├── .github ├── CODE_OF_CONDUCT.md └── FUNDING.yml ├── .gitignore ├── CONTRIBUTING.md ├── LICENSE ├── README.md ├── books.md ├── images ├── aiconf.png ├── awesome.gif └── datacommit.png └── papers.md /.github/CODE_OF_CONDUCT.md: -------------------------------------------------------------------------------- 1 | # Contributing 2 | 3 | Öncelikle data alanı için oluşturduğumuz kaynak arşivine ilginiz için teşekkür ederiz. 4 | 5 | Lütfen ilk pull request'inizi göndermeden önce bu belgeyi incelemek için bir dakikanızı ayırın. Ayrıca, başka birinin benzer bir şey üzerinde çalışıp çalışmadığını görmek için issue ve pull request'leri kontrol etmenizi de tavsiye ederiz. 6 | 7 | Eğer yardıma ihtiyacınız olursa, [@enesfehmimanan](https://www.linkedin.com/in/enesfehmimanan/) ile iletişime geçmekten çekinmeyin. 8 | 9 | # Bu repository hakkında 10 | 11 | Bu repo, data alanında çalışanlar veya meraklılar için kaynaklar içeren bir arşivdir. 12 | 13 | - Data alanına başlamak isteyen kişiler için başlangıç kaynaklara, 14 | - Science & Analysis & GenAI vb. kitap arşivine, 15 | - Paperlara, blog yazılarına ve daha nicelerine bu repo üzerinden erişebilirsiniz. 16 | 17 | # Yapı 18 | 19 | Repo aşağıdaki şekilde yapılandırılmıştır: 20 | 21 | ``` 22 | root 23 | └── README.md 24 | ├── Python & SQL 25 | ├── Data Science 26 | ├── Machine Learning 27 | └── Data Books 28 | └── Data Papers 29 | └── GenerativeAI 30 | └── Natural Language Processing 31 | └── Deep Learning 32 | └── Computer Vision 33 | └── MLOps & Cloud 34 | └── DataCommit 35 | └── BOOKS.md 36 | └── PAPERS.MD 37 | └── images 38 | ``` 39 | 40 | # Nasıl katkı sağlayabilirim 41 | 42 | Öncelikle ilginiz için teşekkür ederiz. Aşağıdaki adımları takip ederek arşive katkıda bulunabilirsiniz. 43 | 44 | 1. İlk adımda, repoyu `fork` edin. 45 | 2. Fork işlemi tamamlandıktan sonra, `git clone` komutunu kullanarak kopyayı bilgisayarınıza çekin. 46 | 3. Belirtilen kurallara uygun olarak geliştirme ve iyileştirmelerinizi gerçekleştirin. 47 | 4. Yaptığınız değişiklikleri `commit`leyin ve fork ettiğiniz repoya gönderin. 48 | 5. Son olarak, bu repoya yeni bir `pull request` oluşturun ve yaptığınız değişiklikleri açıklamak için gerekli bilgileri ekleyin. 49 | 50 | # Dikkat edilmesi gerekenler 51 | ## Kaynak seçimi 52 | - Öncelikle linkin çalışır durumda olduğundan ve harhangi zararlı bir kaynağa yönlendirmediğinden emin olun. 53 | - Birkaç dakikalık videolar veya kısa okuma süresi olan blog gönderilerinden ziyade bir YouTube video serisi veya blog serisi şeklinde eklemeye çalışın. 54 | - Kitap/doküman eklerken yeterince güncel olmayan, telif içeren veya ücretli kaynakları eklemekten kaçının. 55 | - Reklam içeren içerikleri eklemekten kaçının. 56 | 57 | **Not:** Bir kaynağı eklerken yukarıdaki her maddeye dikkat ettiğinizden emin olun. 58 | 59 | ## Repo düzeni 60 | - Eklediğiniz her kaynağı ilgili kategori veya markdown dosyasının altında bulunmalıdır. 61 | - Paylaştığınız kaynak, kitap veya kurs için kısa bir açıklama ekleyiniz. 62 | - Kaynağın seviyesini maksiumum ☕☕ emojisi ile belirtebilirsiniz. 63 | - Yaptığınız değişikliği aşağıdaki gibi isimlendirmeye dikkat ediniz: 64 | - feature/değişiklik_adı -> yeni bir özellik 65 | - fix/değişiklik_adı -> düzenleme 66 | -------------------------------------------------------------------------------- /.github/FUNDING.yml: -------------------------------------------------------------------------------- 1 | buy_me_a_coffee: MultiGroup 2 | -------------------------------------------------------------------------------- /.gitignore: -------------------------------------------------------------------------------- 1 | # Byte-compiled / optimized / DLL files 2 | __pycache__/ 3 | *.py[cod] 4 | *$py.class 5 | 6 | # C extensions 7 | *.so 8 | 9 | # Distribution / packaging 10 | .Python 11 | build/ 12 | develop-eggs/ 13 | dist/ 14 | downloads/ 15 | eggs/ 16 | .eggs/ 17 | lib/ 18 | lib64/ 19 | parts/ 20 | sdist/ 21 | var/ 22 | wheels/ 23 | share/python-wheels/ 24 | *.egg-info/ 25 | .installed.cfg 26 | *.egg 27 | MANIFEST 28 | 29 | # PyInstaller 30 | # Usually these files are written by a python script from a template 31 | # before PyInstaller builds the exe, so as to inject date/other infos into it. 32 | *.manifest 33 | *.spec 34 | 35 | # Installer logs 36 | pip-log.txt 37 | pip-delete-this-directory.txt 38 | 39 | # Unit test / coverage reports 40 | htmlcov/ 41 | .tox/ 42 | .nox/ 43 | .coverage 44 | .coverage.* 45 | .cache 46 | nosetests.xml 47 | coverage.xml 48 | *.cover 49 | *.py,cover 50 | .hypothesis/ 51 | .pytest_cache/ 52 | cover/ 53 | 54 | # Translations 55 | *.mo 56 | *.pot 57 | 58 | # Django stuff: 59 | *.log 60 | local_settings.py 61 | db.sqlite3 62 | db.sqlite3-journal 63 | 64 | # Flask stuff: 65 | instance/ 66 | .webassets-cache 67 | 68 | # Scrapy stuff: 69 | .scrapy 70 | 71 | # Sphinx documentation 72 | docs/_build/ 73 | 74 | # PyBuilder 75 | .pybuilder/ 76 | target/ 77 | 78 | # Jupyter Notebook 79 | .ipynb_checkpoints 80 | 81 | # IPython 82 | profile_default/ 83 | ipython_config.py 84 | 85 | # pyenv 86 | # For a library or package, you might want to ignore these files since the code is 87 | # intended to run in multiple environments; otherwise, check them in: 88 | # .python-version 89 | 90 | # pipenv 91 | # According to pypa/pipenv#598, it is recommended to include Pipfile.lock in version control. 92 | # However, in case of collaboration, if having platform-specific dependencies or dependencies 93 | # having no cross-platform support, pipenv may install dependencies that don't work, or not 94 | # install all needed dependencies. 95 | #Pipfile.lock 96 | 97 | # poetry 98 | # Similar to Pipfile.lock, it is generally recommended to include poetry.lock in version control. 99 | # This is especially recommended for binary packages to ensure reproducibility, and is more 100 | # commonly ignored for libraries. 101 | # https://python-poetry.org/docs/basic-usage/#commit-your-poetrylock-file-to-version-control 102 | #poetry.lock 103 | 104 | # pdm 105 | # Similar to Pipfile.lock, it is generally recommended to include pdm.lock in version control. 106 | #pdm.lock 107 | # pdm stores project-wide configurations in .pdm.toml, but it is recommended to not include it 108 | # in version control. 