# Amaç ve İşlevsellik (Purpose and Functionality)

## 🎯 TL;DR
Vektör veritabanları, yapay zeka modelleri tarafından üretilen yüksek boyutlu vektörleri (gömme/vektör temsil) depolamak ve yönetmek için tasarlanmıştır. Temel amacı, hızlı ve verimli benzerlik aramaları yaparak, belirli bir sorguya anlamsal veya görsel olarak benzer veri noktalarını bulmaktır. Tavsiye sistemleri ve anlamsal arama gibi uygulamalar için kritik öneme sahiptirler.

## 📚 Anahtar Kavramlar
- **Vector database** → Vektör Veritabanı (Yapay zeka modelleri tarafından üretilen vektörleri depolayan, yöneten ve hızlı benzerlik aramaları yapan özel bir veritabanı türü.)
- **High-dimensional vectors** → Yüksek Boyutlu Vektörler (Çok sayıda sayısal bileşenden oluşan, genellikle karmaşık verilerin özelliklerini temsil eden vektörler.)
- **Embeddings** → Gömme/Vektör Temsil (Metin, resim gibi yapılandırılmamış verilerin anlamsal özelliklerini yakalayan sayısal vektör temsilleri.)
- **Similarity searches** → Benzerlik Aramaları (Veritabanındaki vektörler arasında, belirli bir sorgu vektörüne en benzer olanları bulma işlemi.)
- **Unstructured data** → Yapılandırılmamış Veri (Geleneksel veritabanı modellerine uymayan, önceden tanımlanmış bir yapısı olmayan veriler; metin, resim, ses gibi.)
- **Approximate Nearest Neighbor (ANN) algorithms** → Yaklaşık En Yakın Komşu (ANN) Algoritmaları (Büyük veri kümelerinde en yakın komşuları hızlıca bulmak için kullanılan, tam doğruluk yerine hızı tercih eden algoritmalar.)

## 🔍 Detay (Orijinal İngilizce)
A vector database is designed to store, manage, and retrieve high-dimensional vectors (embeddings) generated by AI models. Its primary purpose is to perform fast and efficient similarity searches, enabling applications to find data points that are semantically or visually similar to a given query. Unlike traditional databases, which handle structured data, vector databases excel at managing unstructured data like text, images, and audio by converting them into dense vector representations. They use indexing techniques, such as approximate nearest neighbor (ANN) algorithms, to quickly search large datasets and return relevant results. Vector databases are essential for applications like recommendation systems, semantic search, and content discovery, where understanding and retrieving similar items is crucial.

## 🔗 Daha Detay İstersen
roadmap.sh ekibinin seçtiği kaynaklar:
- 📖 [Vektör Veritabanı Nedir? En İyi 12 Kullanım Durumu](https://lakefs.io/blog/what-is-vector-databases/) — Vektör veritabanlarının ne olduğunu ve başlıca kullanım alanlarını açıklayan bir makale.
- 📖 [Vektör Veritabanları: Giriş, Kullanım Durumları](https://www.v7labs.com/blog/vector-databases) — Vektör veritabanlarına genel bir bakış ve kullanım senaryolarını sunan bir makale.
- 📖 [Vektör Veritabanı Ne Zaman Kullanılır (ve Kullanılmaz)](https://towardsdatascience.com/when-not-to-use-vector-db/?utm_source=roadmap&utm_medium=Referral&utm_campaign=TDS+roadmap+integration) — Vektör veritabanlarının uygun olduğu ve olmadığı durumları inceleyen bir makale.