Derin Öğrenme Nedir? Temel Kavramlardan Modern Mimari Düşüncesine Kapsamlı Rehber

Derin öğrenme, son yıllarda yapay zekâ alanının en görünür ve en etkili başlıklarından biri haline geldi. Görüntü sınıflandırmadan nesne tespitine, makine çevirisinden sohbet sistemlerine, konuşma tanımadan üretken yapay zekâya kadar çok geniş bir uygulama alanında derin öğrenme tabanlı sistemler belirleyici rol oynuyor. Ancak bu görünürlük arttıkça, kavramın kendisi de çoğu zaman aşırı basitleştiriliyor. Derin öğrenme bazen yalnızca “çok katmanlı sinir ağı” olarak anlatılıyor, bazen de “veri verince her şeyi kendi öğrenen sihirli sistem” gibi sunuluyor. Gerçekte ise derin öğrenme ne sadece daha fazla katman demektir ne de her problemi otomatik çözen tek bir reçetedir.

Derin öğrenmeyi doğru anlamak için onu hem teorik hem de mühendislik açısından ele almak gerekir. Bu alanın merkezinde üç temel fikir bulunur: veriden anlamlı temsiller öğrenmek, bu temsilleri çok katmanlı yapılar üzerinden giderek daha soyut hale getirmek ve tüm sistemi uçtan uca optimize ederek göreve uygun davranış üretmek. Bu nedenle derin öğrenme, klasik makine öğrenmesinden yalnızca daha güçlü bir algoritma ailesi olduğu için değil; özellik çıkarma, modelleme ve karar üretme mantığını aynı çatı altında birleştirdiği için ayrışır.

Ayrıca modern derin öğrenme artık yalnızca bir sınıflandırma teknolojisi değildir. Bugün derin öğrenme; temsil öğrenimi, generative modeling, sequence modeling, multimodal fusion, transfer learning, agentic systems ve foundation model ekosistemiyle iç içe geçmiş çok daha geniş bir düşünme biçimine dönüşmüştür. Bir başka ifadeyle, derin öğrenme artık sadece model mimarisi değil; veri, optimizasyon, ölçek, mimari önyargı, adaptasyon ve üretim güvenilirliği gibi bileşenlerin birlikte ele alındığı büyük bir sistem tasarımı alanıdır.

Bu yazıda derin öğrenmeyi sıfırdan ama yüzeysel olmayan bir çerçevede ele alacağım. Önce derin öğrenmenin ne olduğunu ve makine öğrenmesinden hangi yönleriyle ayrıştığını açıklayacağım. Sonra yapay sinir ağlarının temel bileşenlerini, ileri yayılım ve geri yayılım mantığını, temsil öğrenimi fikrini, modern mimari ailelerini ve üretime dönük düşünme biçimini inceleyeceğim. Amaç, derin öğrenmeyi yalnızca teknik terimlerle değil; mantığı, sınırları ve modern önemiyle birlikte anlamlandırmaktır.

Derin öğrenme, çok katmanlı yapay sinir ağları aracılığıyla veriden otomatik biçimde hiyerarşik temsiller öğrenen makine öğrenmesi yaklaşımıdır. Buradaki kritik kelime “hiyerarşik”tir. Çünkü derin öğrenmede model, ham girdiyi doğrudan son karara bağlamak yerine, onu ardışık katmanlar boyunca farklı soyutlama seviyelerine dönüştürür. İlk katmanlar daha basit yapıları, orta katmanlar daha karmaşık örüntüleri, üst katmanlar ise göreve daha yakın anlamsal yapıları öğrenebilir.

Örneğin bir görüntü modelinde ilk katmanlar kenar, kontrast ve basit doku örüntülerini yakalayabilir. Daha üst katmanlar şekil parçaları, nesne bölümleri ve daha karmaşık görsel bileşenleri temsil edebilir. En üst katmanlar ise artık “yüz”, “araç”, “kuş” gibi semantik kavramlara daha yakın karar yapıları üretebilir. Benzer biçimde bir dil modelinde alt katmanlar token ve bağlamsal yakınlık örüntülerini, orta katmanlar sözdizimsel ilişkileri, üst katmanlar ise anlam, niyet ve görev yapısını daha güçlü biçimde temsil edebilir.