109 | # https://pdm.fming.dev/latest/usage/project/#working-with-version-control 110 | .pdm.toml 111 | .pdm-python 112 | .pdm-build/ 113 | 114 | # PEP 582; used by e.g. github.com/David-OConnor/pyflow and github.com/pdm-project/pdm 115 | __pypackages__/ 116 | 117 | # Celery stuff 118 | celerybeat-schedule 119 | celerybeat.pid 120 | 121 | # SageMath parsed files 122 | *.sage.py 123 | 124 | # Environments 125 | .env 126 | .venv 127 | env/ 128 | venv/ 129 | ENV/ 130 | env.bak/ 131 | venv.bak/ 132 | 133 | # Spyder project settings 134 | .spyderproject 135 | .spyproject 136 | 137 | # Rope project settings 138 | .ropeproject 139 | 140 | # mkdocs documentation 141 | /site 142 | 143 | # mypy 144 | .mypy_cache/ 145 | .dmypy.json 146 | dmypy.json 147 | 148 | # Pyre type checker 149 | .pyre/ 150 | 151 | # pytype static type analyzer 152 | .pytype/ 153 | 154 | # Cython debug symbols 155 | cython_debug/ 156 | 157 | # PyCharm 158 | # JetBrains specific template is maintained in a separate JetBrains.gitignore that can 159 | # be found at https://github.com/github/gitignore/blob/main/Global/JetBrains.gitignore 160 | # and can be added to the global gitignore or merged into this file. For a more nuclear 161 | # option (not recommended) you can uncomment the following to ignore the entire idea folder. 162 | #.idea/ 163 | -------------------------------------------------------------------------------- /CONTRIBUTING.md: -------------------------------------------------------------------------------- 1 | # Contributing 2 | 3 | Öncelikle data alanı için oluşturduğumuz kaynak arşivine ilginiz için teşekkür ederiz. 4 | 5 | Lütfen ilk pull request'inizi göndermeden önce bu belgeyi incelemek için bir dakikanızı ayırın. Ayrıca, başka birinin benzer bir şey üzerinde çalışıp çalışmadığını görmek için issue ve pull request'leri kontrol etmenizi de tavsiye ederiz. 6 | 7 | Eğer yardıma ihtiyacınız olursa, [@enesfehmimanan](https://www.linkedin.com/in/enesfehmimanan/) ile iletişime geçmekten çekinmeyin. 8 | 9 | # Bu repository hakkında 10 | 11 | Bu repo, data alanında çalışanlar veya meraklılar için kaynaklar içeren bir arşivdir. 12 | 13 | - Data alanına başlamak isteyen kişiler için başlangıç kaynaklara, 14 | - Science & Analysis & GenAI vb. kitap arşivine, 15 | - Paperlara, blog yazılarına ve daha nicelerine bu repo üzerinden erişebilirsiniz. 16 | 17 | # Yapı 18 | 19 | Repo aşağıdaki şekilde yapılandırılmıştır: 20 | 21 | ``` 22 | root 23 | └── README.md 24 | ├── Python & SQL 25 | ├── Data Science 26 | ├── Machine Learning 27 | └── Data Books 28 | └── Data Papers 29 | └── GenerativeAI 30 | └── Natural Language Processing 31 | └── Deep Learning 32 | └── Computer Vision 33 | └── MLOps & Cloud 34 | └── DataCommit 35 | └── BOOKS.md 36 | └── PAPERS.MD 37 | └── images 38 | ``` 39 | 40 | # Nasıl katkı sağlayabilirim 41 | 42 | Öncelikle ilginiz için teşekkür ederiz. Aşağıdaki adımları takip ederek arşive katkıda bulunabilirsiniz. 43 | 44 | 1. İlk adımda, repoyu `fork` edin. 45 | 2. Fork işlemi tamamlandıktan sonra, `git clone` komutunu kullanarak kopyayı bilgisayarınıza çekin. 46 | 3. Belirtilen kurallara uygun olarak geliştirme ve iyileştirmelerinizi gerçekleştirin. 47 | 4. Yaptığınız değişiklikleri `commit`leyin ve fork ettiğiniz repoya gönderin. 48 | 5. Son olarak, bu repoya yeni bir `pull request` oluşturun ve yaptığınız değişiklikleri açıklamak için gerekli bilgileri ekleyin. 49 | 50 | # Dikkat edilmesi gerekenler 51 | ## Kaynak seçimi 52 | - Öncelikle linkin çalışır durumda olduğundan ve harhangi zararlı bir kaynağa yönlendirmediğinden emin olun. 53 | - Birkaç dakikalık videolar veya kısa okuma süresi olan blog gönderilerinden ziyade bir YouTube video serisi veya blog serisi şeklinde eklemeye çalışın. 54 | - Kitap/doküman eklerken yeterince güncel olmayan, telif içeren veya ücretli kaynakları eklemekten kaçının. 55 | - Reklam içeren içerikleri eklemekten kaçının. 56 | 57 | **Not:** Bir kaynağı eklerken yukarıdaki her maddeye dikkat ettiğinizden emin olun. 58 | 59 | ## Repo düzeni 60 | - Eklediğiniz her kaynağı ilgili kategori veya markdown dosyasının altında bulunmalıdır. 61 | - Paylaştığınız kaynak, kitap veya kurs için kısa bir açıklama ekleyiniz. 62 | - Kaynağın seviyesini maksiumum ☕☕ emojisi ile belirtebilirsiniz. 63 | - Yaptığınız değişikliği aşağıdaki gibi isimlendirmeye dikkat ediniz: 64 | - feature/değişiklik_adı -> yeni bir özellik 65 | - fix/değişiklik_adı -> düzenleme 66 | -------------------------------------------------------------------------------- /LICENSE: -------------------------------------------------------------------------------- 1 | MIT License 2 | 3 | Copyright (c) 2024 MultiGroup 4 | 5 | Permission is hereby granted, free of charge, to any person obtaining a copy 6 | of this software and associated documentation files (the "Software"), to deal 7 | in the Software without restriction, including without limitation the rights 8 | to use, copy, modify, merge, publish, distribute, sublicense, and/or sell 9 | copies of the Software, and to permit persons to whom the Software is 10 | furnished to do so, subject to the following conditions: 11 | 12 | The above copyright notice and this permission notice shall be included in all 13 | copies or substantial portions of the Software. 14 | 15 | THE SOFTWARE IS PROVIDED "AS IS", WITHOUT WARRANTY OF ANY KIND, EXPRESS OR 16 | IMPLIED, INCLUDING BUT NOT LIMITED TO THE WARRANTIES OF MERCHANTABILITY, 17 | FITNESS FOR A PARTICULAR PURPOSE AND NONINFRINGEMENT. IN NO EVENT SHALL THE 18 | AUTHORS OR COPYRIGHT HOLDERS BE LIABLE FOR ANY CLAIM, DAMAGES OR OTHER 19 | LIABILITY, WHETHER IN AN ACTION OF CONTRACT, TORT OR OTHERWISE, ARISING FROM, 20 | OUT OF OR IN CONNECTION WITH THE SOFTWARE OR THE USE OR OTHER DEALINGS IN THE 21 | SOFTWARE. 22 | -------------------------------------------------------------------------------- /README.md: -------------------------------------------------------------------------------- 1 | # DMG Data Science Awesome 2 | 3 | [![Awesome](https://cdn.rawgit.com/sindresorhus/awesome/d7305f38d29fed78fa85652e3a63e154dd8e8829/media/badge.svg)](https://github.com/sindresorhus/awesome) [![Made With Love](https://img.shields.io/badge/Made%20With-Love-orange.svg)](https://github.com/chetanraj/awesome-github-badges) [![License: MIT](https://img.shields.io/badge/License-MIT-yellow.svg)](https://opensource.org/licenses/MIT) [![GitHub pull-requests](https://img.shields.io/github/issues-pr/Developer-MultiGroup/DMG-Data-Science-Awesome.svg)](https://GitHub.com/Developer-MultiGroup/DMG-Data-Science-Awesome/pulls/) [![Buy Me a Coffee](https://img.shields.io/badge/Buy%20Me%20A%20Coffee-☕-FFDD00?style=flat&logo=buy-me-a-coffee&logoColor=black)](https://www.buymeacoffee.com/MultiGroup) 4 | 5 | 6 | [![GitHub stars](https://img.shields.io/github/stars/Developer-MultiGroup/DMG-Data-Science-Awesome.svg?style=social&label=Star)](https://github.com/Developer-MultiGroup/DMG-Data-Science-Awesome/stargazers/) [![GitHub