10 Uygulama: Çevirmen ve İyi Yorum Alışkanlığı

String transform + # yorum — NLP preprocessing ve ML documentation

Bölüm bilgisi

Mosh’un videosu: Chapters 25-26 (Translator → Comments) (≈12 dk)
Bölüm aralığı: 2:52:44 — 3:04:23
Kaynaklar: PEP 8 — comments · PEP 257 — docstrings
Okuma süresi: ≈30 dk

10.1 Bu Derste Ne Var?

Şu ana kadar öğrendiğimiz tüm yapıları (değişken, fonksiyon, if, for) bir araya getirip uygulama yazma alıştırması yapacağız. Ayrıca programlama disiplininin görünmez ama kritik bir parçasını öğreneceğiz: iyi yorum yazma alışkanlığı.

flowchart LR
    A["Çevirmen projesi"] --> B["for letter in phrase"]
    B --> C["if letter in 'aeiou'"]
    C --> D["💡 NLP preprocessing"]
    D --> E["lowercase + tokenize"]
    F["#  yorum"] --> G["why over what"]
    G --> H["Self-documenting code"]
    H --> I["💎 ML pipeline docs"]

    style D fill:#fff3e0,stroke:#f57c00,stroke-width:2px
    style I fill:#fce4ec,stroke:#c2185b,stroke-width:3px

Şekil 10.1: Ders 9’un akış haritası — çevirmen ve yorum disiplini

Dersin iki parçası:

Çevirmen projesi (Mosh Ch 25). — “Draft dili”ne çeviren küçük program. Ders 4-5-6-8’in sentezi.
Yorumlar (Mosh Ch 26). — # ile yazılan, insanın okuması için kritik satırlar.

Builder Notu — Bu Dersin ML Köprüleri

Çevirmen = preprocessing pipeline. Karakter karakter dönüşüm = string normalization (lowercase, accent stripping), NLP’nin temeli.
for letter in phrase = tokenize/character-level encoding. Modern transformer’larda for token in tokens: ile eşleşir. Mosh’un karakter döngüsü, GPT’nin BPE’sinin ilkel formu.
String transformation = data cleaning. ML pipeline’ının %30’u veri temizleme: lowercase, punctuation removal, whitespace normalization.
Yorum = ML pipeline documentation. Sinir ağı kodu yalnız bakıldığında anlaşılmaz: “neden 512 dim?”, “neden bu loss?”, “neden bu augmentation?”.
Docstring = API documentation (PyTorch, NumPy). help(torch.nn.Linear) yüzlerce satırlık docs açar.
“Why over what” prensibi. İyi yorum koda ne yaptığını değil, neden yaptığını açıklar.
Magic number = yorum gereksinimi. lr = 1e-3 yalnız görülürse “neden 1e-3?” sorusu kalır.
Self-documenting code prensibi. En iyi yorum yorumsuz kod’tur.

10.2 Çevirmen Projesi

Mosh kuruyor:

“tercüman nasıl kurulacağını göstereceğim piton. yani esasen yapabiliriz içeri almak onu bir cümle veya kelime gibi götürebiliriz ve onu farklı bir dile çevirebileceklerdir.” — Mosh (Türkçe dublaj), 2:52:44

10.2.1 Draft Language

“Draft Language” Mosh’un uydurduğu dil:

Tüm ünlüleri (a, e, i, o, u) g ile değiştir.
Sessiz harfler aynen kalsın.

Örnekler:

dog → dgg
cat → cgt
python → pythgn

10.2.2 İlk Versiyon

def translate(phrase):
    translation = ""
    for letter in phrase:
        if letter in "aeiouAEIOU":
            translation = translation + "g"
        else:
            translation = translation + letter
    return translation

print(translate(input("Bir cumle gir: ")))

Çalıştır:

Bir cumle gir: To be or not to be
Tg bg gr ngt tg bg

10.2.3 Mantığın Analizi

Satır	Ders	Konsept
`def translate(phrase):`	5	Fonksiyon tanımı
`translation = ""`	4	Akumulator (boş başla)
`for letter in phrase:`	8	String iteration
`if letter in "aeiouAEIOU":`	6 + 7	Membership test
`translation += "g"`	2	String concat
`return translation`	5	Değer döndürme

Bu mikro program Ders 4-5-6-8’in pratik sentezi.