Bu açıdan bakıldığında derin öğrenmenin özü, çok sayıda parametre kullanmak değil; veriyi giderek daha faydalı iç temsillere dönüştürebilmektir. “Derinlik” de yalnızca sayısal katman çokluğu değil, bu soyutlama zincirinin varlığıdır.

"

Kritik gerçek: Derin öğrenme, ham veriyi doğrudan karar veren sisteme çevirmekten çok, veriden çok katmanlı ve giderek daha anlamlı hale gelen temsiller öğrenme yaklaşımıdır.

Klasik makine öğrenmesinde çoğu zaman önemli bir adım manuel veya yarı manuel özellik çıkarımıdır. Yani veriyi modele vermeden önce, hangi özniteliklerin önemli olduğu konusunda insan uzmanlığı ciddi rol oynar. Örneğin bir görüntü problemi için kenar sayısı, renk histogramı veya belirli doku özellikleri elle tasarlanabilir; bir metin problemi için TF-IDF, n-gram, kelime sayısı veya özel sözlük tabanlı öznitelikler üretilebilir.

Derin öğrenme ise bu ayrımı büyük ölçüde ortadan kaldırır. Model, uygun veri ve uygun eğitimle hangi iç temsillerin faydalı olduğunu kendisi öğrenir. Bu yüzden derin öğrenme birçok problemi “özellik mühendisliği + sınıflandırıcı” yaklaşımından “uçtan uca öğrenme” yaklaşımına taşımıştır.

Temel Farklar

• Klasik makine öğrenmesi: Özellik çıkarma çoğu zaman dışarıda ve insan tarafından yönlendirilir.
• Derin öğrenme: Temsil öğrenimi modelin kendi içinde gerçekleşir.
• Klasik yaklaşım: Daha az veriyle çalışabilir ama karmaşık örüntülerde sınırlı kalabilir.
• Derin öğrenme: Daha fazla veri ve compute ister ama yüksek karmaşıklıktaki örüntüleri daha iyi modelleyebilir.

Bu fark, derin öğrenmenin neden görüntü, ses, dil ve multimodal sistemlerde öne çıktığını da açıklar. Çünkü bu alanlarda faydalı öznitelikleri önceden ve elle tam olarak tanımlamak zordur. Derin öğrenme burada veriden doğrudan temsil çıkarma avantajı sağlar.

Derin öğrenmenin temel yapı taşı yapay sinir ağıdır. En basit haliyle yapay sinir ağı, girdileri ağırlıklarla çarpıp toplar, üzerine doğrusal olmayan bir aktivasyon uygular ve bunu katmanlar boyunca tekrar eder. İlk bakışta bu mekanizma çok basit görünür. Ancak bu basit yapıların çok sayıda katman ve parametre ile birleştirilmesi, son derece karmaşık fonksiyonların öğrenilmesini mümkün kılar.

Temel Bileşenler

• Girdi: Modelin aldığı veri temsili
• Ağırlıklar: Girdilerin ne kadar etkili olacağını belirleyen öğrenilebilir parametreler
• Bias: Dönüşümün kaydırma bileşeni
• Aktivasyon fonksiyonu: Doğrusal olmayan dönüşüm sağlayan yapı
• Katmanlar: Ardışık dönüşüm blokları
• Çıktı: Göreve uygun son tahmin veya temsil

Eğer ağ yalnızca doğrusal dönüşümlerden oluşsaydı, kaç katman eklerseniz ekleyin toplamda yine doğrusal bir sistem elde ederdiniz. Derin öğrenmeyi güçlü yapan şey, aktivasyon fonksiyonlarıyla birlikte gelen doğrusal olmama özelliğidir. Bu sayede ağ, karmaşık ve doğrusal olmayan karar sınırları öğrenebilir.

Derinlik, modelin tek bir büyük dönüşüm öğrenmesi yerine, problemi aşamalı olarak çözmesini sağlar. Bunu bir çeşit hesaplama ayrıştırması gibi düşünebiliriz. Her katman girdiyi bir miktar dönüştürür ve bir sonraki katmana daha soyut, daha işlevsel bir temsil verir. Bu yapı iki önemli avantaj üretir:

• Karmaşık fonksiyonları daha verimli biçimde temsil etme imkanı verir
• Verideki çok seviyeli örüntüleri ayrı katmanlarda yakalayabilir

Örneğin konuşma verisinde alt seviyede frekans örüntüleri, orta seviyede fonetik yapılar, üst seviyede kelime ve anlam ilişkileri bulunabilir. Görsel veride piksel komşulukları, kenar yapıları, nesne parçaları ve tüm sahne bileşimi farklı soyutlama seviyeleri oluşturur. Derinlik, bu seviyeleri ayrı ayrı modellemeyi kolaylaştırır.