forks](https://img.shields.io/github/forks/Developer-MultiGroup/DMG-Data-Science-Awesome.svg?style=social&label=Fork)](https://github.com/Developer-MultiGroup/DMG-Data-Science-Awesome/network/) [![GitHub watchers](https://img.shields.io/github/watchers/Developer-MultiGroup/DMG-Data-Science-Awesome.svg?style=social&label=Watch)](https://github.com/Developer-MultiGroup/DMG-Data-Science-Awesome/watchers/) 7 | 8 | ![DevMultiGroupBanner](/images/awesome.gif) 9 | 10 | *Ekibimizi ve üzerinde çalıştığımız işleri daha yakından inceleyin :point_right:* [MultiGroup.hq](https://github.com/Developer-MultiGroup/MultiGroup.hq) 11 | 12 | ![aiconf](/images/datacommit.png) 13 | 14 | **Online serimiz olan "DataCommit" etkinliğimize katılın. Data expertler ile soru-cevap fırsatını yakalayın. Herkes davetlidir. Geçmiş etkinlik kayıtları için :point_right: [DataCommit](https://www.youtube.com/playlist?list=PLQvJkakaBRKcsi8mySTkgLvnrz0dSyIRF)** 15 | 16 | #### **📌 DataCommit Kaynaklar** 17 | **DataCommit'te önerilen kaynaklara erişmek için :point_right: [DataCommit](#datacommit)** 18 | 19 | > 👋 Kaynak arşivine katkı sağlamadan önce lütfen [Contribution Guide](./CONTRIBUTING.md)'a göz atınız. 20 | 21 | 22 | [![LinkedIn](https://img.shields.io/badge/Follow@devmultigroup-%230077B5.svg?logo=linkedin&logoColor=white)](https://www.linkedin.com/company/devmultigroup) [![Twitter Follow](https://img.shields.io/twitter/follow/devmultigroup?style=social)](https://x.com/devmultigroup) [![Share on X](https://img.shields.io/badge/Share_on-Twitter-1DA1F2?logo=twitter&logoColor=white)](https://twitter.com/intent/tweet?text=Check+out+this+awesome+repository+for+LLM+engineers!&url=https://github.com/Developer-MultiGroup/DMG-Data-Science-Awesome) 23 | [![Share on LinkedIn](https://img.shields.io/badge/Share_on-LinkedIn-0077B5?logo=linkedin&logoColor=white)](https://www.linkedin.com/sharing/share-offsite/?url=https://github.com/Developer-MultiGroup/DMG-Data-Science-Awesome) 24 | 25 | ### 🌟 Alanlar ve Sorumlu Kişiler 26 | 27 | | 🐍 Python & SQL | 📈 Machine Learning | 📝 Natural Language Processing| 28 | |----------|----------|----------| 29 | | 📊 Data Science | 🚀 MLOps & Cloud | 🤖 GenerativeAI| 30 | | [Selin Çıldam](https://www.linkedin.com/in/selincildam/)| [Göker Güner](https://www.linkedin.com/in/gokerguner/) | [Enes Fehmi Manan](https://www.linkedin.com/in/enesfehmimanan/)| 31 | 32 | 33 | 34 | # 📑Table of Contents 35 | | 🗂️ **Structured** | 🧠 **Unstructured** | 36 | | --------------------------------| -------------------------------- | 37 | | 🐍 [Python & SQL](#python-sql) | 🤖 [GenerativeAI](#generative-ai) | 38 | | 📊 [Data Science](#data-science) | 📝 [Natural Language Processing](#natural-language-processing) | 39 | | 📈 [Machine Learning](#machine-learning) | 🧬 [Deep Learning](#deep-learning) | 40 | | 📚 [Data Books](#data-books) | 👁️ [Computer Vision](#computer-vision) | 41 | | 📰 [Data Papers](#data-papers) | 🚀 [MLOps & Cloud](#mlops&cloud) | 42 | 43 | 44 | 45 | 46 | ## 🐍Python & SQL 47 |
48 | Click to expand! 49 | 50 | 51 | **[`^ back to top ^`](#dmg-data-science-awesome)** 52 | 53 | ### 🔗 Useful Links 54 | 55 | - [SQL Cheatsheet](https://drive.google.com/file/d/1c0zYkqlpRqI0XzVntG5dZSTBZnUnY3pE/view?usp=drive_link) - SQL kavramlarına hızlıca göz atın. 56 | - [Learn SQL in stages](https://sqlzoo.net/wiki/SQL_Tutorial) - SQL bilginizi pratiklerle geliştirin. 57 | - [Hackerrank Python](https://www.hackerrank.com/domains/python?filters%5Bstatus%5D%5B%5D=unsolved&badge_type=python) - Python'da algoritma pratiği yapın. 58 | - [Hackerrank SQL](https://www.hackerrank.com/domains/sql?filters%5Bstatus%5D%5B%5D=unsolved&badge_type=sql) - SQL'de pratik yapın. 59 | - [NeetCode Data Structures](https://neetcode.io/practice) - Veri yapıları konusunda pratik yapın. 60 | - [algoleague](https://algoleague.com/) - Çeşitli dillerde algoritma sorularını çözebileceğiniz ve yarışmalara katılabileceğiniz yerli platform. 61 | - [Grind 75 questions](https://www.techinterviewhandbook.org/grind75/?weeks=8&hours=8) - Planlı bir şekilde algoritma mülakatlarındaki ana konsteptleri halledin. 62 | 63 | 64 | ### SQL 65 | 66 | - [Intro to SQL: Querying and managing data](https://www.khanacademy.org/computing/computer-programming/sql)- SQL dilini sıfırdan başlayarak öğrenin. 67 | - [Advanced SQL](https://www.kaggle.com/learn/advanced-sql)- SQL bilginizi genişletin. 68 | - [SQL Tutorial](https://www.w3schools.com/sql/default.asp)- Adım adım SQL öğrenin. 69 | 70 | ### Python 71 | 72 | - [Yazbel Belgeleri](https://python-istihza.yazbel.com/index.html) - Python dilini Türkçe olarak detaylı bir şekilde öğrenin. 73 | - [CS50 Python](https://cs50.harvard.edu/python/2022/) - Harvard'ın ünlü CS50 dersinin Python için özel versiyonu. 74 | - [30 Days of Python](https://dev.to/arindamdawn/series/7425) - 30 günde Python öğrenin. 75 | - [Code. Simply. Clearly. Calmly.](https://calmcode.io/) - Python'daki birçok temel konsepti kısa ve öz videolar üzerinden öğrenin. 76 | 77 |
78 | 79 | 80 | 81 | ## 📊Data Science 82 |
83 | Click to expand! 84 | 85 | **[`^ back to top ^`](#dmg-data-science-awesome)** 86 | 87 | ### 🔗 Useful Links 88 | 89 | - [Veri Defteri](https://veridefteri.com/) - Veri Biliminin bir çok konusu hakkında hem blog hem video tutorialları olan websitesi. 90 | - [Yapay Zekâ Araştırma İnisiyatifi](https://yz-ai.github.io/kaynaklar/) - Derin öğrenme konusunda birçok iyi kaynağın çevrilmiş hallerinin derlendiği websitesi. 91 | - [Data Science Roadmap](https://roadmap.sh/ai-data-scientist) - Veri bilimi için temel öğrenilmesi gereken konseptleri gösteren akış diyagramı. 92 | 93 | ### Introduction to Data Science 94 | 95 | + **📹 Video Tutorials** 96 | - [Virtualenv](https://calmcode.io/course/virtualenv/intro) - Virtual environment neden gereklidir ve neden kullanılır. Detaylı öğrenin. 97 | 98 | + **📖 Blog Tutorials** 99 | - [Difference of Data Science and Machine Learning](https://www.datasciencecentral.com/difference-of-data-science-machine-learning-and-data-mining/) - Veri Biliminin temel kavramlarına aşina olun. 100 | 101 | + **🛠️ Virtual Environment** 102 | - [Python Virtual Environment](https://www.geeksforgeeks.org/python-virtual-environment/) - Sanal ortamların nasıl kurulacağını ve neden kullanıldığını öğrenin. 103 | 104 | ### Exploratory Data Analysis 105 | + **📹 Video Tutorials** 106 | - [Statistics for Data Science](https://www.youtube.com/watch?v=xxpc-HPKN28)- Veri Bilimi için gerekli istatistik altyapısını edinin. 107 | 108 | ### Data Wrangling & Preprocessing 109 | - [Handling Missing Values](https://www.analyticsvidhya.com/blog/2021/10/handling-missing-value/) - Eksik verilere nasıl yaklaşılacağını öğrenin. 110 | - [Discover Feature Engineering](https://machinelearningmastery.com/discover-feature-engineering-how-to-engineer-features-and-how-to-get-good-at-it/) - Feature engineering nedir, nasıl yapılır? Mantığını öğrenin. 111 | - [Feature Engineering for Machine Learning](https://towardsdatascience.com/feature-engineering-for-machine-learning-eb2e0cff7a30) - Veri ön işleme adımının nasıl yapılacağını öğrenin. 112 | 113 |
