7 Karar Yapıları

if/elif/else + comparison + logic — torch.where ve attention masking’in atası

Bölüm bilgisi

Mosh’un videosu: Chapters 16-18 (If → Comparisons → Better Calculator) (≈27 dk)
Bölüm aralığı: 1:40:09 — 2:07:20
Kaynaklar: Python docs — control flow · PEP 308 — conditional expressions
Okuma süresi: ≈50 dk

7.1 Bu Derste Ne Var?

Şimdiye kadar kod hep yukarıdan aşağı doğrusal çalıştı. Ders 6’da ilk dallanmayı ekleyeceğiz: “şu durumda bunu yap, başka durumda diğerini.” Bu, Python’u (ve genel olarak programlamayı) “düz hesaplayıcı”dan karar verebilen akıllı bir araca dönüştürür.

flowchart LR
    A["if koşul:"] --> B["else / elif"]
    B --> C["Comparisons<br/>== != < > <= >="]
    C --> D["Logic<br/>and / or / not"]
    D --> E["Truthy/Falsy"]
    E --> F["💡 if liste:"]
    D --> G["💎 mask = x > 0"]
    G --> H["➡️ torch.where(x>0, x, 0)"]
    H --> I["= ReLU!"]

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

Şekil 7.1: Ders 6’nın akış haritası — if’ten torch.where’e

Dersin beş parçası:

if ifadesi. — if hungry: eat().
else ve elif. — Çoklu dal.
Karşılaştırma operatörleri. — ==, !=, <, >, <=, >=.
Mantık operatörleri. — and, or, not.
Better Calculator (proje). — if/elif/else ile dispatch.

Builder Notu — Bu Dersin ML Köprüleri

if/else = torch.where() masking. Mosh’un if x > 0: y = x else: y = 0 (ReLU mantığı!), PyTorch’ta y = torch.where(x > 0, x, torch.zeros_like(x)) ile birebir aynı iş. Element-wise çalıştığı için batch verisinde yüz binlerce karar tek hamlede.
Karşılaştırma = boolean mask. x > 0 Python’da skaler True/False; PyTorch’ta tensor > 0 → tensor of True/False (boolean mask). Bu mask ile filtreleme: x[x > 0] (pozitif elemanlar).
Boolean = mask tensor. ML’de “hangi token padding, hangi değil”, “hangi pixel arka plan” — hepsi True/False tensor’lar.
and/or/not = &, |, ~ tensor’larda. Python’da True and False boolean; PyTorch’ta mask1 & mask2 (element-wise AND). Multi-condition filtering ML’de kritik.
Multi-branch (elif) = argmax / bucketize. if score > 0.9: A elif score > 0.5: B else: C mantığı, softmax + threshold ile vektörlü.
Truthy/Falsy = empty check pattern. if liste: boş mu kontrolü Python’un en sevilen deyimi.
Short-circuit = lazy evaluation. if obj is not None and obj.value > 0: — güvenli null kontrol.
Sanity check disiplini. ML’de if loss.isnan(): raise RuntimeError(...) — üretim ML kodunun savunma mekanizması.

7.2 `if` İfadesi — Temel

Mosh:

“ifadeler programlarımıza gerçekten yardımcı olabiliriz. Yapmak kararlar.” — Mosh (Türkçe dublaj), 1:40:18

7.2.1 Günlük Hayattan Örnek

"if hungry: eat breakfast"
"if cloudy: bring umbrella ELSE: bring sunglasses"
"if meat: order steak elif pasta: order spaghetti ELSE: order salad"

Programcı yapısı tıpatıp aynı:

if ac:
    kahvalti_yap()

if bulutlu:
    semsiye_getir()
else:
    gunes_gozlugu_getir()

if etyemek:
    biftek_siparis()
elif makarna:
    spagetti_siparis()
else:
    salata_siparis()

7.2.2 Sentaks

“Eğer bir if ifadesi kullanmak istersem tek yapmam gereken yazmak if. ve sonra Sadece yazmam gerek bir durum.” — Mosh (Türkçe dublaj), 1:44:22

if kosul:
    # girintili kod (kosul True ise calisir)
    print("kosul dogru!")

Dört parça:

if — anahtar kelime.
koşul — True veya False üreten bir ifade.
: — gövde başlangıcı.
girintili kod — koşul True olduğunda çalışan blok.

7.2.3 İlk Örnek

is_male = True

if is_male:
    print("Sen bir erkeksin.")

print("Bu satir her zaman calisir (girinti yok).")

is_male False yapılsa, if içindeki kod atlanır; gerisi normal çalışır.

7.2.4 Sanity Check Pattern

Builder Notu — Üretim ML Kodu

ML’in en yaygın if pattern’i: sanity check + early termination.

import torch

def train_step(model, batch):
    loss = model(batch).loss

    if torch.isnan(loss):
        raise RuntimeError("Loss is NaN - training diverged!")

    if loss.item() > 1e6:
        print("Warning: loss is very large, check learning rate")

    return loss

Üç if — üç farklı sanity check. Üretim ML kodu bu pattern ile dolu. Mosh’un “if condition: act” temel yapısı, savunma mekanizması.

7.3 `else` ve `elif` — Çoklu Dallar

7.3.1 `else`

is_male = True

if is_male:
    print("Sen bir erkeksin.")
else:
    print("Sen bir erkek degilsin.")

Mutlaka biri çalışır.