Aktivasyon fonksiyonları, sinir ağını doğrusal regresyonun çok katmanlı tekrarından çıkarıp gerçekten güçlü hale getiren bileşendir. Çünkü ağın doğrusal olmayan örüntüler öğrenmesini sağlarlar.

En Yaygın Aktivasyonlar

• ReLU: Modern ağlarda çok yaygın, sade ve etkili bir başlangıç seçimi
• Leaky ReLU / GELU / SiLU: Daha yumuşak veya daha kararlı davranış sunabilen modern varyantlar
• Sigmoid / Tanh: Tarihsel olarak önemli, bazı özel durumlarda hâlâ anlamlı ama derin ağlarda doygunluk sorunları nedeniyle daha sınırlı

Aktivasyon seçimi yalnızca küçük bir ayrıntı değildir. Gradient akışı, eğitim kararlılığı ve öğrenilen temsil kalitesi üzerinde doğrudan etkiye sahiptir.

Bir derin öğrenme modeli öğrenirken temelde şu döngüyü izler:

1. Girdiyi alır
2. İleri yayılım ile çıktı üretir
3. Çıktı ile hedef arasındaki farkı loss function üzerinden hesaplar
4. Bu hatayı geri yayılım ile katmanlar boyunca dağıtır
5. Optimizer aracılığıyla parametreleri günceller

Bu döngü çok kez tekrarlandıkça model, loss’u azaltacak şekilde parametrelerini ayarlar. Burada iki kavram özellikle kritik hale gelir: forward pass ve backpropagation.

Forward Pass

Modelin girdiden çıktıya doğru hesaplama yaptığı aşamadır. Her katman bir öncekinin temsilini dönüştürür ve sonunda görevle ilgili tahmin oluşur.

Backpropagation

Çıktıda ölçülen hatanın zincir kuralı üzerinden katmanlara geri taşındığı aşamadır. Bu sayede her ağırlığın hataya ne kadar katkı yaptığı hesaplanır. Optimizer da bu bilgiye göre güncelleme yapar.

Geri yayılım, derin öğrenmenin ölçeklenebilir biçimde eğitilebilmesini mümkün kılan ana mekanizmalardan biridir. Çünkü çok sayıda parametrenin hangi yönde güncelleneceğini hesaplamayı pratik hale getirir.

Derin öğrenmenin asıl gücü yalnızca sınıflandırma yapması değildir; veriyi daha kullanışlı temsillere dönüştürmesidir. Buna representation learning denir. Model, ham girdileri insan eliyle tanımlanmış özniteliklere bağlı kalmadan, görev için faydalı iç yapılar halinde temsil etmeyi öğrenir.

Bu temsil öğrenimi neden kritiktir? Çünkü modern AI sistemlerinde başarı çoğu zaman son karar katmanından çok, iç temsillerin kalitesine bağlıdır. Güçlü temsiller daha iyi transfer learning, daha iyi fine-tuning, daha güçlü retrieval, daha sağlam clustering ve daha etkili downstream görevler anlamına gelebilir.

Temsil Öğreniminin Etkileri

• Daha az manuel özellik mühendisliği ihtiyacı
• Benzer örneklerin daha anlamlı biçimde yakınlaşması
• Az veri olan görevlerde transfer avantajı
• Foundation model yaklaşımının mümkün hale gelmesi

Derin öğrenmenin teorik temelleri uzun süredir bilinse de, geniş ölçekte başarı üretmesi birkaç ana faktörün aynı dönemde güçlenmesiyle mümkün oldu:

• Daha büyük veri kümeleri
• Daha güçlü GPU ve hızlandırıcı donanımlar
• Daha iyi optimizasyon teknikleri
• Daha kararlı aktivasyon ve normalizasyon yapıları
• Daha iyi yazılım ekosistemi ve araştırma paylaşımı

Başka bir ifadeyle, derin öğrenmenin yükselişi yalnızca yeni algoritma keşfinden değil; veri, compute ve mühendislik ekosisteminin aynı anda olgunlaşmasından kaynaklandı.