114 | 115 | 116 | ## 📈Machine Learning 117 |
118 | Click to expand! 119 | 120 | **[`^ back to top ^`](#dmg-data-science-awesome)** 121 | 122 | ### 🔗 Useful Links 123 | - [Machine Learning Roadmap](https://whimsical.com/machine-learning-roadmap-2020-CA7f3ykvXpnJ9Az32vYXva) - ML için hazırlanmış kapsamlı bir roadmap. 124 | 125 | ### Courses 126 | 127 | - [Makine Öğrenmesine Giriş](https://www.youtube.com/playlist?list=PLZcbvMjrj9DVU6g2A5e6voeigUtSMsAJH) - ML teorisini detaylı bir şekilde öğrenin. Ders kaynaklarına [buradan](https://github.com/sibirbil/IMO2020) erişebilirsiniz. 128 | - [AI for Beginners](https://microsoft.github.io/AI-For-Beginners/) - Microsoft tarafından yayınlanan AI kursu. 129 | - [Google ML Crash Course](https://developers.google.com/machine-learning/crash-course): Google'ın ML üzerine kapsamlı temel bir kursu, pek çok ML kavramına dair temel bilgi edinmek ve kariyerine sağlam başlangıç noktaları oluşturmak isteyenler için. 130 | - [Coursera ML Specialization](https://www.coursera.org/specializations/machine-learning-introduction): Coursera'nın toplam 4 kurstan oluşan ML Uzmanlık serisi. Teorik bilginin yanı sıra notebook ödevleriyle birlikte ML kodlama pratiğine başlamak isteyenler için. 131 | - [Kaggle Intro to ML](https://www.kaggle.com/learn/intro-to-machine-learning): Kaggle'ın temel seviye ML kursu. Basit seviyede konseptler, tanımlar içerir. 132 | - [Kaggle Intermediate ML](https://www.kaggle.com/learn/intermediate-machine-learning): Kaggle'ın giriş seviye kursunun devamı niteliğinde, yine de seviyesi çok üst düzey değil. Başlangıç seviyesinde olanların da rahatlıkla takip edebilecekleri bir kurs. 133 | - [DataTalksClub ML Zoomcamp](https://github.com/DataTalksClub/machine-learning-zoomcamp): DataTalksClub'ın ML Zoomcamp'i. İçerikleri kendi hızınızda tüketebilirsiniz ancak, yılın belli dönemlerinde Zoom üzerinden dersler, ödevler vb. şeklinde de takip edilen "Zoomcamp"leri mevcut. 134 | - ☕ [Forecasting: Principles and Practice](https://otexts.com/fpp3/) - Zaman serileri üzerine kapsamlı bir kaynak. 135 | 136 | ### 📖 Blog Tutorials 137 | 138 | - ☕[Supervised Learning](https://stanford.edu/~shervine/l/tr/teaching/cs-229/cheatsheet-supervised-learning): Stanford'un CS229: Machine Learning dersine ait Türkçeye çevrilmiş Gözetimli öğrenme notları. 139 | - ☕[Unsupervised Learning](https://stanford.edu/~shervine/l/tr/teaching/cs-229/cheatsheet-unsupervised-learning/): Stanford'un CS229: Machine Learning dersine ait Türkçeye çevrilmiş Gözetimsiz öğrenme notları. 140 | - [What is Overfitting?](https://www.freecodecamp.org/news/what-is-overfitting-machine-learning/): Overfitting kavramını ve kaçınmanın yollarını öğrenin. 141 | - [Scikit Learn Official Document](https://scikit-learn.org/stable/index.html): Temel algoritmalar, preprocess yöntemleri, model başarı ölçümlemeleri gibi Machine Learning'e ait neredeyse bütün konseptler için Python dilinde kullanabileceğiniz scikit-learn'ün resmi dokümantasyonu. 142 | - [Machine Learning Basics](https://github.com/zotroneneis/machine_learning_basics) - Makine öğrenmesi algoritmalarının hem teorisini hem pratiğini notebooklar üzerinden adım adım implemantasyonuyla birlikte veren repo. 143 | - ☕☕[PapersWithCode](https://paperswithcode.com/) - ML/AI Scientist rollerinde yeni çıkan paperları takip etmek ve elbette bunları hızlıca deneyip çalıştığınız şirket adına işe yararlılığını ölçmek önem taşıyor. Paperswithcode, yeni çıkan paper'ları kodlarıyla birlikte sunuyor. 144 | - [AIPaper.Dev](https://aipaper.dev/daily) - Alanlarına ayrılmış bir biçimde paperları burada derli toplu görebilirsiniz. Her paper, onu okuyabileceğiniz bir arxiv bağlantısı da içeriyor. Aylık 2$ karşılığında paper özeti gibi ek özelliklere de erişebiliyorsunuz. 145 | 146 | ### 📹 Video Tutorials 147 | 148 | - [Freecodecamp ML Course for Beginners](https://www.youtube.com/watch?v=NWONeJKn6kc): Freecodecamp'in yeni başlayanlar için 9 saat 52 dakikalık tek parça ML kursu. 149 | - [Yapay Öğrenme için Matematik](https://www.youtube.com/playlist?list=PL-VAZnoQqQ4W3kxCI4At6flbG72k8mHVG) - Makine öğrenmesi için gereken matematiği öğrenin. 150 | 151 | ### 🗃️ Datasets 152 | 153 | - [UCI ML Repository](https://archive.ics.uci.edu/datasets): UC Irvine üniversitesine ait veri setleri. Kendi kütüphanesi ile direkt olarak python projesinin içerisine import edebiliyorsunuz. 154 | - [Kaggle Datasets](https://www.kaggle.com/datasets): Kaggle platformundaki veri setleri. Giriş seviyesi kurslardan sonra hangi alanda hangi veri türüyle çalışmak istediğine karar verme aşamasında mutlaka göz atılmalı. 155 | - [Awesome Repo](https://github.com/awesomedata/awesome-public-datasets?tab=readme-ov-file#machinelearning): Başlangıç seviyesi küçük veri setlerinin ardından daha büyük projeler çıkarmak isteyenler için daha gelişmiş veri setlerinin olduğu bir repo. Bu repoda ilgi alanlarınıza göre ayrılmış başka alanlardaki veri setlerini de görebilirsiniz. 156 | 157 |
158 | 159 | 160 | 161 | ## 📚Data Books 162 | 163 | Data alanında yazılmış yerli ve yabancı kitapların listesini görmek için [tıklayınız](books.md). 164 | 165 | 166 | ## 📰Data Papers 167 | 168 | Data alanında yazılmış yerli ve yabancı makalelerin listesini görmek için [tıklayınız](papers.md). 169 | 170 | 171 | 172 | 173 | ## 🤖Generative AI 174 |