7.3.2 `elif`

restoran_yemek = "makarna"

if restoran_yemek == "biftek":
    print("Biftek siparis edildi.")
elif restoran_yemek == "makarna":
    print("Spagetti ve kofte siparis edildi.")
elif restoran_yemek == "balik":
    print("Levrek siparis edildi.")
else:
    print("Salata siparis edildi.")

Akış:

if kontrol → False → atla.
İlk elif → True → bu bloğu çalıştır + tüm zinciri bitir.
Diğerleri çalışmaz.

Tek bir blok çalışır — koşullar True olsa bile sadece ilki.

7.3.3 Pratik — Not Sistemi

puan = 87

if puan >= 90:
    harf = "A"
elif puan >= 80:
    harf = "B"
elif puan >= 70:
    harf = "C"
elif puan >= 60:
    harf = "D"
else:
    harf = "F"

İlk elif’in koşulu yazılırken 87 < 90 zaten biliniyor (önceki if False olduğu için buradayız). Bu yüzden sadece alt sınırı yazmak yeterli.

7.3.4 Multi-Branch ML’de

Builder Notu — Confidence Dispatch

import torch

logits = model(x)
probs = torch.softmax(logits, dim=-1)
max_prob, pred_class = probs.max(dim=-1)

# Sklaer Python (yavaş):
for i in range(batch_size):
    if max_prob[i] > 0.9:
        action = "accept"
    elif max_prob[i] > 0.5:
        action = "review"
    elif max_prob[i] > 0.3:
        action = "human_review"
    else:
        action = "reject"

# Vektörlü PyTorch (hızlı):
actions = torch.zeros_like(max_prob, dtype=torch.long)
actions = torch.where(max_prob > 0.9, 0, actions)
actions = torch.where((max_prob > 0.5) & (max_prob <= 0.9), 1, actions)
actions = torch.where((max_prob > 0.3) & (max_prob <= 0.5), 2, actions)
actions = torch.where(max_prob <= 0.3, 3, actions)

torch.where Mosh’un if/elif/else zincirinin tensor-element-wise versiyonu. Tek hamlede tüm batch için karar verir.

7.4 Karşılaştırma Operatörleri

“ifadelerin kullanıp kullanılmadığını başka bir yolla inceleyeceğiz. Sadece boolean değerleri kullanmak yerine, aslında karşılaştırabiliriz.” — Mosh (Türkçe dublaj), 1:54:30

7.4.1 Altı Operatör

a = 5
b = 10

a == b   # False  (esit mi?)
a != b   # True   (esit DEGIL mi?)
a < b    # True   (kucuk mu?)
a > b    # False  (buyuk mu?)
a <= b   # True
a >= b   # False

Her karşılaştırma boolean döner.

7.4.2 KRİTİK Tuzak — `=` vs `==`

a = 5        # ATAMA: a degiskenine 5 koy
a == 5       # KARSILASTIRMA: a 5'e esit mi? (True)

if a = 5:    # SyntaxError! atama if kosulu olamaz
    ...

if a == 5:   # OK
    ...

Python tasarımı bu hatayı erken yakalar (SyntaxError). C/Java’da if (a = 5) sessizce çalışır.

7.4.3 String Karşılaştırma

isim = "Deniz"

if isim == "Deniz":
    print("Selam Deniz!")

# Alfabetik:
"apple" < "banana"    # True   (a < b)
"apple" < "Apple"     # False  (A buyuk harf ASCII'de KUCUK)

# Case-insensitive:
if isim.lower() == "deniz":   # her ikisini küçük, sonra karsilastir
    print("Selam!")

7.4.4 Mosh’un Max Örneği

def max_num(num1, num2, num3):
    if num1 >= num2 and num1 >= num3:
        return num1
    elif num2 >= num1 and num2 >= num3:
        return num2
    else:
        return num3

print(max_num(3, 4, 5))      # 5
print(max_num(40, 4, 5))     # 40

7.4.5 Zincirleme — Python Özel

# C/Java tarzi:
if 0 < x and x < 10:
    print("0-10 arasinda")

# Python ozel - zincirleme:
if 0 < x < 10:
    print("0-10 arasinda")

# Matematik notasyonu:
if 18 <= yas < 65:
    print("Calisma yasinda")

C/Java/JS bu syntax’ı desteklemez.

7.4.6 Tensor Karşılaştırma

Builder Notu — Boolean Mask

PyTorch’ta karşılaştırma operatörleri element-wise:

import torch

x = torch.tensor([1, 5, 3, 8, 2])
threshold = 4

mask = x > threshold
print(mask)             # tensor([False,  True, False,  True, False])
print(mask.dtype)       # torch.bool

# Mask ile filtreleme:
print(x[mask])          # tensor([5, 8])
print(mask.sum())       # tensor(2)  - kaç eleman threshold'u astı

Mosh’un if x > 4: skaler karşılaştırması, PyTorch’ta x > 4 ile tensor-of-booleans üretir. Bu mask ML’in temel veri yapısı:

Attention mask — hangi token’lara dikkat
Padding mask — hangi pozisyonlar boş
Image segmentation — hangi pixel obje
Loss masking — hangi sample’lar hesaba katılsın

Şekil 7.2: Mosh’un if/else’i = ReLU = `torch.where(x>0, x, 0)` — aynı mantık

7.5 Mantık Operatörleri — `and`, `or`, `not`

7.5.1 `and` — İkisi de Doğru

is_male = True
is_tall = True

if is_male and is_tall:
    print("Uzun boylu bir erkeksin.")

True and True = True; başka her şey = False.

7.5.2 `or` — En Az Biri Doğru

if is_male or is_tall:
    print("Erkek veya uzun (veya ikisi).")

False or False = False; başka her şey = True.