10.2.4 İyileştirme — `.lower()` ile Verimli

“Aslında sadece soyleyebilirim ki mektup nokta alt icinde ve simdi sadece kucuk harfleri yazmam gerekiyor.” — Mosh (Türkçe dublaj), 2:58:32

def translate(phrase):
    translation = ""
    for letter in phrase:
        if letter.lower() in "aeiou":   # case-insensitive
            translation += "g"
        else:
            translation += letter
    return translation

10.2.5 İyileştirme — Büyük/Küçük Harf Koruma

Şu an "To" → "Tg". Asimetri:

def translate(phrase):
    translation = ""
    for letter in phrase:
        if letter.lower() in "aeiou":
            if letter.isupper():
                translation += "G"
            else:
                translation += "g"
        else:
            translation += letter
    return translation

print(translate("To Be Or Not To Be"))
# Tg Bg Gr Ngt Tg Bg

10.2.6 Modern Versiyon — `join` + Conditional Expression

def translate(phrase):
    """Bir cumleyi Draft diline cevirir (ünlüler G/g olur)."""
    sesli = "aeiou"
    parcalar = []

    for harf in phrase:
        if harf.lower() in sesli:
            yeni = "G" if harf.isupper() else "g"
        else:
            yeni = harf
        parcalar.append(yeni)

    return "".join(parcalar)

list + .join() yerine string concat — büyük metinlerde daha hızlı.
Conditional expression ("G" if ... else "g") — Ders 6.
Docstring ("""...""") — Ders 5.

10.2.7 Tek Satır — List Comprehension

def translate(phrase):
    return "".join(
        ("G" if h.isupper() else "g") if h.lower() in "aeiou" else h
        for h in phrase
    )

Bir satırda her şey. Pratik öneri: 2-3 koşul iç içe OK, daha fazlasıysa açık for.

10.2.8 Çevirmen = Preprocessing

Builder Notu — NLP Pipeline

def clean_text(text):
    """Bir metni ML-ready hale getir."""
    # 1. Lowercase
    text = text.lower()

    # 2. Punctuation strip
    import string
    text = "".join(c for c in text if c not in string.punctuation)

    # 3. Whitespace normalize
    text = " ".join(text.split())

    return text

raw = "Hello WORLD!!! Today is 2026..."
cleaned = clean_text(raw)
print(cleaned)
# hello world today is 2026

Mosh’un draft language çevirmeni, bu ML preprocessing pipeline’ının ilkel formu.

Tokenization — bir adım sonra:

from transformers import AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased")
tokens = tokenizer.tokenize("Hello world!")
print(tokens)   # ['hello', 'world', '!']

ids = tokenizer.encode("Hello world!")
print(ids)      # [101, 7592, 2088, 999, 102]

Mosh’un for letter in phrase’ı, transformer’larda for token in tokens’a evrilir.

10.3 Yorumlar — `#` ile İnsan-Okunabilirlik

Mosh Ch 26 kısa ama temel bir kavramı işliyor:

“bir yorum […] python tarafından işlenmeyecek olan bir çizgidir.” — Mosh (Türkçe dublaj), 3:00:47

10.3.1 Sentaks

# Bu bir yorum. Python bunu çalıştırmaz.

x = 5  # Satır içi yorum: x'i 5 yap.

İki form:

Tam satır yorum — # ile başlar.
Satır-içi yorum — kod sonrasında #.

10.3.2 Python Yorum Yok Sayar

# print("bu basilmaz")
print("bu basilir")   # Yorum kismi degil, bu kod basilir

“Temelde sadece insanlar için kullanılır. bu yüzden benim veya başka bir geliştiricinin beğenisine küçük bir yorum yazın” — Mosh (Türkçe dublaj), 3:01:09

10.3.3 Çoklu Satır

# Yontem 1: Her satiri # ile baslat (PEP 8 önerisi)
# Bu bir uzun
# açıklama.

"""
Yontem 2: Triple-quoted string.
Etkisiz (atanmamış).
"""

10.3.4 Docstring vs Comment

def translate(phrase):
    """Cevirmen — bir cumleyi Draft diline cevirir.

    Args:
        phrase: Cevirilecek string.

    Returns:
        Cevirilmis string.
    """
    # Akumulator: gezerken doldurulacak
    translation = ""

    # Her karakter icin kontrol
    for letter in phrase:
        ...

    return translation

Docstring ("""...""") — fonksiyon başında. help(...) ile görünür. Resmi.
Comment (#) — kod akışında. Geçici/açıklayıcı.

Pratik kural: Fonksiyon imzaları → docstring. Kod akışındaki kararlar/uyarılar → #.

10.4 İyi Yorum Alışkanlığı

10.4.1 “Why Over What” Prensibi

Kötü yorum — kod tekrarı:

# x'i 5 yap
x = 5

# i'yi 1 artir
i += 1

# Loss'u backward yap
loss.backward()

Değersiz. Kod zaten söylüyor.

İyi yorum — gerekçe:

# Magic number: Paper X'te kanıtlanan optimal hyperparameter
LEARNING_RATE = 3e-4

# Onceki epoch'tan kalan gradient'leri sifirla
# (PyTorch otomatik clear etmez - bilincli tasarim)
optimizer.zero_grad()

# Augmentation: %50 ihtimalle horizontal flip
# Gerekce: ImageNet'te 1% accuracy boost (validation)
if random.random() < 0.5:
    image = transforms.functional.hflip(image)

Bunlar değer katıyor — “neden bu sayı? Kaynak nerede?” sorularını yanıtlıyor.