175 | Click to expand! 176 | 177 | **[`^ back to top ^`](#dmg-data-science-awesome)** 178 | 179 | ### 🔗 Useful Links 180 | - [ Chatbot Arena Leaderboard](https://lmarena.ai/?leaderboard) - LLM'lerin değerlendirilmesi ve topluluk desteği ile sıralanması ile oluşan liderlik tablosu. 181 | - [LLMOps Database](https://www.zenml.io/llmops-database) - Gerçek dünya senaryolarında LLM'lerin nasıl kullanıldığını ayrıntılı bir şekilde görebileceğiniz web sitesi. 182 | - [ML and LLM system design](https://www.evidentlyai.com/ml-system-design) - ML ve LLM için oluşturulmuş 500+ case study. 183 | - [LLM Nasıl Çalışır?](https://llm-viz-tr.vercel.app/) - LLM'lerin nasıl çalıştığını interaktif bir şekilde anlatan web sitesi. 184 | - [https://research.aimultiple.com/generative-ai-applications/](https://research.aimultiple.com/generative-ai-applications/) - GenAI gerçek hayat örnekleri. 185 | - [Haystack Cookbook](https://github.com/deepset-ai/haystack-cookbook) - Farklı araçlar kullanılarak yapılmış çeşitli GenAI uygulama örnekleri bulabileceğiniz bir repo. 186 | - [Prompt Engineering Guide](https://www.promptingguide.ai/) - Promt engineering temellerini detaylı bir şekilde öğrenin. 187 | - [Agents Course](https://huggingface.co/learn/agents-course/unit0/introduction) - Hugging Face tarafından verilen agents kursu. 188 | - [MCP Course](https://huggingface.co/learn/mcp-course/unit0/introduction) - Hugging Face tarafından verilen MCP kursu. 189 | - ☕ [LLM Course](https://github.com/mlabonne/llm-course) - LLM'leri notebooklar üzerinden detaylı anlatan repo. 190 | - ☕ [GenAI Agents](https://github.com/NirDiamant/GenAI_Agents) - Birçok farklı konsteptte agent notebookunu başlangıçtan ileri seviyeye doğru anlatan repo. 191 | - ☕☕ [Annotated Research Paper Implementations](https://nn.labml.ai/) - Milestone paperların torch tabanlı implemanstasyonlarını içeren websitesi. 192 | - [LLM Engineers Handbook](https://github.com/PacktPublishing/LLM-Engineers-Handbook) - Başlangıç seviyesinden deploy almaya kadar giden LLM ve RAG uygulamalarınızı AWS içerisinde deploylamayı gösteren repo ve kitap. 193 | 194 | ### 📹 Video Tutorials 195 | - [Gemini API by Google](https://www.udacity.com/course/gemini-API-by-google--cd13416) - Gemini API üzerinden GenAI temellerini öğrenin. 196 | - [Building AI Applications with Haystack (DeepLearning.AI)](https://www.deeplearning.ai/short-courses/building-ai-applications-with-haystack/) - Haystack kullanarak farklı GenAI uygulamaları geliştirmeyi öğrenin. 197 | - [OpenAI Academy](https://academy.openai.com/) - OpenAI temelli GenAI araçlarını nasıl kullanacağınızı öğrenin. 198 | - [Introduction to Generative AI Learning Path](https://www.cloudskillsboost.google/paths/118) - Google Cloud ile GenAI-LLM temellerini öğrenin. 199 | - [RAG & Agents](https://www.youtube.com/playlist?list=PL0cq-CiC5Qht17CmxgQDotcT-mlOulxqg) - RAG ve Agentların temellerini Prof. Tom Yeh'ten öğrenin. 200 | - [LangChain Academy](https://academy.langchain.com/collections) - LangChain Academy'den güncel GenAI teknolojilerini öğrenin. 201 | - [Build a Large Language Model (From Scratch)](https://www.youtube.com/playlist?list=PLTKMiZHVd_2IIEsoJrWACkIxLRdfMlw11) - Sebastian Raschka'nın Build a Large Language Model kitabının anlatımını yaptığı yt serisi. 202 | - ☕ [Deep Dive into LLMs like ChatGPT](https://www.youtube.com/watch?v=7xTGNNLPyMI) - Karpathy ile LLM'lerin temellerine derin bir dalış yapın. 203 | - [GenAI wit Gradio](https://www.deeplearning.ai/short-courses/building-generative-ai-applications-with-gradio/) - Gradio ile GenAI uygulamalarının nasıl deploy edileceğini öğrenin. 204 | - ☕ [Multi AI Agent Systems with crewAI](https://www.deeplearning.ai/short-courses/multi-ai-agent-systems-with-crewai/) - Multi Agent sistemlerin temellerini CrewAI ile öğrenin. 205 | - ☕☕ [Practical Multi AI Agents and Advanced Use Cases with crewAI](https://www.deeplearning.ai/short-courses/practical-multi-ai-agents-and-advanced-use-cases-with-crewai/) - Çeşitli AI Agent senaryolarını Crew AI üzerinden deneyimleyin. 206 | 207 | ### 📖 Blog Tutorials 208 | - [How Large Language Models work](https://medium.com/data-science-at-microsoft/how-large-language-models-work-91c362f5b78f) - Teknik bilgiye boğulmadan LLM'lerin nasıl çalıştığını öğrenin. 209 | - [BERT 101 🤗 State Of The Art NLP Model Explained ](https://huggingface.co/blog/bert-101) - Bert nedir, nasıl kullanılır, farklı Bert türleri nelerdir konularında bilgi sahibi olun. 210 | - [Anthropic's Prompt Engineering Interactive Tutorial](https://github.com/anthropics/courses/tree/master/prompt_engineering_interactive_tutorial) - Anthropics kendi modelleri üzerinden anlattığı Prompt Engineering notebookları. 211 | - [Google Agents](https://ppc.land/content/files/2025/01/Newwhitepaper_Agents2.pdf) - Google tarafından yayınlanmış agent eğitim dokümanı. 212 | - ☕ [A Tutorial on LLM](https://medium.com/@haifengl/a-tutorial-to-llm-f78dd4e82efc) - Transformer mimarisinin nasıl çalıştığını ve GenAI için önemli kavramları öğrenin. 213 | - ☕ [MultiModal Uygulama Geliştirip Hugging Face Spaces’te Yayınlamak!](https://medium.com/@cakirduygu/multimodal-uygulama-geli%C5%9Ftirip-hugging-face-spaceste-yay%C4%B1nlamak-65ca98ec38af) - Açık Kaynak LLM'ler ile yaptığınız çalışmaları nasıl yayınlayacağınızı öğrenin. 214 | - ☕[ModernBERT](https://huggingface.co/blog/modernbert) - Modernleştirilmiş Bert mimarisini öğrenin. 215 | - ☕[Building effective agents](https://www.anthropic.com/research/building-effective-agents) - Efektif agent nasıl geliştirilir? 216 | - ☕ [How to generate text: using different decoding methods for language generation with Transformers](https://huggingface.co/blog/how-to-generate) - Transformers modelleri nasıl metin üretiyor? 217 | - ☕ [Create a Swarm of Agents](https://haystack.deepset.ai/blog/swarm-of-agents) - OpenAI'ın Swarm konseptini başka modellerle (Llama, Antropic Claude vs.) nasıl yapılacağını anlatan bir blog yazısı 218 | - ☕☕ [LLM Workshop](https://github.com/rasbt/LLM-workshop-2024) - LLM temellerini notebooklar üzerinden detaylı bir şekilde öğrenin. 219 | - ☕☕ [Transformers From Scratch](https://blog.matdmiller.com/posts/2023-06-10_transformers/notebook.html) - Sıfırdan Transformers mimarisini öğrenin. 220 | - ☕☕ [Llama 3 from Scratch](https://github.com/naklecha/llama3-from-scratch/blob/main/llama3-from-scratch.ipynb) - Llama 3 modelini sıfırdan implemente eden eğlenceli bir notebook. 221 | 222 | + ### RAG 223 | 224 | + **📹 Video Tutorials** 225 | - [Building Systems with the ChatGPT API](https://www.deeplearning.ai/short-courses/building-systems-with-chatgpt/) - ChatGPT API kullanarak LLM'ler ile karmaşık iş akışlarını nasıl otomatikleştireceğinizi öğrenin. 226 | - [LangChain for LLM Application Development](https://www.deeplearning.ai/short-courses/langchain-for-llm-application-development/) - LangChain kullanarak LLM'lerin kullanım alanlarını genişletmeyi ve güçlü LLM uygulamaları oluşturmayı öğrenin. 227 | 228 | + **📖 Blog Tutorials** 229 | - ☕ [RAG Techniques](https://github.com/NirDiamant/RAG_Techniques) - Farklı RAG tekniklerini gösteren repo. 230 | - [Creating Your First QA Pipeline with Retrieval-Augmentation](https://haystack.deepset.ai/tutorials/27_first_rag_pipeline) - Haystack ile ilk RAG uygulamanızı geliştirin 231 | - [(Part 1) Build your own RAG with Mistral-7B and LangChain](https://medium.com/@thakermadhav/build-your-own-rag-with-mistral-7b-and-langchain-97d0c92fa146) - Mistral-7B üzerinde nasıl RAG yapılacağını adım adım giderek anlatan yazı serisi. 