7.5.3 `not` — Tersine Çevir

if not is_male:
    print("Erkek degilsin.")

7.5.4 Birleştirme

is_male = True
is_tall = False

if is_male and is_tall:
    print("Uzun boylu erkek.")
elif is_male and not is_tall:
    print("Kisa boylu erkek.")
elif not is_male and is_tall:
    print("Uzun boylu (erkek degil).")
else:
    print("Ne erkek ne de uzun.")

7.5.5 Operatör Önceliği

# not > and > or
True or False and False    # = True or (False and False) = True
not True and False         # = (not True) and False = False

Şüphedeysen parantez koy.

7.5.6 Conditional Expression (Ternary)

yas = 25

# Cok satirli:
if yas >= 18:
    durum = "yetiskin"
else:
    durum = "cocuk"

# Tek satirli:
durum = "yetiskin" if yas >= 18 else "cocuk"

ML kodda yaygın:

# Learning rate schedule:
lr = 1e-3 if epoch < 10 else 1e-4

# Device:
device = "cuda" if torch.cuda.is_available() else "cpu"

7.5.7 Tensor’larda `&`, `|`, `~`

Builder Notu — Tensor Bitwise

PyTorch’ta and, or, not tensor-geneninde bitwise olarak:

import torch

mask1 = torch.tensor([True, False, True, True])
mask2 = torch.tensor([True, True, False, True])

mask1 & mask2    # tensor([ True, False, False,  True])  AND
mask1 | mask2    # tensor([ True,  True,  True,  True])  OR
~mask1           # tensor([False,  True, False, False])  NOT

Dikkat: and/or/not Python’un boolean operatörleri (skaler); &/|/~ bitwise (tensor). Karıştırma:

# YANLIS:
if mask1 and mask2:    # RuntimeError - hangi True/False?
    ...

# DOGRU:
combined = mask1 & mask2     # element-wise

# Skaler kontrol:
if mask1.all():   # tum elementler True mi?
    ...
if mask1.any():   # en az bir True mi?
    ...

ML pattern — attention masking:

padding_mask = (tokens == PAD_TOKEN)
causal_mask = torch.tril(torch.ones(seq_len, seq_len)).bool()

combined_mask = padding_mask | ~causal_mask

attention_scores.masked_fill_(combined_mask, float('-inf'))

Bu transformer attention’ın çekirdek mekanizması. GPT/BERT/Claude’un içinde tam olarak böyle kullanılır.

7.6 Truthy / Falsy

Python her objeyi bir boolean değere indirgeyebilir.

Falsy (False gibi):

False, None, 0, 0.0, "" (boş string)
[], (), {}, set() (boş koleksiyonlar)

Truthy (her şey):

True, sıfırdan farklı her sayı, boş olmayan her şey

7.6.1 Yaygın Pattern’lar

liste = []
if liste:
    print("Dolu")
else:
    print("Bos")           # bu çalışır

# Sayi sifir mi:
sayi = 0
if not sayi:
    print("Sifir veya hicbir sey")

# None kontrol (genelde `is None` daha iyi):
result = None
if result is None:
    print("Sonuc yok")

7.6.2 `is None` vs `== None`

# IYI:
if x is None:
    ...

# COGUNLUKLA OK ama özel durumlarda buggy:
if x == None:
    ...

is referans kıyası (aynı obje mi?); == değer kıyası. None singleton — sadece bir tane var.

7.6.3 ML’de Truthy/Falsy

if dataloader:                    # data var mi?
    for batch in dataloader:
        ...

if model is not None:
    model.eval()

if all_losses:                    # liste bos degilse
    avg = sum(all_losses) / len(all_losses)
else:
    avg = 0

if liste: empty kontrolü Python’un en sevilen deyimlerinden. C/Java’da if (list != null && list.size() > 0); Python: if liste:.

7.7 Proje — Better Calculator

Ders 3’te basit calculator (toplama). Şimdi dört işlem:

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)
else:
    print("Bilinmeyen islem!")

Çalıştır:

Birinci sayi: 7
Islem (+, -, *, /): *
Ikinci sayi: 3
21.0

7.7.1 İyileştirme — Sıfıra Bölme

elif op == "/":
    if num2 == 0:
        print("Hata: sifira bolunemez")
    else:
        print(num1 / num2)

7.7.2 ML Pattern — Model Seçimi

Builder Notu — Factory Pattern

model_type = input("Model tipi (cnn/rnn/transformer): ")

if model_type == "cnn":
    model = build_cnn()
elif model_type == "rnn":
    model = build_rnn()
elif model_type == "transformer":
    model = build_transformer()
else:
    raise ValueError(f"Bilinmeyen: {model_type}")

model.train()

Mosh’un calculator’ı, ML’deki factory pattern ve configuration-driven model building’in mikro versiyonu. Hugging Face AutoModel.from_pretrained("bert-base-uncased") — içeride hangi mimari? bert ise BERT, gpt ise GPT — if/elif zinciri.

7.8 Bu Dersin Özeti

if kosul: — koşul True ise blok çalışır.
else — alternatif.
elif — çoklu dal; ilk True kazanır.
==, !=, <, >, <=, >= — boolean döner.
= vs == — atama vs karşılaştırma; karıştırma SyntaxError.
Zincirleme 0 < x < 10 — Python özel.
and, or, not — Python skaler.
&, |, ~ — tensor için bitwise.
Truthy/Falsy — if liste: empty check.
x if cond else y — tek satırlık conditional.