10.4.2 Self-Documenting Code

# KOTU - yorum kodu kompanse:
x = 0   # epoch sayisi
y = 100  # max epoch
for i in range(y):
    z = train(model, data)   # z = train loss

# IYI - kod kendi acikliyor:
epoch_count = 0
MAX_EPOCHS = 100
for epoch_idx in range(MAX_EPOCHS):
    train_loss = train(model, data)
    epoch_count += 1

İyi isimlendirme = yorum gereksizliği.

10.4.3 Yorum Tehlikeleri

Üç tehlike

1. Yanlış / Eski Yorum:

# learning rate 1e-3 (KOD DEĞIŞTI, YORUM KALMADI)
LEARNING_RATE = 5e-4

Eski yorum yorumsuz koddan daha kötü — okuyucuyu yanıltır.

2. Aşırı Yorum:

i = 0          # i'yi sifirla
i += 1         # i'yi bir artir
i *= 2         # i'yi iki ile carp

Görsel akışı bozar.

3. Şaka / Sızlanma:

# Burayi düzenleyene lanet olsun
# Bu fonksiyon calisiyor ama nasil bilmiyorum

Profesyonel kodda yer almaz. TODO’lar issue tracker’a.

10.4.4 İyi Yorum Pattern’ları

Pattern 1 — Block başlığı:

# ===== Hyperparameters =====
LEARNING_RATE = 1e-3
BATCH_SIZE = 64

# ===== Model =====
model = MyModel()

# ===== Training =====
for epoch in range(EPOCHS):
    ...

Pattern 2 — Algoritma açıklaması:

def find_lr(model, loader):
    """Learning rate finder (Smith 2018)."""
    # Adim 1: LR'yi exponential olarak artir
    lr_schedule = [1e-7 * 10**i for i in range(50)]

    # Adim 2: Her LR icin bir batch egit
    losses = []
    for lr in lr_schedule:
        ...

    # Adim 3: Loss vs LR plotunda dik dustugu noktayi sec
    return lr_schedule[find_steepest_drop(losses)]

Pattern 3 — Uyarı:

# UYARI: Bu fonksiyon model.train() modunu cagirmaz
# Cagiran kod sorumlu (genelde validation kodu disarida)
def evaluate(model, loader):
    ...

Pattern 4 — Referans:

# Reference: Attention is All You Need (Vaswani 2017)
# Section 3.2.1, Eq. (1)
def scaled_dot_product_attention(Q, K, V):
    d_k = Q.shape[-1]
    scores = Q @ K.transpose(-2, -1) / (d_k ** 0.5)
    attn = scores.softmax(dim=-1)
    return attn @ V

ML araştırma kodunda paper referansı kritik.

10.4.5 ML Pipeline Documentation Hiyerarşisi

Builder Notu — Üç Katmanlı Disiplin

"""
training.py — Görsel sınıflandırma modeli eğitim scripti.

Yazar: Deniz
Tarih: 2026-05-28
Referans: ResNet paper (He et al. 2015)
"""

import torch

# Kaynak: configs/resnet18.yaml
config = load_config("configs/resnet18.yaml")


def train_one_epoch(model, loader, optimizer, criterion):
    """Tek bir epoch'un eğitim adımı.

    Args:
        model: PyTorch modeli (nn.Module).
        loader: DataLoader, batch'leri dict olarak yield eder.
        optimizer: AdamW veya benzeri.
        criterion: Loss fonksiyonu.

    Returns:
        avg_loss: Epoch'un ortalama loss'u.
    """
    model.train()
    losses = []

    for batch_idx, batch in enumerate(loader):
        # Veri device'a taşı
        images = batch["image"].to(DEVICE)
        labels = batch["label"].to(DEVICE)

        # Forward + loss
        logits = model(images)
        loss = criterion(logits, labels)

        # NaN guard - bozuk batch'i atla
        if torch.isnan(loss):
            continue

        # Gradient clipping (paper sec 3.4)
        torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        losses.append(loss.item())

    return sum(losses) / len(losses)

Üç katman:

Module docstring — dosya seviyesinde.
Function docstring — her fonksiyon başında.
Inline comments — kritik karar noktalarında.

10.5 Bu Dersin Özeti

Çevirmen projesi — string transform pipeline’ı, Ders 4-5-6-8 sentezi.
Yorumlar (#) — Python yok sayar, insan okur.
İyi yorum: “why over what”.
Self-documenting code — iyi isimlendirme yorum azaltır.
Docstring vs comment — fonksiyon imzaları docstring, akış yorumları #.
Magic number = yorum gereksinimi.
ML pipeline doc: module → function → inline hiyerarşisi.

