Bu kurs için Python dışında ne bilmem gerek?

Temel lineer cebir (matris çarpımı, vektör), temel olasılık (Bayes formülü), temel kalkulus (gradient/türev) ve temel ML kavramları (overfitting, train/test split, gradient descent). Eğer 'scikit-learn'de bir regresyon modeli eğittim' diyebiliyorsan — yetersin. Geri kalanı yolda inşa edeceğiz.

PyTorch hiç bilmiyorum, sorun olur mu?

Modül 5'ten itibaren PyTorch'a giriş yapıyoruz. Eğer hiç deneyimin yoksa, Modül 5'i biraz yavaşlatman gerekebilir — ama kursu bırakman gerekmez. Yan ürün olarak production-tarzı PyTorch'u da öğreneceksin.

Kurs gerçekten tamamen ücretsiz mi?

Evet. Her ders, her kod, her quiz, her capstone ücretsiz ve açık. Tek 'masraf' senin zamanın ve bir Kaggle/Google Colab hesabı (Colab da ücretsiz). Premium tier yok, gizli içerik yok.

Why Do Recommender Systems Matter? Birth, Present, and Future of a Discipline

Recommender engines are the one engineering discipline shaping the internet: 80% of Netflix watching, 70% of YouTube consumption, 35% of Amazon revenue come from recommenders. We see the birth, billion-dollar impact, and why now is the moment.

Şükrü Yusuf KAYA

22 min read

5/13/2026

Beginner

Öneri Sistemleri Neden Bu Kadar Önemli? Bir Disiplinin Doğuşu, Bugünü ve Yarını

👋 Hoş geldin — yolculuk burada başlıyor

Bu, Türkçe olarak yayınlanan en kapsamlı Recommender Systems Master Class'ın ilk dersi. 25 modül, ~95 ders ve gerçek datasetler üzerinde 4 büyük capstone projesi seninle yürüyoruz. Her şey ücretsiz, hiçbir slayt çalıntı değil, kodlar çalışır, datalar gerçek. Birinci dersimiz disiplinin neden önemli olduğuyla başlar — çünkü 'neden' bilmeyen mühendis kod yazar ama ürün kuramaz.

Tek Bir İstatistik: Internetin %35-80'i Öneri Motorlarıyla Akıyor#

Bir saniyeliğine durup hayatının son haftasını düşün. Hangi dizinin yeni sezonunu izlediğini sana kim söyledi? Yeni bir restoran kararını hangi uygulama önerdi? Spotify'da bu sabah dinlediğin şarkıyı niçin sen bulmadın da o seni buldu?

Cevap her seferinde aynı: bir öneri motoru. Ve bu cümlede "bir" kelimesi gerçekten önemli — çünkü sayılar şöyle:

Şirket	İstatistik	Kaynak
Netflix	İzlenen içeriğin %80'i "Önerilen" listesinden seçilir	Gomez-Uribe & Hunt, ACM TMIS 2016
YouTube	İzleme süresinin %70'i "Up Next" / Home feed önerilerinden	Goodrow, YouTube CPO 2018
Amazon	Cironun %35'i "Customers who bought…" satırlarından	McKinsey 2013
TikTok	Watch-time'ın %90+'ı "For You" feed'inden	TikTok transparency report 2023
Spotify	Discover Weekly haftalık 2.3 milyar dinlemeyi yönlendiriyor	Spotify Engineering blog 2022
LinkedIn	İş ilanlarının %50+'sı "Jobs You May Be Interested In" üzerinden başvuruluyor	LinkedIn 2021

Bu sayılar bana iki şey söylüyor: (1) modern internet arama ekonomisinden öneri ekonomisine geçmiş — Google'ı bile YouTube önerileri ekonomik olarak geçti. (2) Bir mühendis olarak bu işi öğrenmek ile öğrenmemek arasındaki fark, son 15 yıldaki en büyük iş gücü ayrımlarından biri haline geldi.

🎯 Neden tam şimdi öğrenmek doğru zaman?

Üç akım birden buluşuyor: (1) LLM çağı, geleneksel öneri motorlarıyla yarışan generative retrieval'ı doğurdu — disiplin yeniden yazılıyor. (2) Vector DB'ler ve modern hardware (FAISS, ScaNN, HNSW + GPU ANN) eskiden Google ölçeğinde olanı tek mühendise indirdi. (3) Open dataset'ler (H&M, MIND, Yelp, Spotify MPD) artık herkesin elinde — eskiden 'şirket içi data lazım' bahanesi geçersiz.

