# Veri Sınıflandırma (Data Classification)

## 🎯 TL;DR
Veri gömme işleminin ardından, bir sınıflandırma algoritması gibi bir sinir ağı veya lojistik regresyon modeli, bu gömmeleri kullanarak verileri farklı kategorilere sınıflandırmak için eğitilebilir. Gömmelerin avantajı, ham verilerin karmaşık veya yüksek boyutlu olması durumunda bile, altta yatan ilişkileri ve benzerlikleri yakalamasıdır, bu da metin sınıflandırma, resim kategorizasyonu ve öneri sistemleri gibi görevlerde sınıflandırma doğruluğunu artırır.

## 📚 Anahtar Kavramlar
- **Embedding** → Gömme (verileri daha düşük boyutlu bir uzaya haritalama)
- **Neural Network** → Sinir Ağı (verileri sınıflandırmak için kullanılan bir makine öğrenimi modeli)
- **Logistic Regression** → Lojistik Regresyon (iki sınıflı sorunları çözmek için kullanılan bir istatistiksel model)
- **Text Classification** → Metin Sınıflandırma (metinleri önceden tanımlanmış kategorilere atanması)
- **Image Categorization** → Resim Kategorizasyonu (resimleri önceden tanımlanmış kategorilere atanması)

## 🔍 Detay (Orijinal İngilizce)
Once data is embedded, a classification algorithm, such as a neural network or a logistic regression model, can be trained on these embeddings to classify the data into different categories. The advantage of using embeddings is that they capture underlying relationships and similarities between data points, even if the raw data is complex or high-dimensional, improving classification accuracy in tasks like text classification, image categorization, and recommendation systems.

## 🔗 Daha Detay İstersen
roadmap.sh ekibinin seçtiği kaynaklar:
- 📖 [Veri Sınıflandırması Nedir?](https://www.paloaltonetworks.com/cyberpedia/data-classification) — veri sınıflandırması hakkında bilgi veren bir makale
- 🎥 [Metin Gömmeleri, Sınıflandırma ve Anlamsal Arama (Python Kodu ile)](https://www.youtube.com/watch?v=sNa_uiqSlJo) — metin gömmeleri ve sınıflandırma hakkında bir video