Tek Bir Cümle

Mosh’un for letter in phrase: if letter in "aeiou": translation += "g" mikro programı, modern ML preprocessing pipeline’ının (lowercase, punctuation strip, tokenize) ve transformer karakter-bazlı encoding’in birebir atasıdır; yorumlar (#) Python tarafından yok sayılır ama kodun neden öyle yazıldığını insanlara taşır — magic number’lar, paper referansları, algoritma adımları; iyi yorum “ne yapar” demek değil “neden yapar” demektir, ve en iyi yorum gereksiz yorumdur (self-documenting code).

10.6 Egzersizler

Egzersiz 1. Türkçe ünlüler için çevirmen — a, e, ı, i, o, ö, u, ü:

def translate_turkce(phrase):
    """Bir Turkce cumleyi Draft diline cevirir."""
    turkce_unluler = "aeıioöuü"
    translation = ""

    for letter in phrase:
        if letter.lower() in turkce_unluler:
            translation += "G" if letter.isupper() else "g"
        else:
            translation += letter

    return translation

print(translate_turkce("Çok güzel bir gün"))
# Çgk ggzgl bgr ggn

Egzersiz 2. Sesli harf sayısı:

def count_vowels(phrase):
    count = 0
    ???
    return count

print(count_vowels("Hello World"))   # 3
print(count_vowels("AEIOU"))          # 5

Egzersiz 3. Yorumsuz kodu iyi yorumlarla zenginleştir:

import torch
import torch.nn as nn

config = {"lr": 3e-4, "batch_size": 32, "epochs": 50}

model = nn.Sequential(
    nn.Linear(784, 256),
    nn.ReLU(),
    nn.Dropout(0.2),
    nn.Linear(256, 10),
)

optimizer = torch.optim.AdamW(model.parameters(), lr=config["lr"])
criterion = nn.CrossEntropyLoss()

for epoch in range(config["epochs"]):
    for batch in train_loader:
        x, y = batch
        logits = model(x)
        loss = criterion(logits, y)
        optimizer.zero_grad()
        loss.backward()
        torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0)
        optimizer.step()

Konular: 3e-4 (Karpathy tweet?), 0.2 dropout, AdamW vs Adam, gradient clip 1.0.

Egzersiz 4. Sezar şifresi:

def caesar(phrase, shift):
    """Sezar sifresi — her harfi shift kadar kaydir."""
    result = ""
    for letter in phrase:
        if letter.isalpha():
            base = ord("A") if letter.isupper() else ord("a")
            offset = (ord(letter) - base + shift) % 26
            result += chr(base + offset)
        else:
            result += letter
    return result

print(caesar("Hello World", 3))    # Khoor Zruog
print(caesar("Khoor Zruog", -3))   # Hello World

ord() ve chr() — karakter ↔︎ ASCII sayı.

Egzersiz 5. (Builder eksen — NLP preprocessing)

def preprocess_text(text):
    """ML-ready hale getir.

    Adimlar:
    1. Lowercase
    2. Punctuation strip
    3. Whitespace normalize
    4. Strip start/end
    """
    import string

    # 1. Lowercase
    text = text.lower()

    # 2. Punctuation
    text = "".join(c for c in text if c not in string.punctuation)

    # 3. Whitespace
    text = " ".join(text.split())

    # 4. Strip
    text = text.strip()

    return text

raw = "Hello, World!!! Today is 2026... great day."
clean = preprocess_text(raw)
print(clean)
# "hello world today is 2026 great day"

NLP pipeline’larında kritik fonksiyon.

10.7 Sonraki Ders İçin Hazırlık

Ders 10: Hata Yönetimi ve Dosyalar

Mosh’un Ch 27-29 (Try/Except, Reading Files, Writing Files). Programlarımız artık dış dünyaya dokunacak.

Mosh’un Ch 27-29’unu izle (3:04:23-3:28:16, ~24 dk).
Şu cümleyi içselleştir: “Hata olabilir, dosya olabilir veya olmayabilir — program bu belirsizlikle başa çıkmalı.”

Bu dersten tek bir şey alıp gideceksen

Mosh’un çevirmeni — for letter in phrase: if letter in "aeiou": translation += "g" — modern ML preprocessing pipeline’ının (NLP tokenization, character encoding, BPE) çekirdek pattern’ıdır; yorumlar (#) Python’ın çalıştırmadığı ama insanın okuması gereken kritik bilgi taşıyıcılarıdır; en iyi yorum gereksiz yorumdur (self-documenting code), ama gerektiğinde “ne” değil “neden” yazılır.