Kısa Tarih: 1992'den 2026'ya Bir Disiplinin Yolu#

Öneri sistemleri bir gecede doğmadı. Üç buçuk on yıllık net bir mühendislik tarihçesi var ve bu kursun her modülü bu zincirin bir halkasını anlatıyor. Önce büyük resme bakalım:

1992 — Tapestry (Xerox PARC): "Collaborative filtering" terimini ilk kez kullanan sistem. Belge/email filtreleme amaçlıydı, ama herkesin kendi süzgecini başkalarının onayıyla ayarlaması fikri devrim niteliğindeydi.

1994 — GroupLens (Resnick et al., University of Minnesota): Usenet news için otomatik kollaboratif filtreleme. ACM CSCW makalesi modern recommender literatürünün başlangıcı sayılır.

1997 — MovieLens datasetinin doğuşu ve Amazon "Customers who bought…" satırının ilk kez canlıya çıkması. Amazon item-based CF patentini 1998'de aldı (US 6,266,649).

Bu dönemin mimarisi: k-NN, Pearson correlation, sparse matrix, ölçek 100K-1M rating.

Öneri sistemleri evrimi: 1992 (Tapestry) → 2009 (Netflix Prize) → 2017 (NCF) → 2020 (LightGCN) → 2023 (TIGER/LLM-rec) — Öneri sistemleri 34 yıllık zaman çizelgesi — beş ana çağ, her birinin temel makalesi ve mirası.

Milyar Dolarlık Etki: "Recommender ROI" Vakaları#

Akademik tarih güzel, ama bir mühendisin işverenine sunabileceği rakamlar çok daha güçlüdür. İşte yayınlanmış, dipnotlu, savunulabilir vakalar:

Vaka Tablosu — Yayınlanmış Kazanım Rakamları#

Şirket / Sistem	Yatırım Türü	Ölçülen Kazanım	Kaynak
Netflix Cinematch → Bellkor	RMSE 0.9525 → 0.8567 (%10 iyileşme)	Yıllık ~$1B retention etkisi tahmini	Netflix mühendislik blog'u 2012
YouTube — Deep Learning rec (2016)	Eski Linear → DNN'e geçiş	Watch-time +%30	Covington et al., RecSys 2016
Alibaba — DIN (Deep Interest Net)	Geleneksel CF → attention-based	CTR +%6.9 (her %0.1 milyonlarca $)	Zhou et al., KDD 2018
Pinterest — PinSage	Tradtional CF → GNN	Engagement +%40	Ying et al., KDD 2018
Booking.com — Personalization	Default sıralama → ML-based	Conversion +%6	Bernardi et al., KDD 2019
LinkedIn — XGBoost ranking → DNN	Job recs	Apply rate +%9	LinkedIn Engineering 2021
Stitch Fix — Style algoritması	Stylist + algoritma hybrid	Müşteri başına ortalama gelir +%10	S-1 filing 2017
Trendyol — Personalize anasayfa	Statik → kişisel	Conversion +%12 (raporlanan)	Trendyol Tech blog 2023

Bu rakamların hepsi yayınlanmış. Şirket içi "internal" kazançlar genelde çok daha büyük — ama yayınlanmış olanlar bile bir mühendisin "ROI hikayesi" anlatmasına yeter.

⚠️ Hızlı bir gerçeklik kontrolü

Bu rakamlar bir mühendisin tek başına ürettiği değerler değildir — recommender ekipleri büyük, datasetler özel, A/B test altyapısı pahalıdır. AMA: bu rakamlar, doğru beceri setine sahip bir mühendisin şirkete katma değerinin ne kadar yüksek olduğunu gösterir. Bu yüzden bu becerinin maaş karşılığı, sıradan bir ML rolünden %30-50 daha yüksektir.

Türkiye ve Global Maaş Aralığı (2026 Q1)#

Aşağıdaki aralıklar Glassdoor, Levels.fyi, LinkedIn Salary ve Türkiye için kariyer.net + jobpilot verilerinin üçgenlenmesinden. Tüm rakamlar brüt ve yıllık (TR için aylık karşılığı parantezde).

Türkiye#

Seviye	Yıl	Yıllık brüt (TL)	Aylık (TL, kabaca)
Junior Recommender Engineer	0-2	₺900K - ₺1.6M	₺75K - ₺130K
Mid-level	2-5	₺1.6M - ₺3.0M	₺130K - ₺250K
Senior	5-8	₺3.0M - ₺5.5M	₺250K - ₺460K
Staff / Principal	8+	₺5.5M - ₺12M+	₺460K - ₺1M+

Türkiye'de bu rakamlar Trendyol, Hepsiburada, Getir, Migros AI, Spotify İstanbul, Picus, Insider gibi şirketlerin ilanlarından kalibre edilmiştir.

