# Gömme (Embeddings)

## 🎯 TL;DR
Gömme, veriler için yoğun, sürekli vektör temsillerini daha düşük boyutlu bir uzayda sağlar. Bu, benzer öğelerin vektör uzayında birbirlerine daha yakın yerleştirilmesini sağlar. Makine öğreniminde gömme, karmaşık verileri daha kolay işlenebilen bir sayısal forma dönüştürmek için kullanılır.

## 📚 Anahtar Kavramlar
- **Dense Vector** → Yoğun Vektör (verilerin yoğun ve sürekli bir şekilde temsil edilmesi)
- **Lower-Dimensional Space** → Daha Düşük Boyutlu Uzay (verilerin daha az boyuta indirgenmesi)
- **Semantic Relationships** → Anlamsal İlişkiler (veriler arasındaki anlamsal bağlantılar)
- **Word Embeddings** → Kelime Gömme (kelimelerin anlamlarına ve bağlamlarına göre temsil edilmesi)
- **Image Recognition** → Görüntü Tanıma (görüntüleri tanıma ve sınıflandırma)

## 🔍 Detay (Orijinal İngilizce)
Embeddings are dense, continuous vector representations of data, such as words, sentences, or images, in a lower-dimensional space. They capture the semantic relationships and patterns in the data, where similar items are placed closer together in the vector space. In machine learning, embeddings are used to convert complex data into a numerical form that models can process more easily. For example, word embeddings represent words based on their meanings and contexts, allowing models to understand relationships like synonyms or analogies. Embeddings are widely used in tasks like natural language processing, recommendation systems, and image recognition to improve model performance and efficiency.

## 🔗 Daha Detay İstersen
roadmap.sh ekibinin seçtiği kaynaklar:
- 📖 [What are Embeddings in Machine Learning?](https://www.cloudflare.com/en-gb/learning/ai/what-are-embeddings/) — Makine öğreniminde gömme nedir?
- 📖 [What is Embedding?](https://www.ibm.com/topics/embedding) — Gömme nedir?
- 🎥 [What are Word Embeddings](https://www.youtube.com/watch?v=wgfSDrqYMJ4) — Kelime gömme nedir?