.annotate("", xy=(0.55, 0.55), xytext=(0.45, 0.55), arrowprops=dict(arrowstyle="->", lw=2.5, color="#f57c00")) ax.text(0.5, 0.62, "aynı", ha="center", fontsize=11, color="#f57c00", fontweight="bold") ax.text(0.5, 0.48, "mekanizma", ha="center", fontsize=11, color="#f57c00", fontweight="bold") # Title ax.text(0.5, 0.05, "Üç slot → şablon → sonuç (hikaye vs prompt)", ha="center", fontsize=11, style="italic", color="#4a5568") ax.set_xlim(0, 1); ax.set_ylim(0, 1) ax.axis("off") plt.tight_layout() plt.show() ``` ## Bu Dersin Özeti {#sec-ozet} 1. **`input(prompt)`** — klavyeden bir satır oku, string döndür. 2. **`input()` her zaman string döner** — kullanıcı `35` yazsa bile `"35"` saklı. 3. **Tip dönüşümü zorunlu:** `int(input(...))` veya `float(input(...))`. 4. **`int` katı, `float` esnek:** `int("4.3")` ValueError, `float("4.3")` çalışır. 5. **Calculator pattern'ı:** iki sayı al → işlem → sonuç. ML scaler bug'ın ata-formu. 6. **Mad Libs pattern'ı:** çoklu input + string template. **LLM prompt template'inin atası.** 7. **f-string > `+`** — modern Python, modern ML kodu. ::: {.callout-important title="Tek Bir Cümle"} `input()` Python'ın klavyeden veri alma şeklidir ve **her zaman string döner**; sayı işlemi yapmadan önce `int(...)` veya `float(...)` ile dönüştürmek zorunludur — bu küçük dönüşüm, ML pipeline'larında her gün yaptığın preprocessing'in **mikro hâlidir**; Mad Libs ise basit string template'inin ardındaki mekanizmayla aslında LangChain / LLM prompt template'lerinin atasıdır. ::: ## Egzersizler {#sec-egzersizler} **Egzersiz 1.** Doğum yılını sor, 2026'da kaç yaşında olacağını söyle. f-string kullan. ``` Dogum yilin: 1990 2026'da 36 yasinda olacaksin. ``` **Egzersiz 2.** Calculator'u dört işleme genişlet (`if/elif/else` Ders 6'da; şimdilik kopyala): ```python num1 = float(input("Birinci sayi: ")) op = input("Islem (+, -, *, /): ") num2 = float(input("Ikinci sayi: ")) if op == "+": print(num1 + num2) elif op == "-": print(num1 - num2) elif op == "*": print(num1 * num2) elif op == "/": print(num1 / num2) ``` `0` ile böl, ne olur? (`ZeroDivisionError` — Ders 10 habercisi.) **Egzersiz 3.** Kendi Mad Libs'ini yarat — en az **beş** input, en az **dört** satırlık şablon. f-string kullan. **Egzersiz 4.** Aşağıdaki kodun çıktısını **önceden tahmin et** (girdiler: `Deniz`, `35`): ```python ad = input("Adin: ") yas = input("Yasin: ") print("Ad turu: " + str(type(ad))) print("Yas turu: " + str(type(yas))) print("Ad + Yas = " + ad + yas) print("len(ad) = " + str(len(ad))) print("ad[0] = " + ad[0]) print(ad + 5) # HATA verecek - neden? ``` Son satırı düzelt. **Egzersiz 5.** (Builder eksen) Mini LLM prompt builder — kullanıcıdan üç girdi al, prompt template'e yerleştir, ekrana bas: ```python role = input("Rol (ornegin: Python ogretmeni): ") topic = input("Konu: ") audience = input("Hedef kitle: ") prompt = f"""Sen bir {role} olarak yaziyorsun. Konu: {topic} Hedef kitle: {audience} Yanitin 200 kelimeyi gecmesin.""" print("--- GENERATED PROMPT ---") print(prompt) ``` Bu egzersizin asıl noktası: **Mad Libs'in kendisini bir LLM prompt'a dönüştürdün**. Bu zihinsel sıçramayı yaşamak Ders 3'ün en derin kazancı. ## Sonraki Ders İçin Hazırlık **Ders 4: Listeler ve Tuple'lar** Şimdiye kadar **tek** veri ile çalıştık. Ders 4'te **bir grup** veriyi tek bir yapıda saklamayı öğreneceğiz. - **Mosh'un Ch 11-13'ünü izle** (1:03:18 - 1:24:21, ~21 dk). - **Şu cümleyi içselleştir:** "Liste birden fazla değeri tek bir değişkende saklar — sıralı, indekslenebilir, değişebilir." ::: {.callout-tip title="Bu dersten tek bir şey alıp gideceksen"} `input()` Python'ın klavyeden veri alma şeklidir ve **her zaman string döner** — sayı işlemine girmeden önce `int()` veya `float()` ile dönüştürmek zorunlu; Mosh'un Calculator bug avı = ML'de her gün karşılaştığın "JSON'dan string okudum" bug'ın aynısı; Mad Libs'in masum hâli = modern LangChain `PromptTemplate`'in ata-formu. :::