Global (USD, remote-friendly ülkeler)#

Seviye	ABD (Big Tech)	AB (Berlin/Amsterdam)	Remote (US şirket → TR)
L3 / Junior	$170K -$ 220K	€70K - €95K	$70K -$ 110K
L4 / Mid	$220K -$ 330K	€95K - €130K	$110K -$ 160K
L5 / Senior	$330K -$ 500K	€130K - €180K	$160K -$ 240K
L6 / Staff	$500K -$ 800K	€180K - €280K	$240K -$ 380K

Big tech rakamları (Meta, Google, Netflix, Stripe) TC (total comp) — base + equity + bonus. Remote rakamları "EOR/Deel" tipi kontrat baz alındı.

Pozisyon Etiketleri#

Şu unvanları aynı çatı altında düşün: Recommender Systems Engineer, Personalization Engineer, Ranking ML Engineer, Search & Recommendations Engineer, Content Discovery ML Engineer, Growth ML Engineer. Görev tanımları %80 örtüşür.

Bu Kursun Sana Sözü#

Bu kurs sonunda somut olarak şunları yapabileceksin:

Klasik yaklaşımları sıfırdan implement etmek: k-NN CF, Funk SVD, BiasedMF, ALS, BPR — kütüphane olmadan NumPy ile yazabilen mühendislerin sayısı korkutucu derecede az. Sen bu azınlığın içinde olacaksın.
Modern modelleri PyTorch'ta kurabilmek: NCF, SASRec, BERT4Rec, LightGCN, DCN-v2, two-tower retrieval — production-tarz kodla.
Üretim mimarisini çizmek ve kurmak: Retrieval → Ranking → Re-ranking pipeline'ını FAISS + Redis + FastAPI ile gerçekten ayağa kaldıracaksın.
Doğru ölçmek: Offline metrikler ile online A/B testleri arasındaki gerilimi yöneten, IPS düzeltmeli, OPE-bilen bir mühendis olacaksın.
LLM çağında pozisyonunu bilmek: TIGER, RecGPT, P5 gibi paradigmaları okuyup eleştirebilecek, hangisinin senin use case'ine uyduğunu kararlaştırabileceksin.
Capstone projesini sergileyebilmek: H&M, MovieLens, RetailRocket veya MIND News datasetlerinden birinde, uçtan uca canlı bir öneri servisi (GitHub + Docker + live demo) portfolyona koyacaksın.

Bunların hiçbiri "hadi modeli tariflesem" değil — hepsi çalışan kod, gerçek dataset, ölçülebilir sonuç.

🙏 Dürüst bir uyarı

Bu kurs kolay değildir. Çünkü recommender systems işi kolay değildir. Bazı dersler 2 saatte okunup geçilemez — özellikle Modül 6 (Matrix Factorization), Modül 10 (SASRec/BERT4Rec) ve Modül 14 (Deep Ranking) için kağıt-kalem + tek bir kahve molası, sonra Jupyter Lab + 4-5 saat odak isteyecek. Bunu söylemekten gocunmuyorum çünkü senin değerin de buradan gelecek. Kolay olan şeyin maaşı düşük olur.

Bir Sonraki Ders#

Bir sonraki derste (0.2) "Recommender Engineer" kim olduğuna, hangi yetkinlik atlasının senden istendiğine ve junior'dan staff'a giden somut yol haritasına bakacağız. Sonrasında atölyeyi kuracağız (0.3 + 0.4) ve datasetlerimizle tanışacağız (0.5).

Hazırsan başlayalım. ☕

Frequently Asked Questions

ML genel bir şemsiye disiplin (regresyon, sınıflandırma, kümeleme, CV, NLP…). Recommender systems ise ML'in 'eşleştirme problemi' alt-disiplinidir — milyarlarca kullanıcı x milyonlarca item arasından kişiselleştirilmiş seçim yapma sanatı. Kendine özgü metrikleri (NDCG, MAP, HR@K), kendine özgü mimarileri (two-tower, sequential), ve kendine özgü problemleri (cold-start, popularity bias, exposure bias) vardır.

Yorumlar & Soru-Cevap

(0)

Yorum yazmak için giriş yap.

Yorumlar yükleniyor...