Tek Bir Cümle

if/elif/else Python’a karar verme yetisi kazandırır — Mosh’un “if hungry: eat else: skip” mantığı, PyTorch’taki torch.where(x > 0, x, 0) (ReLU!) ve transformer’lardaki attention masking’in (padding_mask | ~causal_mask) çekirdek atasıdır; karşılaştırma operatörleri tensor için boolean mask üretir — ML’in temel veri yapısı; ve if liste: boş kontrolü Python’un okunabilirlik felsefesinin en güzel örneklerinden biridir.

7.9 Egzersizler

Egzersiz 1. Yaş kategorileri:

0-2: “bebek”, 3-12: “cocuk”, 13-17: “genc”, 18-64: “yetiskin”, 65+: “yasli”.

yas = int(input("Yas: "))

if ???:
    print("bebek")
elif ???:
    ...

Sıra önemli — katıdan gevşeğe.

Egzersiz 2. Şifre güçlülük kontrolü (and):

sifre = input("Sifre: ")

uzun = len(sifre) >= 8
buyuk = any(c.isupper() for c in sifre)
rakam = any(c.isdigit() for c in sifre)

if uzun and buyuk and rakam:
    print("Sifre guclu!")
else:
    print("Eksik:")
    if not uzun: print("- En az 8 karakter")
    if not buyuk: print("- Buyuk harf")
    if not rakam: print("- Rakam")

Egzersiz 3. Calculator’a % ve ** ekle + sıfıra bölme kontrolü:

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

if op == "+":
    sonuc = num1 + num2
elif ???:
    ...

Egzersiz 4. Truthy/Falsy tahmin et:

test = [0, 0.0, "", " ", [], [0], None, "False"]

for x in test:
    if x:
        print(f"{x!r} → TRUTHY")
    else:
        print(f"{x!r} → FALSY")

"False" (string) neden truthy? [0] neden truthy?

Egzersiz 5. (Builder eksen — tensor mask) torch.where mantığını Python listesi ile simüle et:

skorlar = [0.95, 0.42, 0.78, 0.31, 0.88, 0.55, 0.12, 0.99, 0.45, 0.67]

def aksiyon_belirle(skor):
    if ???:           # > 0.9 → "accept"
        return "accept"
    elif ???:         # > 0.5 → "review"
        return "review"
    else:
        return "reject"

aksiyonlar = [aksiyon_belirle(s) for s in skorlar]

for s, a in zip(skorlar, aksiyonlar):
    print(f"Skor {s:.2f} → {a}")

print(f"\nAccept: {aksiyonlar.count('accept')}")
print(f"Review: {aksiyonlar.count('review')}")
print(f"Reject: {aksiyonlar.count('reject')}")

Bu egzersiz, ML’de tensor üzerinde vektörlü olarak yapılan kararın Python liste üzerinde döngülü versiyonu.

7.10 Sonraki Ders İçin Hazırlık

Ders 7: Sözlükler ve Setler

Mosh’un Ch 19 (Dictionaries) + Set kavramı (Mosh göstermez ama Python ekosistemi şart). Liste sıralı koleksiyondu; dict anahtar-değer eşlemesi, set unique elemanlar.

Mosh’un Ch 19’unu izle (2:07:20 - 2:14:16, ~7 dk).
Şu cümleyi içselleştir: “Dict = anahtarla bulma; Set = unique elemanlar.”

Bu dersten tek bir şey alıp gideceksen

if/elif/else Python’a karar verme yetisi kazandırır — Mosh’un “if hungry: eat else: skip” mantığı, modern ML’in en derin yapı taşıdır: PyTorch’un torch.where(x > 0, x, 0) (ReLU!), transformer attention masking (padding_mask | ~causal_mask), tüm sanity check’ler (if loss.isnan(): raise), tüm conditional schedule’lar (lr = 1e-3 if epoch < 10 else 1e-4) — hepsi bu temel mantığın doğal uzantısı.