232 | - ☕ [The 4 Advanced RAG Algorithms You Must Know to Implement](https://medium.com/decodingml/the-4-advanced-rag-algorithms-you-must-know-to-implement-5d0c7f1199d2) - İleri RAG tekniklerini öğrenin ve uygulamasını görün. 233 | - ☕ [(Part 1) Advanced Retrieval: Extract Metadata from Queries to Improve Retrieval](https://haystack.deepset.ai/blog/extracting-metadata-filter) - Metadata filtering, query decomposition gibi tekniklerle ileri seviye RAG uygulamaları geliştirmeyi anlatan yazı serisi 234 | - [Build a Retrieval Augmented Generation (RAG) App: Part 1](https://python.langchain.com/docs/tutorials/rag/) - Kendi RAG uygulamanızı direkt olarak doküman üzerinden ilerleyerek oluşturabileceğiniz bir yazı serisi. Sadece part 1 ve 2 var. Direkt LangChain üzerinden erişebilirsiniz. 235 | 236 | + ### Fine Tuning 237 | + **📹 Video Tutorials** 238 | - ☕ [Finetuning Large Language Models](https://www.deeplearning.ai/short-courses/finetuning-large-language-models/) - Lamini kullanarak LLM'lere nasıl ince ayar yapabileceğinizi öğrenin. 239 | 240 | + **📖 Blog Tutorials** 241 | - ☕ [Fine-Tuning Mistral 7b in Google Colab with QLoRA (complete guide)](https://medium.com/@codersama/fine-tuning-mistral-7b-in-google-colab-with-qlora-complete-guide-60e12d437cca) - Mistral-7b üzerinden nasıl fine tuning yapılacağını öğrenin. 242 | - [Fine-tune a pretrained model](https://huggingface.co/docs/transformers/en/training) - Hugging Face tarafında ince ayar nasıl yapılır. 243 | - ☕☕ [BERT Fine-Tuning Tutorial with PyTorch](https://mccormickml.com/2019/07/22/BERT-fine-tuning/) - Pytorch ile Bert'i fine tune ederek, konuya derinlemesine dalın. 244 | - [A Gentle Introduction to 8-bit Matrix Multiplication for transformers at scale using Hugging Face Transformers, Accelerate and bitsandbytes](https://huggingface.co/blog/hf-bitsandbytes-integration) - Quantization nedir ve neden yapılmalıdır? 245 | - [Code LoRA from Scratch](https://lightning.ai/lightning-ai/studios/code-lora-from-scratch?utm_source=tldrai) - LoRA metodunu sıfırdan öğrenin. 246 | 247 | 248 | ### 🔧 Framework 249 | - [Transformers](https://huggingface.co/docs/transformers/index) - Hugging Face tarafından geliştirilen, NLP ve generative AI modellerini kolayca kullanmanızı sağlayan bir kütüphane. 250 | - [LangChain](https://python.langchain.com/docs/introduction/) - Büyük dil modelleri (LLM) ile çalışma ve uygulama geliştirme sürecini kolaylaştıran bir framework. 251 | - [Haystack](https://haystack.deepset.ai/) - Büyük dil modellerini orkestre ederek farklı kullanım alanlarında (RAG, AI Agent'ları vs.) uygulama geliştirmenizi sağlayan açık kaynak bir framework. 252 | - [co:here](https://cohere.ai/) - Cohere, gelişmiş Büyük Dil Modelleri ve NLP araçlarına erişim sağlar. 253 | - [Ollama](https://github.com/ollama/ollama) - Büyük dil modellerini yerel olarak çalıştırmanızı sağlayan bir framework. 254 | - [DeepSpeed](https://www.deepspeed.ai/) - Microsoft tarafından geliştirilen, büyük modellerin daha verimli bir şekilde eğitilmesi ve kullanılması için optimize edilmiş bir deep learning optimizasyon kütüphanesi. 255 | - [Alpaca-LoRA](https://github.com/tloen/alpaca-lora) - LLaMA tabanlı modeller üzerinde düşük kaynakla hızlı ince ayar (fine-tuning) yapmayı sağlayan bir framework. 256 | - [Fairseq](https://github.com/facebookresearch/fairseq) - Facebook AI tarafından geliştirilen, çeşitli NLP ve sıralı modelleme görevleri için kullanılan bir framework. 257 | - [Letta](https://github.com/letta-ai/letta) - Eskiden MemGPT iken şu an isim değiştirilerek sunulan yeni bir framework. 258 | 259 | 260 | ### Models 261 | - [OpenAI](https://openai.com/api/) - OpenAI'nin API'si, çeşitli doğal dil görevlerini yerine getiren GPT-3 ve GPT-4 modellerine ve doğal dili koda çeviren Codex'e erişim sağlar. 262 | - [LLaMA](https://ai.facebook.com/blog/large-language-model-llama-meta-ai/) - Meta tarafından geliştirilen, 65 milyar parametreli temel bir büyük dil modeli. 263 | - [deepseek](https://www.deepseek.com/) - Açık kaynak olarak geliştirilen, oldukça başarılı yanıtlar üreten LLM. 264 | - [Claude](https://claude.ai/) - Anthropic tarafından geliştirilen bir yapay zeka asistanı olan Claude ile konuşun. 265 | - [Mixtral](https://mistral.ai/news/mixtral-of-experts/) - Açık ağırlıklara sahip "sparse mixture of experts" mimarisiyle yüksek kaliteli ve verimli doğal dil işleme çözümleri sunan bir model. 266 | - [Grok](https://grok.x.ai/) - xAI tarafından geliştirilen ve [açık kaynak](https://github.com/xai-org/grok-1) ve açık ağırlıklara sahip bir büyük dil modeli. 267 | 268 | + **🛠️ Coding Assistants** 269 | - [GitHub Copilot](https://github.com/features/copilot) - GitHub Copilot, OpenAI Codex desteğiyle editörünüzde gerçek zamanlı kod ve fonksiyon önerileri sunar. 270 | - [Amazon Q](https://aws.amazon.com/q/) - AWS’nin yapay zeka destekli asistanı; soruları yanıtlar, kod yazar ve görevleri otomatikleştirir. 271 | 272 | 273 | 274 | 275 |
276 | 277 | 278 | 279 | ## 📝Natural Language Processing 280 |
281 | Click to expand! 282 | 283 | **[`^ back to top ^`](#dmg-data-science-awesome)** 284 | 285 | ### 🔗 Useful Links 286 | - [Turkish NLP Resources](https://turkce.netlify.app/) - Türkçe NLP kaynaklarının derlendiği websitesi. 287 | - [NLP Cheat Sheet Repo](https://github.com/janlukasschroeder/nlp-cheat-sheet-python) - Python NLP Cheat Sheet 288 | - [High-Quality Resources for studying NLP](https://medium.com/nlplanet/awesome-nlp-18-high-quality-resources-for-studying-nlp-1b4f7fd87322) - Kaliteli NLP kaynakları 289 | 290 | ### 📹 Video Tutorials 291 | - [Hugging Face NLP Course](https://huggingface.co/learn/nlp-course/chapter1/1) - Hugging Face üzerinden NLP temellerini öğrenin. 292 | - [Natural Language Processing at UT Austin](https://www.youtube.com/playlist?list=PLofp2YXfp7TZZ5c7HEChs0_wfEfewLDs7) - Austin üniversitesi NLP dersleri. 293 | - [Doğal Dil İşleme Yaz Okulu](https://www.youtube.com/playlist?list=PLMGWwuh6-mEe57iOtf1uo5DgZB288l0CQ) - Türkçe Doğal Dil İşleme yaz okulu. 294 | 295 | ### 📖 Blog Tutorials 296 | - [What Is Natural Language Processing?](https://machinelearningmastery.com/natural-language-processing/) - Doğal Dil İşleme nedir? 297 | - ☕ [Natural Language Processing is Fun!](https://medium.com/@ageitgey/natural-language-processing-is-fun-9a0bff37854e) - Adım adım NLP temellerini öğrenin. [[2]](https://medium.com/@ageitgey/text-classification-is-your-new-secret-weapon-7ca4fad15788),[[3]](https://medium.com/@ageitgey/natural-language-processing-is-fun-part-3-explaining-model-predictions-486d8616813c), [[4]](https://medium.com/@ageitgey/deepfaking-the-news-with-nlp-and-transformer-models-5e057ebd697d), [[5]](https://medium.com/@ageitgey/build-your-own-google-translate-quality-machine-translation-system-d7dc274bd476) 298 | - [NLP Python Repo](https://github.com/milaan9/Python_Natural_Language_Processing) - Notebooklar üzerinden NLP temellerini öğrenin. 299 | - [TR NLP 101](https://github.com/kolaydilisleme/NLP-101-Egitim) - Türkçe olarak NLP temellerini öğrenin. 300 | - ☕☕ [Natural Language Processing Specialization on Coursera](https://aman.ai/coursera-nlp/) - Natural Language Processing Specialization detaylı kurs dokümanları. 301 | 302 |