--- title: "Uygulama: Çevirmen ve İyi Yorum Alışkanlığı" subtitle: "String transform + `#` yorum — NLP preprocessing ve ML documentation" --- ::: {.callout-note title="Bölüm bilgisi"} - **Mosh'un videosu:** [Chapters 25-26 (Translator → Comments)](https://www.youtube.com/watch?v=rfscVS0vtbw&t=10364s) (≈12 dk) - **Bölüm aralığı:** 2:52:44 — 3:04:23 - **Kaynaklar:** [PEP 8 — comments](https://peps.python.org/pep-0008/#comments) · [PEP 257 — docstrings](https://peps.python.org/pep-0257/) - **Okuma süresi:** ≈30 dk ::: ## Bu Derste Ne Var? {#sec-bu-derste-9} Şu ana kadar öğrendiğimiz tüm yapıları (değişken, fonksiyon, if, for) bir araya getirip **uygulama** yazma alıştırması yapacağız. Ayrıca programlama disiplininin görünmez ama kritik bir parçasını öğreneceğiz: **iyi yorum yazma alışkanlığı**. ```{mermaid} %%| label: fig-akis-9 %%| fig-cap: "Ders 9'un akış haritası — çevirmen ve yorum disiplini" flowchart LR A["Çevirmen projesi"] --> B["for letter in phrase"] B --> C["if letter in 'aeiou'"] C --> D["💡 NLP preprocessing"] D --> E["lowercase + tokenize"] F["# yorum"] --> G["why over what"] G --> H["Self-documenting code"] H --> I["💎 ML pipeline docs"] style D fill:#fff3e0,stroke:#f57c00,stroke-width:2px style I fill:#fce4ec,stroke:#c2185b,stroke-width:3px ``` **Dersin iki parçası:** 1. **Çevirmen projesi (Mosh Ch 25).** — "Draft dili"ne çeviren küçük program. Ders 4-5-6-8'in sentezi. 2. **Yorumlar (Mosh Ch 26).** — `#` ile yazılan, **insanın okuması için kritik** satırlar. ::: {.callout-tip title="Builder Notu — Bu Dersin ML Köprüleri"} - **Çevirmen = preprocessing pipeline.** Karakter karakter dönüşüm = string normalization (lowercase, accent stripping), NLP'nin temeli. - **`for letter in phrase` = tokenize/character-level encoding.** Modern transformer'larda `for token in tokens:` ile eşleşir. Mosh'un karakter döngüsü, GPT'nin BPE'sinin ilkel formu. - **String transformation = data cleaning.** ML pipeline'ının %30'u veri temizleme: lowercase, punctuation removal, whitespace normalization. - **Yorum = ML pipeline documentation.** Sinir ağı kodu yalnız bakıldığında anlaşılmaz: "neden 512 dim?", "neden bu loss?", "neden bu augmentation?". - **Docstring = API documentation (PyTorch, NumPy).** `help(torch.nn.Linear)` yüzlerce satırlık docs açar. - **"Why over what" prensibi.** İyi yorum koda **ne yaptığını** değil, **neden yaptığını** açıklar. - **Magic number = yorum gereksinimi.** `lr = 1e-3` yalnız görülürse "neden 1e-3?" sorusu kalır. - **Self-documenting code prensibi.** En iyi yorum **yorumsuz kod**'tur. ::: ## Çevirmen Projesi {#sec-cevirmen} Mosh kuruyor: > *"tercüman nasıl kurulacağını göstereceğim piton. yani esasen yapabiliriz içeri almak onu bir cümle veya kelime gibi götürebiliriz ve onu farklı bir dile çevirebileceklerdir."* — Mosh (Türkçe dublaj), 2:52:44 ### Draft Language "Draft Language" Mosh'un uydurduğu dil: 1. Tüm **ünlüleri** (`a`, `e`, `i`, `o`, `u`) `g` ile değiştir. 2. Sessiz harfler aynen kalsın. **Örnekler:** - `dog` → `dgg` - `cat` → `cgt` - `python` → `pythgn` ### İlk Versiyon ```python def translate(phrase): translation = "" for letter in phrase: if letter in "aeiouAEIOU": translation = translation + "g" else: translation = translation + letter return translation print(translate(input("Bir cumle gir: "))) ``` Çalıştır: ``` Bir cumle gir: To be or not to be Tg bg gr ngt tg bg ``` ### Mantığın Analizi | Satır | Ders | Konsept | |-------|------|---------| | `def translate(phrase):` | 5 | Fonksiyon tanımı | | `translation = ""` | 4 | Akumulator (boş başla) | | `for letter in phrase:` | 8 | String iteration | | `if letter in "aeiouAEIOU":` | 6 + 7 | Membership test | | `translation += "g"` | 2 | String concat | | `return translation` | 5 | Değer döndürme | Bu mikro program **Ders 4-5-6-8'in pratik sentezi.** ### İyileştirme — `.lower()` ile Verimli > *"Aslında sadece soyleyebilirim ki mektup nokta alt icinde ve simdi sadece kucuk harfleri yazmam gerekiyor."