--- title: "Karar Yapıları" subtitle: "`if/elif/else` + comparison + logic — `torch.where` ve attention masking'in atası" --- ::: {.callout-note title="Bölüm bilgisi"} - **Mosh'un videosu:** [Chapters 16-18 (If → Comparisons → Better Calculator)](https://www.youtube.com/watch?v=rfscVS0vtbw&t=6009s) (≈27 dk) - **Bölüm aralığı:** 1:40:09 — 2:07:20 - **Kaynaklar:** [Python docs — control flow](https://docs.python.org/3/tutorial/controlflow.html) · [PEP 308 — conditional expressions](https://peps.python.org/pep-0308/) - **Okuma süresi:** ≈50 dk ::: ## Bu Derste Ne Var? {#sec-bu-derste-6} Şimdiye kadar kod hep yukarıdan aşağı **doğrusal** çalıştı. Ders 6'da ilk **dallanmayı** ekleyeceğiz: "şu durumda bunu yap, başka durumda diğerini." Bu, Python'u (ve genel olarak programlamayı) "düz hesaplayıcı"dan **karar verebilen** akıllı bir araca dönüştürür. ```{mermaid} %%| label: fig-akis-6 %%| fig-cap: "Ders 6'nın akış haritası — if'ten torch.where'e" flowchart LR A["if koşul:"] --> B["else / elif"] B --> C["Comparisons<br/>== != < > <= >="] C --> D["Logic<br/>and / or / not"] D --> E["Truthy/Falsy"] E --> F["💡 if liste:"] D --> G["💎 mask = x > 0"] G --> H["➡️ torch.where(x>0, x, 0)"] H --> I["= ReLU!"] style A fill:#e3f2fd,stroke:#3776ab,stroke-width:2px style G fill:#fff3e0,stroke:#f57c00,stroke-width:2px style I fill:#fce4ec,stroke:#c2185b,stroke-width:3px ``` **Dersin beş parçası:** 1. **`if` ifadesi.** — `if hungry: eat()`. 2. **`else` ve `elif`.** — Çoklu dal. 3. **Karşılaştırma operatörleri.** — `==`, `!=`, `<`, `>`, `<=`, `>=`. 4. **Mantık operatörleri.** — `and`, `or`, `not`. 5. **Better Calculator (proje).** — `if/elif/else` ile dispatch. ::: {.callout-tip title="Builder Notu — Bu Dersin ML Köprüleri"} - **`if/else` = `torch.where()` masking.** Mosh'un `if x > 0: y = x else: y = 0` (ReLU mantığı!), PyTorch'ta `y = torch.where(x > 0, x, torch.zeros_like(x))` ile birebir aynı iş. **Element-wise** çalıştığı için batch verisinde yüz binlerce karar tek hamlede. - **Karşılaştırma = boolean mask.** `x > 0` Python'da skaler True/False; PyTorch'ta `tensor > 0` → **tensor of True/False** (boolean mask). Bu mask ile filtreleme: `x[x > 0]` (pozitif elemanlar). - **Boolean = mask tensor.** ML'de "hangi token padding, hangi değil", "hangi pixel arka plan" — hepsi `True/False` tensor'lar. - **`and/or/not` = `&`, `|`, `~` tensor'larda.** Python'da `True and False` boolean; PyTorch'ta `mask1 & mask2` (element-wise AND). Multi-condition filtering ML'de kritik. - **Multi-branch (`elif`) = `argmax` / `bucketize`.** `if score > 0.9: A elif score > 0.5: B else: C` mantığı, softmax + threshold ile vektörlü. - **Truthy/Falsy = empty check pattern.** `if liste:` boş mu kontrolü Python'un en sevilen deyimi. - **Short-circuit = lazy evaluation.** `if obj is not None and obj.value > 0:` — güvenli null kontrol. - **Sanity check disiplini.** ML'de `if loss.isnan(): raise RuntimeError(...)` — üretim ML kodunun savunma mekanizması. ::: ## `if` İfadesi — Temel {#sec-if} Mosh: > *"ifadeler programlarımıza gerçekten yardımcı olabiliriz. Yapmak kararlar."* — Mosh (Türkçe dublaj), 1:40:18 ### Günlük Hayattan Örnek ``` "if hungry: eat breakfast" "if cloudy: bring umbrella ELSE: bring sunglasses" "if meat: order steak elif pasta: order spaghetti ELSE: order salad" ``` Programcı yapısı tıpatıp aynı: ```python if ac: kahvalti_yap() if bulutlu: semsiye_getir() else: gunes_gozlugu_getir() if etyemek: biftek_siparis() elif makarna: spagetti_siparis() else: salata_siparis() ``` ### Sentaks > *"Eğer bir if ifadesi kullanmak istersem tek yapmam gereken yazmak `if`. ve sonra Sadece yazmam gerek bir durum."* — Mosh (Türkçe dublaj), 1:44:22 ```python if kosul: # girintili kod (kosul True ise calisir) print("kosul dogru!") ``` Dört parça: - **`if`** — anahtar kelime. - **koşul** — `True` veya `False` üreten bir ifade. - **`:`** — gövde başlangıcı. - **girintili kod** — koşul `True` olduğunda çalışan blok. ### İlk Örnek ```python is_male = True if is_male: print("Sen bir erkeksin.") print("Bu satir her zaman calisir (girinti yok).") ``` `is_male` `False` yapılsa, `if` içindeki kod **atlanır**; gerisi normal çalışır. ### Sanity Check Pattern ::: {.callout-tip title="Builder Notu — Üretim ML Kodu"} ML'in en yaygın if pattern'i: **sanity check + early termination**. ```python import torch def train_step(model, batch): loss = model(batch).loss if torch.isnan(loss): raise RuntimeError("Loss is NaN - training diverged!") if loss.item() > 1e6: print("Warning: loss is very large, check learning rate") return loss ``` Üç `if` — üç farklı sanity check. Üretim ML kodu bu pattern ile dolu. Mosh'un "if condition: act" temel yapısı, savunma mekanizması. ::: ## `else` ve `elif` — Çoklu Dallar {#sec-else-elif} ### `else` ```python is_male = True if is_male: print("Sen bir erkeksin.") else: print("Sen bir erkek degilsin.") ``` **Mutlaka biri çalışır.