303 | 304 | 305 | ## 🧬Deep Learning 306 |
307 | Click to expand! 308 | 309 | **[`^ back to top ^`](#dmg-data-science-awesome)** 310 | 311 | ## Blogs 312 | 313 | - [Learn PyTorch for Deep Learning](https://www.learnpytorch.io/) - Deep learning için Pytorch'u kapsamlı bir şekilde öğrenin. 314 | - ☕☕ [PyTorch internals](http://blog.ezyang.com/2019/05/pytorch-internals/) - Pytorch'un nasıl çalıştığını öğrenin. 315 | 316 | ## Frameworks 317 | 318 | Derin Öğrenme'nin üç büyük framework'ünün linkleri. Önce Tensorflow veya Pytorch, daha sonra da Jax kurcalanarak devam edilebilir. Her birinin kaynakları, blogları, demoları santim santim takip edildiğinde oldukça öğretici. 319 | 320 | - [Tensorflow](https://www.tensorflow.org/) 321 | - [Pytorch](https://pytorch.org/) 322 | - [Jax](https://docs.jax.dev/en/latest/) 323 | 324 |
325 | 326 | 327 | 328 | ## 👁️Computer Vision 329 |
330 | Click to expand! 331 | 332 | **[`^ back to top ^`](#dmg-data-science-awesome)** 333 | 334 | ### Useful Links 335 | - **[Computer Vision (GeeksforGeeks)](https://www.geeksforgeeks.org/computer-vision/)** - Bilgisayarlı görüye giriş ve temel kavramlar. 336 | - **[Introduction to Object Detection](https://medium.com/@kattarajesh2001/object-detection-part-1-introduction-to-object-detection-321f1fd56295)** - Nesne tespitine giriş ve temel teknikler. 337 | - **[Introduction to Computer Vision with TensorFlow (Microsoft)](https://learn.microsoft.com/en-us/training/modules/intro-computer-vision-tensorflow/)** - Microsoft’un sunduğu, TensorFlow kullanarak bilgisayarlı görüye giriş eğitim modülü. 338 | - **[Computer Vision with TensorFlow](https://www.tensorflow.org/tutorials/images?hl=tr)** - TensorFlow kullanarak bilgisayarlı görü projeleri geliştirme. 339 | - **[Deep Learning for Computer Vision ](https://www.geeksforgeeks.org/deep-learning-for-computer-vision/)** - Derin öğrenmenin bilgisayarlı görüde nasıl kullanıldığına dair kapsamlı anlatım. 340 | - **[Ultralytics Docs](https://docs.ultralytics.com/)** - YOLO serisi gibi popüler nesne tespiti modellerini geliştiren Ultralytics’in resmi dökümantasyonu. 341 | 342 | ### Tutorials 343 | - **[OpenCV Tutorials](https://docs.opencv.org/4.x/d9/df8/tutorial_root.html)** - OpenCV’nin resmi dokümantasyon ve eğitimleri. 344 | - **[OpenCV-Python Tutorials](https://docs.opencv.org/4.11.0/d6/d00/tutorial_py_root.html)** - Python ile OpenCV kullanımı için kapsamlı rehber. 345 | - **[OpenCV Python Tutorial (GeeksforGeeks)](https://www.geeksforgeeks.org/opencv-python-tutorial/)** - OpenCV’ye giriş ve temel işlevlerin anlatıldığı rehber. 346 | - **[Simple Object Tracking with OpenCV (PyImageSearch)](https://pyimagesearch.com/2018/07/23/simple-object-tracking-with-opencv/)** - OpenCV ile basit nesne takibi örnekleri. 347 | - **[Moving Object Detection with OpenCV](https://learnopencv.com/moving-object-detection-with-opencv/)** - OpenCV kullanarak hareketli nesne tespiti yapma yöntemleri. 348 | 349 | 350 | ### Courses 351 | - **[OpenCV Bootcamp](https://opencv.org/university/free-opencv-course/?utm_source=opcv&utm_medium=releases)** - OpenCV temellerinden ileri seviye uygulamalara kadar detaylı bir kurs. 352 | - **[Görüntü Üretmeye Giriş (Google Cloud)](https://www.cloudskillsboost.google/course_templates/541?catalog_rank=%7B%22rank%22%3A1%2C%22num_filters%22%3A0%2C%22has_search%22%3Atrue%7D&search_id=42154782)** - Google Cloud’un sunduğu yapay zeka ile görüntü üretme kursu. 353 | 354 | ### 📹 Video Tutorials 355 | - [Community Computer Vision Course](https://huggingface.co/learn/computer-vision-course/unit0/welcome/welcome) - Hugging Face komünitesi tarafından oluşturulan görüntü işleme kursu. 356 | 357 |
358 | 359 | 360 | 361 | ## 🚀MLOps & Cloud 362 |
363 | Click to expand! 364 | 365 | **[`^ back to top ^`](#dmg-data-science-awesome)** 366 | 367 | ## Courses 368 | 369 | - [MLOps Zoomcamp](https://github.com/DataTalksClub/mlops-zoomcamp) - DataTalksClub isimli topluluğun MLOps Zoocamp'i. Self-paced, ama dönem dönem online canlı derslerle dünyanın her yerinden katılımcılarla da senkron bir şekilde ödevli takipli alabiliyorsunuz kursu. Aynı repodan topluluğun web sitesine gidip diğer kursları inceleyebilir ve topluluğa özel kanallara da katılabilirsiniz. 370 | 371 | - [MLOps Roadmap](https://roadmap.sh/mlops) - Roadmap.sh, teknolojinin pek çok alanı ile ilgili oldukça detaylı, takip etmesi belki bir yılı bulabilecek dolu dolu roadmapler sunuyor, MLOps roadmapi de bunlardan biri. 372 | 373 | ## Blogs 374 | 375 | - [Marvelous MLOps](https://marvelousmlops.substack.com/) - MLOps'a dair takip edilesi bir blog, aynı isimli bir Linkedin sayfaları da var, orada daha aktifler. 376 | 377 | - ☕☕[Google Vertex AI](https://cloud.google.com/vertex-ai) - Google'ın AI platformu Vertex AI'ın dokümanı. Cloud'a dair pek çok doküman&kaynak bulunabilir elbette ama öğrenmenin en iyi yolu kesinlikle orjinal dokümanları incelemek. 378 | 379 | - ☕☕[AWS Bedrock Samples](https://github.com/aws-samples/amazon-bedrock-samples) - AWS Bedrock örneklerini içeren repo. 380 | 381 | - ☕[Google Cloud Docs](https://cloud.google.com/docs) Google'ın cloud altyapsına dair, konularına ayrılmış kendi dokümanları. Google, ilk hesap açılışında 300 dolarlık bedava kredi de sunuyor. 382 | 383 | ## Video Tutorials 384 | 385 | - [TechWorld With Nana](https://www.youtube.com/@TechWorldwithNana/courses) - Devops bilmeden MLOps eksik kalır, bu Youtube kanalı devops için bulabileceğimiz en iyi kaynaklardan. 386 | 387 | - [Cloud Türkiye AWS Talks Youtube Serisi](https://www.youtube.com/watch?v=2pbDSwiFYO4&list=PLdEVi-7f6Ie9WJH_ySLOVU8ODZS94Hm2C) - Cloud Türkiye Topluluğu'nun AWS üzerine konuştuğu Youtube serisi. 388 | 389 | - [Ayti Tech Azure Youtube Serisi](https://www.youtube.com/watch?v=W1cp3qEAC1M&list=PLm8ggkC19szAggb3smwNleuitkHSInf8i) - Ayti Tech Youtube kanalında Özgür Öztürk'ün hap bilgiler içeren Azure serisi. 390 | 391 | - [Freecodecamp Docker&Kubernetes Fundamentals](https://www.youtube.com/watch?v=kTp5xUtcalw) - Freecodecamp'ten yaklaşık 6 saatlik harika bir Docker&Kubernetes giriş kursu. 392 | 393 | ## Tools 394 | 395 | Bu kadar eğitim, kurs, bilgi vs. elini kirletmeden bir değer taşımıyor. Demolar yapıp bunları yayınlamanızı sağlayabilecek, her birine en az bir, belki birkaç haftasonu ayırabileceğiniz deployment toolları: 396 | 397 | - [Streamlit](https://streamlit.io/) 398 | - [Vercel](https://vercel.com/) 399 | - [Gradio](https://www.gradio.app/) 400 | 401 | Bir diğer önemli konu da uçtan uca pipeline tasarlayabilmek. Bunlar da elbette pratikle olabilecek şeyler. MLOps süreçleri konusunda da oldukça yeterli sayıda open source toollar var. 402 | 403 | - [MLFlow](https://mlflow.org/) 404 | - [Kubeflow](https://www.kubeflow.org/) 405 | - [ClearML](https://clear.ml/docs/latest/) 406 | - [ZenML](https://docs.zenml.io/) 407 | 408 |
