# Vektör Veritabanları (Vector Databases)

## 🎯 TL;DR
Vektör veritabanları, metin, görsel veya ses gibi verileri temsil eden yüksek boyutlu vektörleri depolamak, indekslemek ve hızlıca erişmek için tasarlanmış özel sistemlerdir. Geleneksel veritabanlarının aksine, yapılandırılmamış verilerle çalışarak benzerlik aramaları yoluyla öğeler arasındaki ilişkileri anlamayı ve hızlıca bulmayı sağlarlar. Bu sayede semantik arama ve öneri sistemleri gibi uygulamalar için temel bir bileşendirler.

## 📚 Anahtar Kavramlar
-   **Vector Databases** → Vektör Veritabanları (Yüksek boyutlu vektörleri depolayan, indeksleyen ve erişen özel veritabanı sistemleri.)
-   **High-dimensional Vectors** → Yüksek Boyutlu Vektörler (Verileri (metin, görsel vb.) sayısal olarak temsil eden, çok sayıda bileşeni olan vektörler.)
-   **Embeddings** → Gömme/Vektör Temsil (Karmaşık verilerin (metin, görsel) makine öğrenimi modelleri tarafından işlenebilen sayısal vektör temsilleri.)
-   **Similarity Searches** → Benzerlik Aramaları (Vektörler arasındaki mesafeyi veya açıyı kullanarak en benzer öğeleri bulma işlemi.)
-   **Approximate Nearest Neighbor (ANN) Search** → Yaklaşık En Yakın Komşu (ANN) Araması (Büyük veri kümelerinde en yakın komşuları tam doğruluk yerine yaklaşık olarak hızlıca bulan indeksleme tekniği.)
-   **Semantic Search** → Semantik Arama (Kelimelerin veya sorguların anlamını anlayarak ilgili sonuçları getiren arama türü.)
-   **Recommendation Systems** → Öneri Sistemleri (Kullanıcı tercihlerine veya geçmiş davranışlarına göre ürün, içerik veya hizmet öneren sistemler.)

## 🔍 Detay (Orijinal İngilizce)
Vector databases are specialized systems designed to store, index, and retrieve high-dimensional vectors, often used as embeddings that represent data like text, images, or audio. Unlike traditional databases that handle structured data, vector databases excel at managing unstructured data by enabling fast similarity searches, where vectors are compared to find those that are most similar to a query. This makes them essential for tasks like semantic search, recommendation systems, and content discovery, where understanding relationships between items is crucial. Vector databases use indexing techniques such as approximate nearest neighbor (ANN) search to efficiently handle large datasets, ensuring quick and accurate retrieval even at scale.

Visit the following resources to learn more:

- [@article@Vector Databases](https://developers.cloudflare.com/vectorize/reference/what-is-a-vector-database/)
- [@article@What are Vector Databases?](https://www.mongodb.com/resources/basics/databases/vector-databases)

## 🔗 Daha Detay İstersen
roadmap.sh ekibinin seçtiği kaynaklar:
- 📖 [Vector Databases](https://developers.cloudflare.com/vectorize/reference/what-is-a-vector-database/) — Cloudflare'ın vektör veritabanları hakkındaki referans makalesi.
- 📖 [What are Vector Databases?](https://www.mongodb.com/resources/basics/databases/vector-databases) — MongoDB'nin vektör veritabanlarının temellerini açıklayan makalesi.