Modern derin öğrenme tek bir mimariden oluşmaz. Farklı veri tipleri ve görev yapıları için farklı mimari önyargılar geliştirilmiştir. Bunların her biri belirli problem yapılarında öne çıkar.

En temel sinir ağı ailesidir. Her katmandaki nöronlar bir sonraki katmandaki tüm nöronlara bağlanır. Tabular veri, bazı temel sınıflandırma ve regresyon görevleri için hâlâ anlamlı olabilir; ancak yüksek boyutlu uzamsal veya sıralı veride doğrudan kullanımı sınırlıdır.

Özellikle görüntü verisi için geliştirilmiş güçlü mimarilerdir. Yerel uzamsal örüntüleri yakalama, parametre paylaşımı ve translasyon benzeri değişimlere karşı uygun önyargılar sunar. Görüntü sınıflandırma, segmentation, detection ve birçok görsel görevde uzun süre baskın olmuştur.

Sıralı veriler için geliştirilen mimarilerdir. Zaman boyunca bağımlılık taşıyan verilerde önemli rol oynamışlardır. Konuşma, metin ve zaman serileri için tarihsel olarak çok önemlidirler. Günümüzde birçok alanda transformer’lar öne çıksa da, sıralı bağımlılık fikrini anlamak için kavramsal olarak hâlâ kritiktirler.

Self-attention mekanizması sayesinde farklı konumlardaki bilgiyi daha esnek ve ölçeklenebilir biçimde bir araya getirebilir. NLP’de büyük devrim yaratmış, ardından görme, konuşma, multimodal sistemler ve generative AI alanlarına yayılmıştır. Modern foundation model ekosisteminin omurgasını büyük ölçüde transformer ailesi oluşturur.

Veriyi sıkıştırılmış temsillere dönüştürmek, yeniden yapılandırmak ve latent uzay öğrenmek için önemlidir. Anomali tespiti, temsil öğrenimi ve bazı generative yapıların temelinde yer alır.

Derin öğrenmenin üretici tarafını temsil ederler. Yalnızca sınıflandırma yapmak yerine yeni görüntü, ses, metin veya latent örnek üretmek için kullanılırlar. Özellikle diffusion modelleri son dönemde görsel ve multimodal üretimde çok güçlü hale gelmiştir.

İlişkisel veri ve grafik yapılar için geliştirilmiştir. Sosyal ağlar, moleküler yapılar, tavsiye sistemleri ve bağlantısal veri problemlerinde önemlidir.

Bu çeşitlilik, derin öğrenmenin tek tip çözüm olmadığını açıkça gösterir. Doğru mimari, veri yapısı ve görev mantığıyla birlikte seçilir.

Modern derin öğrenmede mimari seçimi yalnızca “en yeni model hangisi?” sorusuyla yapılmaz. Daha olgun yaklaşım şudur: veri yapısına, görev gereksinimine, performans sınırına, hesaplama bütçesine ve üretim gereksinimine uygun mimari önyargıyı seçmek gerekir.

Modern Mimari Düşüncesinin Temel Unsurları

• Her mimari her veri tipi için en iyi değildir
• Mimari önyargılar rastgele değil, veri yapısına göredir
• Parameter count kadar attention pattern, locality, recurrence ve latency de önemlidir
• En iyi offline model her zaman en iyi production modeli değildir

Bu yüzden modern mimari düşüncesi, araştırma performansını körü körüne takip etmek değil; problemi doğru mimari aileyle eşleştirme disiplinidir.

Derin öğrenme güçlüdür; ama eğitimi her zaman kolay değildir. Çünkü çok sayıda parametre, karmaşık loss yüzeyleri, veri kalitesi sorunları ve hiperparametre hassasiyeti devreye girer.

Eğitimi Zorlaştıran Başlıca Faktörler

• Optimizer ve learning rate seçimi
• Overfitting ve underfitting dengesi
• Gradient kaybı veya patlaması
• Veri dağılımı ve etiket kalitesi
• Batch size ve donanım kısıtları
• Loss function ile iş metriği arasındaki uyumsuzluk

Bu nedenle derin öğrenme yalnızca mimari kurma değil; eğitim dinamiğini yönetme işidir.