* — Mosh (Türkçe dublaj), 2:58:32 ```python def translate(phrase): translation = "" for letter in phrase: if letter.lower() in "aeiou": # case-insensitive translation += "g" else: translation += letter return translation ``` ### İyileştirme — Büyük/Küçük Harf Koruma Şu an `"To"` → `"Tg"`. Asimetri: ```python def translate(phrase): translation = "" for letter in phrase: if letter.lower() in "aeiou": if letter.isupper(): translation += "G" else: translation += "g" else: translation += letter return translation print(translate("To Be Or Not To Be")) # Tg Bg Gr Ngt Tg Bg ``` ### Modern Versiyon — `join` + Conditional Expression ```python def translate(phrase): """Bir cumleyi Draft diline cevirir (ünlüler G/g olur).""" sesli = "aeiou" parcalar = [] for harf in phrase: if harf.lower() in sesli: yeni = "G" if harf.isupper() else "g" else: yeni = harf parcalar.append(yeni) return "".join(parcalar) ``` - **`list + .join()`** yerine string concat — büyük metinlerde daha hızlı. - **Conditional expression** (`"G" if ... else "g"`) — Ders 6. - **Docstring** (`"""..."""`) — Ders 5. ### Tek Satır — List Comprehension ```python def translate(phrase): return "".join( ("G" if h.isupper() else "g") if h.lower() in "aeiou" else h for h in phrase ) ``` Bir satırda her şey. Pratik öneri: **2-3 koşul iç içe OK, daha fazlasıysa açık `for`**. ### Çevirmen = Preprocessing ::: {.callout-tip title="Builder Notu — NLP Pipeline"} ```python def clean_text(text): """Bir metni ML-ready hale getir.""" # 1. Lowercase text = text.lower() # 2. Punctuation strip import string text = "".join(c for c in text if c not in string.punctuation) # 3. Whitespace normalize text = " ".join(text.split()) return text raw = "Hello WORLD!!! Today is 2026..." cleaned = clean_text(raw) print(cleaned) # hello world today is 2026 ``` Mosh'un draft language çevirmeni, bu **ML preprocessing pipeline**'ının ilkel formu. **Tokenization** — bir adım sonra: ```python from transformers import AutoTokenizer tokenizer = AutoTokenizer.from_pretrained("bert-base-uncased") tokens = tokenizer.tokenize("Hello world!") print(tokens) # ['hello', 'world', '!'] ids = tokenizer.encode("Hello world!") print(ids) # [101, 7592, 2088, 999, 102] ``` Mosh'un `for letter in phrase`'ı, transformer'larda `for token in tokens`'a evrilir. ::: ## Yorumlar — `#` ile İnsan-Okunabilirlik {#sec-yorumlar} Mosh Ch 26 kısa ama temel bir kavramı işliyor: > *"bir yorum [...] python tarafından işlenmeyecek olan bir çizgidir."* — Mosh (Türkçe dublaj), 3:00:47 ### Sentaks ```python # Bu bir yorum. Python bunu çalıştırmaz. x = 5 # Satır içi yorum: x'i 5 yap. ``` İki form: - **Tam satır yorum** — `#` ile başlar. - **Satır-içi yorum** — kod sonrasında `#`. ### Python Yorum Yok Sayar ```python # print("bu basilmaz") print("bu basilir") # Yorum kismi degil, bu kod basilir ``` > *"Temelde sadece insanlar için kullanılır. bu yüzden benim veya başka bir geliştiricinin beğenisine küçük bir yorum yazın"* — Mosh (Türkçe dublaj), 3:01:09 ### Çoklu Satır ```python # Yontem 1: Her satiri # ile baslat (PEP 8 önerisi) # Bu bir uzun # açıklama. """ Yontem 2: Triple-quoted string. Etkisiz (atanmamış). """ ``` ### Docstring vs Comment ```python def translate(phrase): """Cevirmen — bir cumleyi Draft diline cevirir. Args: phrase: Cevirilecek string. Returns: Cevirilmis string. """ # Akumulator: gezerken doldurulacak translation = "" # Her karakter icin kontrol for letter in phrase: ... return translation ``` - **Docstring (`"""..."""`)** — fonksiyon başında. `help(...)