# Gömme İndeksleme (Indexing Embeddings)

## 🎯 TL;DR
Gömme (embedding), metin veya görsel gibi verilerin makine öğrenimi modelleriyle yüksek boyutlu vektörlere dönüştürülmesidir. Bu vektörler, vektör veritabanlarında depolanır ve indekslenir. Bu sayede, veriler arasındaki anlamsal benzerlikleri hızlı ve etkili bir şekilde aramak mümkün olur.

## 📚 Anahtar Kavramlar
- **Embeddings** → Gömme/Vektör Temsil (Verilerin anlamsal özelliklerini yakalayan sayısal vektör gösterimi.)
- **Vector database** → Vektör Veritabanı (Yüksek boyutlu vektörleri depolamak ve benzerlik aramaları yapmak için optimize edilmiş bir veritabanı türü.)
- **High-dimensional vectors** → Yüksek Boyutlu Vektörler (Çok sayıda bileşeni olan, verinin karmaşık özelliklerini temsil eden vektörler.)
- **Semantic relationships** → Semantik İlişkiler (Veri öğeleri arasındaki anlam veya bağlam tabanlı ilişkiler.)
- **Similarity searches** → Benzerlik Aramaları (Bir sorgu vektörüne en benzer vektörleri bulma işlemi.)
- **Approximate nearest neighbor (ANN) search** → Yaklaşık En Yakın Komşu (ANN) Araması (Büyük veri kümelerinde en yakın komşuları hızlı ama yaklaşık olarak bulan bir arama algoritması.)
- **Indexing** → İndeksleme (Veritabanında verilerin hızlı erişimini sağlamak için bir yapı oluşturma süreci.)

## 🔍 Detay (Orijinal İngilizce)
Embeddings are stored in a vector database by first converting data, such as text, images, or audio, into high-dimensional vectors using machine learning models. These vectors, also called embeddings, capture the semantic relationships and patterns within the data. Once generated, each embedding is indexed in the vector database along with its associated metadata, such as the original data (e.g., text or image) or an identifier. The vector database then organizes these embeddings to support efficient similarity searches, typically using techniques like approximate nearest neighbor (ANN) search.

## 🔗 Daha Detay İstersen
roadmap.sh ekibinin seçtiği kaynaklar:
- 📖 [Indexing & Embeddings](https://developers.llamaindex.ai/python/framework/understanding/rag/indexing/) — LlamaIndex'in RAG çerçevesinde indeksleme ve gömmeleri açıklayan bir makale.
- 🎥 [Vector Databases Simply Explained! (Embeddings & Indexes)](https://www.youtube.com/watch?v=dN0lsF2cvm4) — Vektör veritabanlarını, gömmeleri ve indeksleri basitçe açıklayan bir video.