Derin öğrenme özellikle yüksek boyutlu, yapılandırılmamış veya karmaşık ilişkiler taşıyan verilerde güçlüdür.

• Bilgisayarla görme
• Doğal dil işleme
• Konuşma ve ses işleme
• Üretken yapay zekâ
• Öneri sistemleri
• Biyomedikal sinyal ve görüntü analizi
• Otonom sistemler
• Çok modlu yapay zekâ

Bu alanların ortak noktası, insan eliyle eksiksiz özellik çıkarımı yapmanın zor olması ve veride çok katmanlı örüntülerin bulunmasıdır.

Derin öğrenmeyi doğru anlamanın bir yolu da sınırlarını bilmektir. Çünkü bu alan ne her problem için ideal çözümdür ne de veri ve compute olmadan aynı başarıyı üretir.

Başlıca Sınırlar

• Yüksek veri ve compute ihtiyacı
• Hiperparametre ve eğitim hassasiyeti
• Açıklanabilirlik zorlukları
• Dağılım kaymasına karşı kırılganlık
• Etiket gürültüsüne hassasiyet
• Enerji ve operasyon maliyeti

Bu yüzden güçlü derin öğrenme sistemi kurmak, yalnızca model seçmek değil; veri, evaluation, monitoring ve üretim yönetimini birlikte tasarlamaktır.

Bugün derin öğrenme denildiğinde giderek daha fazla foundation model yaklaşımı akla geliyor. Bunun sebebi, büyük ölçekli ön eğitim sayesinde çok genel ve yeniden kullanılabilir temsiller öğrenilebilmesidir. Bu modeller daha sonra fine-tuning, prompting, retrieval veya adapter benzeri yöntemlerle çok farklı görevlere uyarlanabilir.

Bu dönüşüm, derin öğrenmeyi “her görev için sıfırdan model eğitme” yaklaşımından “önce güçlü genel temsil öğren, sonra adapte et” yaklaşımına taşımıştır. Modern AI ürün geliştirme pratiğinde bu değişim son derece belirleyicidir.

Olgun bir derin öğrenme sistemi şu katmanların birlikte düşünülmesini gerektirir:

• Veri toplama ve etiket kalitesi
• Uygun mimari aile seçimi
• Optimizer, learning rate ve loss tasarımı
• Regularization ve augmentation
• Evaluation stratejisi
• Transfer learning veya pretraining kullanımı
• Inference ve deployment planı
• Monitoring ve drift takibi

Bu yapı olmadan derin öğrenme projesi çoğu zaman etkileyici demo üretir ama sürdürülebilir ürün üretmez.

1. Derin öğrenmeyi sadece çok katmanlı ağ sanmak
2. Daha büyük modelin her zaman daha iyi olduğunu düşünmek
3. Veri kalitesinden bağımsız olarak mimarinin her şeyi çözeceğini sanmak
4. Eğitim başarımını gerçek başarıyla karıştırmak
5. Transfer learning ve temsil öğrenimini önemsiz görmek
6. Derin öğrenmeyi sadece görüntü ya da NLP ile sınırlı düşünmek
7. Production problemlerini model probleminden ayrı sanmak
8. Derin öğrenmeyi açıklanamaz sihir gibi sunmak
9. Küçük problemler için gereksiz karmaşık mimari seçmek
10. Evaluation ve monitoring katmanını geç düşünmek

Soru	Derin Öğrenme Açısından Ne Anlama Gelir?	Neden Kritik?
Veri yapısı nasıl?	Görüntü, metin, ses, zaman serisi, grafik veya multimodal olabilir	Doğru mimari aile seçimini belirler
Temsil öğrenimi gerekli mi?	Manuel özellik çıkarımının yetersiz olduğu alanlarda derin öğrenme avantajlıdır	Asıl değer önerisini tanımlar
Veri ve compute yeterli mi?	Derin öğrenme ölçekten beslenir	Başarı potansiyelini belirler
Transfer learning mümkün mü?	Önceden eğitilmiş temsiller yeniden kullanılabilir	Zaman ve maliyeti ciddi azaltır
Üretim gereksinimi ne?	Latency, cost, robustness, monitoring etkilenir	Offline başarıyı gerçek sisteme dönüştürür

1. Derin Öğrenmeyi Model Değil Sistem Olarak Düşün

Veri, mimari, eğitim, deployment ve monitoring birlikte düşünülmeden gerçek başarı kurulmaz.

