# Gömme Modelleri (Embedding Models)

## 🎯 TL;DR
Gömme modelleri, metin veya resimler gibi verileri, anlamsal anlam ve ilişkileri vektör uzayında yakalayan sayısal représentasyonlar olan gömme olarak adlandırılanlere dönüştürür. Bu, benzerlik belirleme, ilgili öğeleri kümeleme ve verileri makine öğrenimi modellerine besleme işlemlerini gerçekleştirmemizi sağlar.

## 📚 Anahtar Kavramlar
- **Embedding** → Gömme (verileri vektör uzayında temsil etme)
- **Vector Space** → Vektör Uzayı (verilerin sayısal olarak temsil edildiği alan)
- **Semantic Meaning** → Anlamsal Anlam (verilerin taşıdığı anlam ve ilişkiler)

## 🔍 Detay (Orijinal İngilizce)
Embedding models transform data, like text or images, into numerical representations called embeddings. These embeddings capture the semantic meaning and relationships within the data in a vector space. By representing data as vectors, we can perform mathematical operations to determine similarity, cluster related items, and feed the data into machine learning models.

## 🔗 Daha Detay İstersen
roadmap.sh ekibinin seçtiği kaynaklar:
- 📖 [Nedir Gömme Modelleri? Bir Genel Bakış](https://www.couchbase.com/blog/embedding-models/) — Gömme modellerinin temel prensiplerini açıklar.
- 📖 [En İyi Açık Kaynaklı Gömme Modelleri: Benchmark ve Sıralama](https://supermemory.ai/blog/best-open-source-embedding-models-benchmarked-and-ranked/) — Açık kaynaklı gömme modellerinin performansını karşılaştırır.