** ### `elif` ```python restoran_yemek = "makarna" if restoran_yemek == "biftek": print("Biftek siparis edildi.") elif restoran_yemek == "makarna": print("Spagetti ve kofte siparis edildi.") elif restoran_yemek == "balik": print("Levrek siparis edildi.") else: print("Salata siparis edildi.") ``` Akış: 1. `if` kontrol → False → atla. 2. İlk `elif` → True → **bu bloğu çalıştır + tüm zinciri bitir**. 3. Diğerleri çalışmaz. **Tek bir blok çalışır** — koşullar `True` olsa bile sadece **ilki**. ### Pratik — Not Sistemi ```python puan = 87 if puan >= 90: harf = "A" elif puan >= 80: harf = "B" elif puan >= 70: harf = "C" elif puan >= 60: harf = "D" else: harf = "F" ``` İlk `elif`'in koşulu yazılırken `87 < 90` zaten **biliniyor** (önceki `if` False olduğu için buradayız). Bu yüzden sadece alt sınırı yazmak yeterli. ### Multi-Branch ML'de ::: {.callout-tip title="Builder Notu — Confidence Dispatch"} ```python import torch logits = model(x) probs = torch.softmax(logits, dim=-1) max_prob, pred_class = probs.max(dim=-1) # Sklaer Python (yavaş): for i in range(batch_size): if max_prob[i] > 0.9: action = "accept" elif max_prob[i] > 0.5: action = "review" elif max_prob[i] > 0.3: action = "human_review" else: action = "reject" # Vektörlü PyTorch (hızlı): actions = torch.zeros_like(max_prob, dtype=torch.long) actions = torch.where(max_prob > 0.9, 0, actions) actions = torch.where((max_prob > 0.5) & (max_prob <= 0.9), 1, actions) actions = torch.where((max_prob > 0.3) & (max_prob <= 0.5), 2, actions) actions = torch.where(max_prob <= 0.3, 3, actions) ``` `torch.where` Mosh'un `if/elif/else` zincirinin **tensor-element-wise** versiyonu. Tek hamlede tüm batch için karar verir. ::: ## Karşılaştırma Operatörleri {#sec-comparison} > *"ifadelerin kullanıp kullanılmadığını başka bir yolla inceleyeceğiz. Sadece boolean değerleri kullanmak yerine, aslında karşılaştırabiliriz."* — Mosh (Türkçe dublaj), 1:54:30 ### Altı Operatör ```python a = 5 b = 10 a == b # False (esit mi?) a != b # True (esit DEGIL mi?) a < b # True (kucuk mu?) a > b # False (buyuk mu?) a <= b # True a >= b # False ``` Her karşılaştırma **boolean** döner. ### KRİTİK Tuzak — `=` vs `==` ```python a = 5 # ATAMA: a degiskenine 5 koy a == 5 # KARSILASTIRMA: a 5'e esit mi? (True) if a = 5: # SyntaxError! atama if kosulu olamaz ... if a == 5: # OK ... ``` Python tasarımı bu hatayı **erken yakalar** (SyntaxError). C/Java'da `if (a = 5)` sessizce çalışır. ### String Karşılaştırma ```python isim = "Deniz" if isim == "Deniz": print("Selam Deniz!") # Alfabetik: "apple" < "banana" # True (a < b) "apple" < "Apple" # False (A buyuk harf ASCII'de KUCUK) # Case-insensitive: if isim.lower() == "deniz": # her ikisini küçük, sonra karsilastir print("Selam!") ``` ### Mosh'un Max Örneği ```python def max_num(num1, num2, num3): if num1 >= num2 and num1 >= num3: return num1 elif num2 >= num1 and num2 >= num3: return num2 else: return num3 print(max_num(3, 4, 5)) # 5 print(max_num(40, 4, 5)) # 40 ``` ### Zincirleme — Python Özel ```python # C/Java tarzi: if 0 < x and x < 10: print("0-10 arasinda") # Python ozel - zincirleme: if 0 < x < 10: print("0-10 arasinda") # Matematik notasyonu: if 18 <= yas < 65: print("Calisma yasinda") ``` C/Java/JS bu syntax'ı desteklemez. ### Tensor Karşılaştırma ::: {.callout-tip title="Builder Notu — Boolean Mask"} PyTorch'ta karşılaştırma operatörleri **element-wise**: ```python import torch x = torch.tensor([1, 5, 3, 8, 2]) threshold = 4 mask = x > threshold print(mask) # tensor([False, True, False, True, False]) print(mask.dtype) # torch.bool # Mask ile filtreleme: print(x[mask]) # tensor([5, 8]) print(mask.sum()) # tensor(2) - kaç eleman threshold'u astı ``` Mosh'un `if x > 4:` skaler karşılaştırması, PyTorch'ta `x > 4` ile **tensor-of-booleans** üretir. Bu **mask** ML'in temel veri yapısı: - **Attention mask** — hangi token'lara dikkat - **Padding mask** — hangi pozisyonlar boş - **Image segmentation** — hangi pixel obje - **Loss masking** — hangi sample'lar hesaba katılsın ::: ```{python} #| label: fig-relu #| fig-cap: "Mosh'un if/else'i = ReLU = `torch.where(x>0, x, 0)` — aynı mantık" #| fig-width: 11 #| fig-height: 4 import matplotlib.pyplot as plt import numpy as np fig, axes = plt.subplots(1, 2, figsize=(11, 4)) # Sol: Mosh skaler x = np.linspace(-5, 5, 100) y = np.where(x > 0, x, 0) axes[0].plot(x, y, "-", color="#3776ab", linewidth=2.5) axes[0].fill_between(x, 