# Hugging Face'teki Modeller (Models on Hugging Face)

## 🎯 TL;DR
Gömme modelleri, metin gibi ham verileri anlamsal anlamı yakalayan yüksek boyutlu vektörlere dönüştürür. Bu vektörler, yapay zeka sistemlerinin benzerliğe dayalı bilgi karşılaştırmasını ve erişimini sağlar. Hugging Face, anlamsal arama ve RAG gibi görevler için kullanılan birçok önceden eğitilmiş gömme modeli sunar.

## 📚 Anahtar Kavramlar
- **Embedding models** → Gömme modelleri (Ham veriyi anlamsal vektörlere dönüştüren modeller.)
- **High-dimensional vectors** → Yüksek boyutlu vektörler (Verinin anlamsal özelliklerini temsil eden sayısal diziler.)
- **Semantic meaning** → Anlamsal anlam (Kelime veya cümlelerin taşıdığı anlam.)
- **Semantic search** → Anlamsal arama (Anahtar kelime eşleşmesi yerine anlam benzerliğine dayalı arama.)
- **Recommendation systems** → Öneri sistemleri (Kullanıcı tercihlerine göre öğeler öneren sistemler.)
- **Duplicate detection** → Tekrar tespiti (Benzer veya aynı öğeleri bulma işlemi.)
- **Retrieval-augmented generation (RAG)** → Erişim artırılmış üretim (Harici bir bilgi tabanından bilgi alarak üretim yapan modeller.)
- **Transformers** → Transformers (Doğal dil işleme görevlerinde kullanılan popüler bir derin öğrenme mimarisi.)
- **Sentence-transformers** → Sentence-transformers (Cümle gömmeleri oluşturmak için optimize edilmiş bir kütüphane.)

## 🔍 Detay (Orijinal İngilizce)
Embedding models are used to convert raw data like text, code, or images into high-dimensional vectors that capture semantic meaning. These vector representations allow AI systems to compare, cluster, and retrieve information based on similarity rather than exact matches. Hugging Face provides a wide range of pretrained embedding models, which are commonly used for tasks like semantic search, recommendation systems, duplicate detection, and retrieval-augmented generation (RAG). These models can be accessed through libraries like `transformers` or `sentence-transformers`, making it easy to generate high-quality embeddings for both general-purpose and task-specific applications.

Visit the following resources to learn more:

- [@official@Hugging Face Embedding Models](https://huggingface.co/models?pipeline_tag=feature-extraction)
- [@video@Hugging Face - Text embeddings & semantic search](https://www.youtube.com/watch?v=OATCgQtNX2o)

## 🔗 Daha Detay İstersen
roadmap.sh ekibinin seçtiği kaynaklar:
- 🌐 [Hugging Face Gömme Modelleri](https://huggingface.co/models?pipeline_tag=feature-extraction) — Hugging Face'teki gömme modellerini keşfedin.
- 🎥 [Hugging Face - Metin gömmeleri ve anlamsal arama](https://www.youtube.com/watch?v=OATCgQtNX2o) — Metin gömmeleri ve anlamsal arama hakkında bir video.