` ile görünür. **Resmi**. - **Comment (`#`)** — kod akışında. **Geçici/açıklayıcı**. **Pratik kural:** Fonksiyon imzaları → docstring. Kod akışındaki kararlar/uyarılar → `#`. ## İyi Yorum Alışkanlığı {#sec-iyi-yorum} ### "Why Over What" Prensibi **Kötü yorum — kod tekrarı:** ```python # x'i 5 yap x = 5 # i'yi 1 artir i += 1 # Loss'u backward yap loss.backward() ``` Değersiz. Kod zaten söylüyor. **İyi yorum — gerekçe:** ```python # Magic number: Paper X'te kanıtlanan optimal hyperparameter LEARNING_RATE = 3e-4 # Onceki epoch'tan kalan gradient'leri sifirla # (PyTorch otomatik clear etmez - bilincli tasarim) optimizer.zero_grad() # Augmentation: %50 ihtimalle horizontal flip # Gerekce: ImageNet'te 1% accuracy boost (validation) if random.random() < 0.5: image = transforms.functional.hflip(image) ``` Bunlar değer katıyor — "neden bu sayı? Kaynak nerede?" sorularını yanıtlıyor. ### Self-Documenting Code ```python # KOTU - yorum kodu kompanse: x = 0 # epoch sayisi y = 100 # max epoch for i in range(y): z = train(model, data) # z = train loss # IYI - kod kendi acikliyor: epoch_count = 0 MAX_EPOCHS = 100 for epoch_idx in range(MAX_EPOCHS): train_loss = train(model, data) epoch_count += 1 ``` İyi isimlendirme = yorum gereksizliği. ### Yorum Tehlikeleri ::: {.callout-warning title="Üç tehlike"} **1. Yanlış / Eski Yorum:** ```python # learning rate 1e-3 (KOD DEĞIŞTI, YORUM KALMADI) LEARNING_RATE = 5e-4 ``` Eski yorum yorumsuz koddan **daha kötü** — okuyucuyu yanıltır. **2. Aşırı Yorum:** ```python i = 0 # i'yi sifirla i += 1 # i'yi bir artir i *= 2 # i'yi iki ile carp ``` Görsel akışı bozar. **3. Şaka / Sızlanma:** ```python # Burayi düzenleyene lanet olsun # Bu fonksiyon calisiyor ama nasil bilmiyorum ``` Profesyonel kodda yer almaz. TODO'lar issue tracker'a. ::: ### İyi Yorum Pattern'ları **Pattern 1 — Block başlığı:** ```python # ===== Hyperparameters ===== LEARNING_RATE = 1e-3 BATCH_SIZE = 64 # ===== Model ===== model = MyModel() # ===== Training ===== for epoch in range(EPOCHS): ... ``` **Pattern 2 — Algoritma açıklaması:** ```python def find_lr(model, loader): """Learning rate finder (Smith 2018).""" # Adim 1: LR'yi exponential olarak artir lr_schedule = [1e-7 * 10**i for i in range(50)] # Adim 2: Her LR icin bir batch egit losses = [] for lr in lr_schedule: ... # Adim 3: Loss vs LR plotunda dik dustugu noktayi sec return lr_schedule[find_steepest_drop(losses)] ``` **Pattern 3 — Uyarı:** ```python # UYARI: Bu fonksiyon model.train() modunu cagirmaz # Cagiran kod sorumlu (genelde validation kodu disarida) def evaluate(model, loader): ... ``` **Pattern 4 — Referans:** ```python # Reference: Attention is All You Need (Vaswani 2017) # Section 3.2.1, Eq. (1) def scaled_dot_product_attention(Q, K, V): d_k = Q.shape[-1] scores = Q @ K.transpose(-2, -1) / (d_k ** 0.5) attn = scores.softmax(dim=-1) return attn @ V ``` ML araştırma kodunda paper referansı kritik. ### ML Pipeline Documentation Hiyerarşisi ::: {.callout-tip title="Builder Notu — Üç Katmanlı Disiplin"} ```python """ training.py — Görsel sınıflandırma modeli eğitim scripti. Yazar: Deniz Tarih: 2026-05-28 Referans: ResNet paper (He et al. 2015) """ import torch # Kaynak: configs/resnet18.yaml config = load_config("configs/resnet18.yaml") def train_one_epoch(model, loader, optimizer, criterion): """Tek bir epoch'un eğitim adımı. Args: model: PyTorch modeli (nn.Module). loader: DataLoader, batch'leri dict olarak yield eder. optimizer: AdamW veya benzeri. criterion: Loss fonksiyonu. Returns: avg_loss: Epoch'un ortalama loss'u. """ model.train() losses = [] for batch_idx, batch in enumerate(loader): # Veri device'a taşı images = batch["image"].to(DEVICE) labels = batch["label"].to(DEVICE) # Forward + loss logits = model(images) loss = criterion(logits, labels) # NaN guard - bozuk batch'i atla if torch.isnan(loss): continue # Gradient clipping (paper sec 3.4) torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.zero_grad() loss.backward() optimizer.step() losses.append(loss.item()) return sum(losses) / len(losses) ``` Üç katman: 1. **Module docstring** — dosya seviyesinde. 2. **Function docstring** — her fonksiyon başında. 3. **Inline comments** — kritik karar noktalarında. ::: ## Bu Dersin Özeti {#sec-ozet-9} 1. **Çevirmen projesi** — string transform pipeline'ı, Ders 4-5-6-8 sentezi. 2. **Yorumlar (`#`)** — Python yok sayar, insan okur. 3. **İyi yorum: "why over what".** 4. **Self-documenting code** — iyi isimlendirme yorum azaltır. 