0, y, alpha=0.2, color="#3776ab") axes[0].axhline(0, color="#888", linewidth=0.5) axes[0].axvline(0, color="#888", linewidth=0.5) axes[0].set_xlabel("x", fontsize=12) axes[0].set_ylabel("y", fontsize=12) axes[0].set_title("Mosh: if x > 0: y = x else: y = 0", fontsize=12, color="#3776ab") axes[0].grid(alpha=0.3) axes[0].text(2, 1, "y = x", fontsize=12, color="#1a3a5c") axes[0].text(-3, 0.5, "y = 0", fontsize=12, color="#c2185b") # Sağ: Element-wise tensor x_batch = np.array([-2.5, -1.0, 0.5, 1.5, 3.0, -0.8, 2.2]) y_batch = np.maximum(x_batch, 0) x_pos = np.arange(len(x_batch)) width = 0.35 axes[1].bar(x_pos - width/2, x_batch, width, label="Input x", color="#3776ab", alpha=0.7) axes[1].bar(x_pos + width/2, y_batch, width, label="Output ReLU(x)", color="#c2185b", alpha=0.7) axes[1].axhline(0, color="#888", linewidth=0.5) axes[1].set_xlabel("Tensor index", fontsize=12) axes[1].set_ylabel("Value", fontsize=12) axes[1].set_title("PyTorch: torch.where(x > 0, x, 0)", fontsize=12, color="#c2185b") axes[1].set_xticks(x_pos) axes[1].legend(loc="upper left") axes[1].grid(alpha=0.3) fig.suptitle("if/else = ReLU = boolean mask — aynı matematik", fontsize=13, y=1.02) plt.tight_layout() plt.show() ``` ## Mantık Operatörleri — `and`, `or`, `not` {#sec-logic} ### `and` — İkisi de Doğru ```python is_male = True is_tall = True if is_male and is_tall: print("Uzun boylu bir erkeksin.") ``` `True and True` = `True`; başka her şey = `False`. ### `or` — En Az Biri Doğru ```python if is_male or is_tall: print("Erkek veya uzun (veya ikisi).") ``` `False or False` = `False`; başka her şey = `True`. ### `not` — Tersine Çevir ```python if not is_male: print("Erkek degilsin.") ``` ### Birleştirme ```python is_male = True is_tall = False if is_male and is_tall: print("Uzun boylu erkek.") elif is_male and not is_tall: print("Kisa boylu erkek.") elif not is_male and is_tall: print("Uzun boylu (erkek degil).") else: print("Ne erkek ne de uzun.") ``` ### Operatör Önceliği ```python # not > and > or True or False and False # = True or (False and False) = True not True and False # = (not True) and False = False ``` Şüphedeysen **parantez koy**. ### Conditional Expression (Ternary) ```python yas = 25 # Cok satirli: if yas >= 18: durum = "yetiskin" else: durum = "cocuk" # Tek satirli: durum = "yetiskin" if yas >= 18 else "cocuk" ``` ML kodda yaygın: ```python # Learning rate schedule: lr = 1e-3 if epoch < 10 else 1e-4 # Device: device = "cuda" if torch.cuda.is_available() else "cpu" ``` ### Tensor'larda `&`, `|`, `~` ::: {.callout-warning title="Builder Notu — Tensor Bitwise"} PyTorch'ta `and`, `or`, `not` **tensor-geneninde** bitwise olarak: ```python import torch mask1 = torch.tensor([True, False, True, True]) mask2 = torch.tensor([True, True, False, True]) mask1 & mask2 # tensor([ True, False, False, True]) AND mask1 | mask2 # tensor([ True, True, True, True]) OR ~mask1 # tensor([False, True, False, False]) NOT ``` **Dikkat:** `and`/`or`/`not` Python'un boolean operatörleri (skaler); `&`/`|`/`~` bitwise (tensor). Karıştırma: ```python # YANLIS: if mask1 and mask2: # RuntimeError - hangi True/False? ... # DOGRU: combined = mask1 & mask2 # element-wise # Skaler kontrol: if mask1.all(): # tum elementler True mi? ... if mask1.any(): # en az bir True mi? ... ``` **ML pattern — attention masking:** ```python padding_mask = (tokens == PAD_TOKEN) causal_mask = torch.tril(torch.ones(seq_len, seq_len)).bool() combined_mask = padding_mask | ~causal_mask attention_scores.masked_fill_(combined_mask, float('-inf')) ``` Bu transformer attention'ın çekirdek mekanizması. **GPT/BERT/Claude'un içinde** tam olarak böyle kullanılır. ::: ## Truthy / Falsy {#sec-truthy} Python her objeyi bir boolean değere indirgeyebilir. **Falsy** (False gibi): - `False`, `None`, `0`, `0.0`, `""` (boş string) - `[]`, `()`, `{}`, `set()` (boş koleksiyonlar) **Truthy** (her şey): - `True`, sıfırdan farklı her sayı, boş olmayan her şey ### Yaygın Pattern'lar ```python liste = [] if liste: print("Dolu") else: print("Bos") # bu çalışır # Sayi sifir mi: sayi = 0 if not sayi: print("Sifir veya hicbir sey") # None kontrol (genelde `is None` daha iyi): result = None if result is None: print("Sonuc yok") ``` ### `is None` vs `== None` ```python # IYI: if x is None: ... # COGUNLUKLA OK ama özel durumlarda buggy: if x == None: ... ``` `is` referans kıyası (aynı obje mi?); `==` değer kıyası. `None` singleton — sadece bir tane var. ### ML'de Truthy/Falsy ```python if dataloader: # data var mi? for batch in dataloader: ... if model is not None: model.eval() if all_losses: # liste bos degilse avg = sum(all_losses) / len(all_losses) else: avg = 0 ``` `if liste:` empty kontrolü Python'un en sevilen deyimlerinden. C/Java'da `if (list != null && list.size() > 0)`; Python: `if liste:`. ## Proje — Better Calculator {#sec-better-calc} Ders 3'te basit calculator (toplama). Şimdi dört işlem: ```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) else: print("Bilinmeyen islem!") ``` Çalıştır: ``` Birinci sayi: 7 Islem (+, -, *, /): * Ikinci sayi: 3 21.0 ``` ### İyileştirme — Sıfıra Bölme ```python elif op == "/": if num2 == 0: print("Hata: sifira bolunemez") else: print(num1 / num2) ``` ### ML Pattern — Model Seçimi ::: {.callout-tip title="Builder Notu — Factory Pattern"} ```python model_type = input("Model tipi (cnn/rnn/transformer): ") if model_type == "cnn": model = build_cnn() elif model_type == "rnn": model = build_rnn() elif model_type == "transformer": model = build_transformer() else: raise ValueError(f"Bilinmeyen: {model_type}") model.train() ``` Mosh'un calculator'ı, ML'deki **factory pattern** ve **configuration-driven model building**'in mikro versiyonu. Hugging Face `AutoModel.from_pretrained("bert-base-uncased")` — içeride hangi mimari? `bert` ise BERT, `gpt` ise GPT — if/elif zinciri. ::: ## Bu Dersin Özeti {#sec-ozet-6} 1. **`if kosul:`** — koşul True ise blok çalışır. 2. **`else`** — alternatif. 3. **`elif`** — çoklu dal; ilk True kazanır. 4. **`==`, `!=`, `<`, `>`, `<=`, `>=`** — boolean döner. 5. **`=` vs `==`** — atama vs karşılaştırma; karıştırma SyntaxError. 6. **Zincirleme `0 < x < 10`** — Python özel. 7. **`and`, `or`, `not`** — Python skaler. 8. **`&`, `|`, `~`** — tensor için bitwise. 9. **Truthy/Falsy** — `if liste:` empty check. 10. **`x if cond else y`** — tek satırlık conditional. ::: {.callout-important title="Tek Bir Cümle"} `if/elif/else` Python'a karar verme yetisi kazandırır — Mosh'un "if hungry: eat else: skip" mantığı, PyTorch'taki `torch.where(x > 0, x, 0)` (ReLU!) ve transformer'lardaki attention masking'in (`padding_mask | ~causal_mask`) çekirdek atasıdır; karşılaştırma operatörleri tensor için **boolean mask** üretir — ML'in temel veri yapısı; ve `if liste:` boş kontrolü Python'un okunabilirlik felsefesinin en güzel örneklerinden biridir. ::: ## Egzersizler {#sec-egzersizler-6} **Egzersiz 1.** Yaş kategorileri: - 0-2: "bebek", 3-12: "cocuk", 13-17: "genc", 18-64: "yetiskin", 65+: "yasli". ```python yas = int(input("Yas: ")) if ???: print("bebek") elif ???: ... ``` Sıra önemli — katıdan gevşeğe. **Egzersiz 2.** Şifre güçlülük kontrolü (`and`): ```python sifre = input("Sifre: ") uzun = len(sifre) >= 8 buyuk = any(c.isupper() for c in sifre) rakam = any(c.isdigit() for c in sifre) if uzun and buyuk and rakam: print("Sifre guclu!") else: print("Eksik:") if not uzun: print("- En az 8 karakter") if not buyuk: print("- Buyuk harf") if not rakam: print("- Rakam") ``` **Egzersiz 3.** Calculator'a `%` ve `**` ekle + sıfıra bölme kontrolü: ```python num1 = float(input("Birinci sayi: ")) op = input("Islem (+, -, *, /, %, **): ") num2 = float(input("Ikinci sayi: ")) if op == "+": sonuc = num1 + num2 elif ???: ... ``` **Egzersiz 4.** Truthy/Falsy tahmin et: ```python test = [0, 0.0, "", " ", [], [0], None, "False"] for x in test: if x: print(f"{x!r} → TRUTHY") else: print(f"{x!r} → FALSY") ``` `"False"` (string) neden truthy? `[0]` neden truthy? **Egzersiz 5.** (Builder eksen — tensor mask) `torch.where` mantığını Python listesi ile simüle et: ```python skorlar = [0.95, 0.42, 0.78, 0.31, 0.88, 0.55, 0.12, 0.99, 0.45, 0.67] def aksiyon_belirle(skor): if ???: # > 0.9 → "accept" return "accept" elif ???: # > 0.5 → "review" return "review" else: return "reject" aksiyonlar = [aksiyon_belirle(s) for s in skorlar] for s, a in zip(skorlar, aksiyonlar): print(f"Skor {s:.2f} → {a}") print(f"\nAccept: {aksiyonlar.count('accept')}") print(f"Review: {aksiyonlar.count('review')}") print(f"Reject: {aksiyonlar.count('reject')}") ``` Bu egzersiz, ML'de tensor üzerinde **vektörlü** olarak yapılan kararın Python liste üzerinde **döngülü** versiyonu. ## Sonraki Ders İçin Hazırlık **Ders 7: Sözlükler ve Setler** Mosh'un Ch 19 (Dictionaries) + Set kavramı (Mosh göstermez ama Python ekosistemi şart). Liste sıralı koleksiyondu; dict **anahtar-değer eşlemesi**, set **unique elemanlar**. - **Mosh'un Ch 19'unu izle** (2:07:20 - 2:14:16, ~7 dk). - **Şu cümleyi içselleştir:** "Dict = anahtarla bulma; Set = unique elemanlar." ::: {.callout-tip title="Bu dersten tek bir şey alıp gideceksen"} `if/elif/else` Python'a karar verme yetisi kazandırır — Mosh'un "if hungry: eat else: skip" mantığı, modern ML'in en derin yapı taşıdır: PyTorch'un `torch.where(x > 0, x, 0)` (ReLU!), transformer attention masking (`padding_mask | ~causal_mask`), tüm sanity check'ler (`if loss.isnan(): raise`), tüm conditional schedule'lar (`lr = 1e-3 if epoch < 10 else 1e-4`) — hepsi bu temel mantığın doğal uzantısı. :::