2. Temsil Öğrenimini Merkeze Al

Asıl uzun vadeli değer, çoğu zaman modelin öğrendiği iç temsillerden gelir.

3. Mimariyi Modaya Göre Değil Veri Yapısına Göre Seç

En yeni model her problem için en doğru seçim olmayabilir.

4. Eğitim Başarısı ile Üretim Başarısını Ayrı Ölç

Offline metrikler tek başına yeterli değildir; latency, drift ve task success de izlenmelidir.

5. Foundation Model Çağında Adaptasyon Stratejisi Kur

Sıfırdan eğitim yerine hangi temsillerin yeniden kullanılacağını belirlemek çoğu zaman daha kritiktir.

İlk 30 Gün: Temelleri Kur

• Sinir ağı, aktivasyon, loss, optimizer ve backpropagation mantığını netleştir
• Klasik ML ile derin öğrenme arasındaki farkı veri ve temsil açısından anlamlandır
• Temel MLP ve CNN örnekleri üzerinde küçük deneyler yap

31-60 Gün: Mimari Düşünceyi Genişlet

• CNN, RNN/LSTM ve Transformer ailelerini görev yapısına göre karşılaştır
• Representation learning ve transfer learning mantığını uygulamalı incele
• Overfitting, regularization ve evaluation farklarını deneysel olarak gözlemle

61-90 Gün: Modern Üretim Perspektifine Geç

• Fine-tuning, inference ve deployment mantığını çalış
• Offline başarı ile production gereksinimlerini birlikte değerlendirmeyi öğren
• İlk kurumsal derin öğrenme tasarım standartlarını çıkarmaya başla

Derin öğrenme, yüzeyde çok katmanlı ağlar kullanıyor gibi görünse de, özünde bundan çok daha fazlasıdır. Bu alan; veriden temsiller öğrenmeyi, bu temsilleri farklı soyutlama seviyelerinde işlemeyi, karmaşık fonksiyonları uçtan uca optimize etmeyi ve modern yapay zekâ sistemlerini bu yapı üzerine kurmayı mümkün kılar. Onu güçlü yapan şey, yalnızca büyük modeller değil; veri, mimari, optimizasyon ve temsil öğrenimi arasındaki etkileşimdir.

Bu nedenle derin öğrenmeyi doğru anlamak için tek bir model ailesini ezberlemek yeterli değildir. Asıl gerekli olan, derin öğrenmenin neden çalıştığını, hangi tür problemler için güçlü olduğunu, hangi koşullarda kırıldığını ve modern mimari düşüncesinin hangi mantıkla şekillendiğini kavramaktır. Uzun vadede başarılı ekipler, yalnızca modeli kullananlar değil; bu öğrenme biçiminin iç mantığını anlayanlar olacaktır.

Derin öğrenme ile yapay sinir ağları aynı şey midir?

Derin öğrenme, çok katmanlı yapay sinir ağları ve bunlarla ilişkili eğitim yaklaşımlarını merkezine alan daha geniş bir alandır. Yani sinir ağları onun temel bileşenidir; ama derin öğrenme yalnızca ağ şemasından ibaret değildir.

Derin öğrenme her problem için gerekli midir?

Hayır. Özellikle küçük, iyi yapılandırılmış ve az karmaşık veri problemlerinde klasik makine öğrenmesi daha pratik ve ekonomik olabilir.

Transformer derin öğrenmenin tamamı mı?

Hayır. Transformer modern dönemde çok güçlü ve merkezi bir mimari ailesidir; ancak derin öğrenme CNN, RNN, autoencoder, diffusion, GNN ve başka birçok mimariyi de kapsar.

Derin öğrenmede en kritik unsur veri midir, model midir?

İkisi de önemlidir; ancak pratikte veri kalitesi ve veri uygunluğu çoğu zaman mimari seçim kadar, bazen daha fazla belirleyicidir.

Derin öğrenmeyi öğrenirken önce teori mi, uygulama mı çalışılmalı?

En sağlıklı yaklaşım, temel teorik mantığı öğrenip küçük uygulamalarla bunu sürekli test etmektir. Sadece teori veya sadece kod genellikle eksik kalır.