Gömme Temsilleri ve Vektör Veritabanları
Metin gömme temsillerinin anlamı vektörlere nasıl dönüştürdüğünü ve vektör veritabanlarının RAG'nin merkezindeki alma adımını nasıl mümkün kıldığını anlayın.
Gömme Temsilleri ve Vektör Veritabanları, CoddyKit'te ücretsiz bir LangChain / RAG / Vector DBs dersidir. Bu, 4 dersinin 4. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, LangChain / RAG / Vector DBs öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. LangChain / RAG / Vector DBs kursu toplamda 4 dersten oluşur.
Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.
From Words to Vectors
Bilgisayarlar anlamı doğrudan karşılaştıramaz. Bir gömme (embedding), bir metnin anlamını temsil eden bir sayı vektörüdür, böylece benzer metinler birbirine yakın konumlanır.
What an Embedding Looks Like
Bir gömme modeli (embedding model), metni yüzlerce veya binlerce boyutlu, sabit uzunlukta bir vektöre dönüştürür. Sayılar okunabilir değildir; önemli olan aralarındaki geometrik ilişkilerdir.
text = 'a cup of coffee'
embedding = [0.12, -0.04, 0.88, 0.31] # simplified
print('dimensions:', len(embedding))Semantic Similarity
Anlam konuma denk geldiği için "köpek", "yavru köpek" kelimesine yakın, "veritabanı" kelimesine ise uzaktır. Anlamsal arama gücünü buradan alır — tam anahtar kelimelerle değil, anlamla eşleşme sağlar.
Measuring Closeness
En sık kullanılan yakınlık metriği kosinüs benzerliğidir; iki vektör arasındaki açının kosinüsüdür. 1 neredeyse aynı, 0 ise ilişkisiz anlamına gelir.
def cosine(a, b):
dot = sum(x*y for x, y in zip(a, b))
na = sum(x*x for x in a) ** 0.5
nb = sum(y*y for y in b) ** 0.5
return dot / (na * nb)
print(round(cosine([1, 0, 1], [1, 0, 1]), 2))
print(round(cosine([1, 0, 0], [0, 1, 0]), 2))Why a Vector Database?
RAG, milyonlarca vektör arasında en alakalı parçaları hızlı bir şekilde bulmalıdır. Bir vektör veritabanı, gömmeleri (embedding) depolar ve en yakın komşuları bulur; bu, SQL'in üzerine kurulduğu bir şey değildir.
Approximate Nearest Neighbor
Bir sorguyu her vektörle karşılaştırmak ölçeklenebilir değildir ve çok yavaştır. Vektör Veritabanları, küçük bir doğruluk kaybı karşılığında devasa hız kazançları sağlayan HNSW gibi ANN indeksleri kullanır.
Indexing Documents
Bir bilgi tabanı oluşturmak için belgelerinizi indeksleyin: parçalara ayırın, her birini gömmüş (embed etmiş) olun ve vektörü metni ve meta verileriyle birlikte saklayın. Bu, RAG'in çevrimdışı veri alımı (ingestion) adımıdır.
chunks = ['intro paragraph', 'pricing details', 'support hours']
for c in chunks:
vec = embed(c) # call embedding model
db.upsert(vec, text=c)Querying
Sorgu sırasında, kullanıcının sorusunu aynı modelle vektörleştirin, ardından vektör veritabanından en yakın top-k parçayı isteyin — bu, LLM'in bağlamı haline gelir.
q_vec = embed('when is support open?')
results = db.search(q_vec, top_k=3)
for r in results:
print(r.text, r.score)Metadata Filtering
Vector DBs also support metadata filtering: combine similarity search with filters like language, date range, or owner to sharpen relevance.
db.search(q_vec, top_k=3, filter={'lang': 'en', 'year': 2026})Choosing a Vector Store
Your vector store options span libraries (FAISS), dedicated DBs (Pinecone, Weaviate, Qdrant, Milvus), and extensions like pgvector. Pick by scale, hosting, and data needs.
Embeddings in the RAG Pipeline
Embeddings and the vector DB are the retrieval half of RAG: index once, then for every question embed, search, and hand the top chunks to the LLM as grounding.
Quick Check
Test your understanding of embeddings and vector search.
Recap
You learned RAG’s retrieval foundation: embeddings turn meaning into vectors, cosine measures closeness, and vector DBs use ANN for fast nearest-neighbor search.
Sıkça Sorulan Sorular
“Gömme Temsilleri ve Vektör Veritabanları” dersi ücretsiz mi?
Evet — “Gömme Temsilleri ve Vektör Veritabanları” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve LangChain / RAG / Vector DBs kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. LangChain / RAG / Vector DBs kursu toplamda 4 dersten oluşur.
“Gömme Temsilleri ve Vektör Veritabanları” dersinde ne öğreneceğim?
Metin gömme temsillerinin anlamı vektörlere nasıl dönüştürdüğünü ve vektör veritabanlarının RAG'nin merkezindeki alma adımını nasıl mümkün kıldığını anlayın. LangChain / RAG / Vector DBs ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.
LangChain / RAG / Vector DBs öğrenmeye başlamak için deneyim gerekli mi?
Önceden deneyim gerekmez. CoddyKit'te LangChain / RAG / Vector DBs, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 4. dersidir.
“Gömme Temsilleri ve Vektör Veritabanları” dersi ne kadar sürer?
Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.
Bu LangChain / RAG / Vector DBs dersinde kod yazıp çalıştırabilir miyim?
Evet. Her LangChain / RAG / Vector DBs dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.
Bu kursun tüm dersleri
- Büyük Dil Modelleri Nedir?
- Retrieval Augmented Generation Gereksinimi
- Bir RAG Sisteminin Temel Bileşenleri
- Gömme Temsilleri ve Vektör Veritabanları