5. **Docstring vs comment** — fonksiyon imzaları docstring, akış yorumları `#`. 6. **Magic number = yorum gereksinimi.** 7. **ML pipeline doc:** module → function → inline hiyerarşisi. ::: {.callout-important title="Tek Bir Cümle"} Mosh'un `for letter in phrase: if letter in "aeiou": translation += "g"` mikro programı, modern ML preprocessing pipeline'ının (lowercase, punctuation strip, tokenize) ve transformer karakter-bazlı encoding'in birebir atasıdır; yorumlar (`#`) Python tarafından yok sayılır ama kodun **neden** öyle yazıldığını insanlara taşır — magic number'lar, paper referansları, algoritma adımları; iyi yorum "ne yapar" demek değil "neden yapar" demektir, ve en iyi yorum **gereksiz** yorumdur (self-documenting code). ::: ## Egzersizler {#sec-egzersizler-9} **Egzersiz 1.** Türkçe ünlüler için çevirmen — `a, e, ı, i, o, ö, u, ü`: ```python def translate_turkce(phrase): """Bir Turkce cumleyi Draft diline cevirir.""" turkce_unluler = "aeıioöuü" translation = "" for letter in phrase: if letter.lower() in turkce_unluler: translation += "G" if letter.isupper() else "g" else: translation += letter return translation print(translate_turkce("Çok güzel bir gün")) # Çgk ggzgl bgr ggn ``` **Egzersiz 2.** Sesli harf sayısı: ```python def count_vowels(phrase): count = 0 ??? return count print(count_vowels("Hello World")) # 3 print(count_vowels("AEIOU")) # 5 ``` **Egzersiz 3.** Yorumsuz kodu **iyi yorumlarla** zenginleştir: ```python import torch import torch.nn as nn config = {"lr": 3e-4, "batch_size": 32, "epochs": 50} model = nn.Sequential( nn.Linear(784, 256), nn.ReLU(), nn.Dropout(0.2), nn.Linear(256, 10), ) optimizer = torch.optim.AdamW(model.parameters(), lr=config["lr"]) criterion = nn.CrossEntropyLoss() for epoch in range(config["epochs"]): for batch in train_loader: x, y = batch logits = model(x) loss = criterion(logits, y) optimizer.zero_grad() loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), 1.0) optimizer.step() ``` Konular: `3e-4` (Karpathy tweet?), `0.2` dropout, AdamW vs Adam, gradient clip 1.0. **Egzersiz 4.** Sezar şifresi: ```python def caesar(phrase, shift): """Sezar sifresi — her harfi shift kadar kaydir.""" result = "" for letter in phrase: if letter.isalpha(): base = ord("A") if letter.isupper() else ord("a") offset = (ord(letter) - base + shift) % 26 result += chr(base + offset) else: result += letter return result print(caesar("Hello World", 3)) # Khoor Zruog print(caesar("Khoor Zruog", -3)) # Hello World ``` `ord()` ve `chr()` — karakter ↔ ASCII sayı. **Egzersiz 5.** (Builder eksen — NLP preprocessing) ```python def preprocess_text(text): """ML-ready hale getir. Adimlar: 1. Lowercase 2. Punctuation strip 3. Whitespace normalize 4. Strip start/end """ import string # 1. Lowercase text = text.lower() # 2. Punctuation text = "".join(c for c in text if c not in string.punctuation) # 3. Whitespace text = " ".join(text.split()) # 4. Strip text = text.strip() return text raw = "Hello, World!!! Today is 2026... great day." clean = preprocess_text(raw) print(clean) # "hello world today is 2026 great day" ``` NLP pipeline'larında kritik fonksiyon. ## Sonraki Ders İçin Hazırlık **Ders 10: Hata Yönetimi ve Dosyalar** Mosh'un Ch 27-29 (Try/Except, Reading Files, Writing Files). Programlarımız artık **dış dünyaya** dokunacak. - **Mosh'un Ch 27-29'unu izle** (3:04:23-3:28:16, ~24 dk). - **Şu cümleyi içselleştir:** "Hata olabilir, dosya olabilir veya olmayabilir — program bu belirsizlikle başa çıkmalı." ::: {.callout-tip title="Bu dersten tek bir şey alıp gideceksen"} Mosh'un çevirmeni — `for letter in phrase: if letter in "aeiou": translation += "g"` — modern ML preprocessing pipeline'ının (NLP tokenization, character encoding, BPE) çekirdek pattern'ıdır; yorumlar (`#`) Python'ın **çalıştırmadığı** ama insanın okuması gereken kritik bilgi taşıyıcılarıdır; en iyi yorum **gereksiz** yorumdur (self-documenting code), ama gerektiğinde "ne" değil "neden" yazılır. :::