# Benzerlik Araması Yapmak (Performing Similarity Search)

## 🎯 TL;DR
Benzerlik araması, bir sorguyu (metin veya görsel) anlamsal anlamını yakalayan bir vektör temsiline (gömme) dönüştürme işlemidir. Bu vektör daha sonra bir vektör veritabanında depolanan diğer gömmelerle karşılaştırılarak en benzer sonuçlar bulunur.

## 📚 Anahtar Kavramlar
- **Similarity Search** → Benzerlik Araması (Bir sorgunun vektör temsilini kullanarak veritabanındaki benzer öğeleri bulma işlemi.)
- **Embedding** → Gömme / Vektör Temsil (Metin, görsel gibi verilerin anlamsal özelliklerini yakalayan sayısal vektör gösterimi.)
- **Vector Representation** → Vektör Temsili (Verilerin çok boyutlu bir uzayda sayısal vektörler olarak ifade edilmesi.)
- **Semantic Meaning** → Semantik Anlam (Bir kelimenin, cümlenin veya verinin taşıdığı anlam.)
- **Pre-trained Model** → Önceden Eğitilmiş Model (Büyük veri kümeleri üzerinde genel görevler için eğitilmiş, belirli bir göreve ince ayar yapılabilen model.)
- **Vector Database** → Vektör Veritabanı (Vektör gömmelerini depolamak ve hızlı benzerlik aramaları yapmak için optimize edilmiş veritabanı.)
- **Query** → Sorgu (Kullanıcının arama yapmak veya bilgi almak için sisteme girdiği girdi.)

## 🔍 Detay (Orijinal İngilizce)
In a similarity search, the process begins by converting the user’s query (such as a piece of text or an image) into an embedding—a vector representation that captures the query’s semantic meaning. This embedding is generated using a pre-trained model, such as BERT for text or a neural network for images. Once the query is converted into a vector, it is compared to the embeddings stored in the vector database.

## 🔗 Daha Detay İstersen
roadmap.sh ekibinin seçtiği kaynaklar:
- 📖 [What is Similarity Search & How Does it work?](https://www.truefoundry.com/blog/similarity-search) — Benzerlik aramasının ne olduğunu ve nasıl çalıştığını açıklayan bir makale.