409 | 410 | 411 | ## ✨ DataCommit 412 |
413 | Click to expand! 414 | 415 | **[`^ back to top ^`](#dmg-data-science-awesome)** 416 | 417 | ### [👻 Kaan Bıçakçı](https://www.youtube.com/watch?v=pu5tuQshGoU) 418 | 419 | **Books:** 420 | - ☕ **Probabilistic Machine Learning: An Introduction** - *Kevin Murphy* - Matematiği seviyorsanız ve ML'in temellerini öğrenmek istiyorsanız, güzel bir başlangıç. 421 | 422 | - ☕☕ **Probabilistic Machine Learning: Advanced Topics** - *Kevin Murphy* - Matematiği seviyorsanız ve ML temeliniz varsa, bunu daha ileriye taşımak istiyorsanız göz atabilirsiniz. 423 | 424 | **Reddit:** 425 | - [Leetcode](https://www.reddit.com/r/leetcode/) - FAANG mülakatları ile ilgili deneyimleri okuyabilirsiniz. 426 | 427 | - [Cscareerquestions](https://www.reddit.com/r/cscareerquestions/) - Genel CS ilgili soru-cevapların olduğu bir yer. 428 | 429 | - [MachineLearning](https://www.reddit.com/r/MachineLearning/) - Genel olarak ML ile ilgili ilginç başlıklar bulabilirsiniz. 430 | 431 | - [LocalLLaMa](https://www.reddit.com/r/LocalLLaMA/) - Yeni çıkan LLM'lerin yorumlarına ulaşabilirsiniz. 432 | 433 | - [EngineeringResumes](https://www.reddit.com/r/EngineeringResumes/) - CV değerlendirmeleri bulabilirsiniz. 434 | 435 | - [Programming](https://www.reddit.com/r/programming/) - Can sıkıntısında dolaşmak için :) 436 | 437 | **YouTube:** 438 | 439 | - ☕ [Ritvikmath](https://www.youtube.com/@ritvikmath) - Genel Data Science konseptlerini anlamak için güzel bir kanal. 440 | 441 | - [3blue1brown](https://www.youtube.com/@3blue1brown) - Animasyonlu ilginç konu anlatımları bulabilirsiniz. 442 | 443 | 444 | ### [🥑 Bilge Yücel](https://www.youtube.com/watch?v=UCpZJwb8UAY) 445 | * [DataTalks.Club](https://open.spotify.com/show/0pck8zuiXdI0OrCg86DAPy?si=4bb8b679e54d46c2) - Data alanında ünlü insanları konuk eden bir podcast 446 | * ☕ [AI News by Smol AI](https://buttondown.com/ainews) - Önde gelen araçlarının discord sunucularında, popüler subredditlerde, sosyal medyada olan AI ile alakalı haberleri derleyen günlük bülten 447 | * [Lu.Ma Istanbul](https://lu.ma/istanbul) - kommunity.com veya meetup gibi platformların alternatifi, AI/ML de dahil olmak üzere başka etkinlikleri de takip edebileceğiniz takvim 448 | 449 | 450 | ### [🤗 Alara Dirik](https://www.youtube.com/watch?v=fGEApsNKKw0) 451 | - [Hype](https://hype.replicate.dev/) - Github, Hugging Face, Replicate ve Reddit'te trend olan ML projelerini günlük olarak sıralayan bir site :) 452 | - ☕☕ [AlphaSignal](https://alphasignal.ai/) - ML ürün ve araştırmalarından son haberleri almak için güzel bir haber bülteni 453 | - [DataCamp](https://www.datacamp.com/) - Hem programlama hem veri bilimi, veri mühendisliği için kısa süreli kursları ve kendi online kod editörü olan bir site, ücretli ama uygun fiyatları var. 454 | - ☕ [Devpost](https://devpost.com/) - Global çaptaki hackathonlara ulaşabileceğiniz ve katılım sağlayabileceğiniz bir site 455 | 456 | ### [Olgun Aydın](https://www.youtube.com/live/yhTxZr_bmDU) 457 | 458 | ### [Eren Akbaba](https://www.youtube.com/watch?v=wusMEw9WOK4) 459 | 460 | ### [🚴🏽‍♂️ Taner Sekmen](https://www.youtube.com/watch?v=63p7xIY_lgw) 461 | - [Abhishek Thakur](https://www.youtube.com/@abhishekkrthakur/videos) - ML ve NLP konularında hands-on videoları içeren kanal 462 | - ☕ [StatQuest with Josh Starmer](https://www.youtube.com/@statquest) - Data Science özelinde birçok teorik içeriği bulabileceğiniz kanal 463 | - ☕ [Yannic Kilcher](https://youtube.com/@YannicKilcher/) - ML alanında yayınlanan paperları inceleyip anlatımını yapan kanal 464 | - ☕ [Natural Language Processing with Transformers, Revised Edition](https://www.oreilly.com/library/view/natural-language-processing/9781098136789/) - NLP alanında hands-on içeriklerin yer aldığı tatlı bir kitap :) 465 | 466 | 467 | ### [Murat Şahin](https://www.youtube.com/watch?v=phQgJmz0KU4&t=2049s) 468 | 469 | 470 | ### [🦉 Göker Güner](https://www.youtube.com/watch?v=kTR9E1ahVcc) 471 | 472 | - [Kaggle](https://www.kaggle.com/) - Kariyer başlangıcı için öncelikle hangi veri alanında çalışmak istediğimize karar vermemiz gerekiyor demiştik. Veri tiplerini ve yapabileceklerimizi tanımak için. 473 | 474 | - [Huggingface](https://huggingface.co/) - Kaggle'a biraz aşina olduktan sonra Generative AI alanında da güncel kalmak, elimizi kirletmek için. 475 | 476 | - [Türkiye Yapay Zeka İnsiyatifi](https://turkiye.ai/girisimler/) - Kariyerimizin ilk İş/Staj deneyimi için çok faydasını gördüğüm, kendinizi geliştirmenin en iyi yollarından biri olarak startup deneyimi edinebileceğiniz şirketleri listeleyen platform. 477 | 478 | - [Feeder](https://feeder.co) - Teknoloji şirketlerinin bloglarını derli toplu takip etmek için kullandığım RSS Feeder uygulaması. 479 | 480 | - [Twitter AI listem](https://x.com/i/lists/1710754799686136290) - Sosyal medyayı iyi kullanmak için Medium, Linkedin platformlarının yanı sıra X'i de verimli kullanabileceğimizden bahsettik. Yapay Zeka için bir X listem var. Bu listeyi takip ettikten sonra "Listeler" bölümüne gelip sağındaki raptiye sembolüne tıklayarak listeyi sabitleyebilir, ana sayfanızda "Sana Özel" ve "Takip Edilenler" akışlarının sağında bu listenin tweetlerini de ayrı bir akış olarak görebilirsiniz. Ara ara kendi beğenilerime, ilgilerime göre güncelliyorum bu listeyi. 481 | 482 | - [DataTalks.Club](https://datatalks.club/) - MLOps alanını biraz tanımak için Alexey Grigorev'in DataTalksClub topluluğunu ve MLOps Zoomcamp'ini tavsiye ediyorum. 483 | 484 | - [Perplexity](https://www.perplexity.ai/) & [Cursor](https://www.cursor.com/) - Arama motoru olarak Perplexity'nin free sürümünü, kod asistanı olarak da aktif kullanmasam da Cursor'u tavsiye edebilirim. 485 | 486 | #### Takip ettiğim, Yapay Zeka alanında mail bülteni sunan platformlar 487 | - [OpenTools](https://newsletter.opentools.ai) 488 | - [AlphaSignal](https://alphasignal.ai) 489 | - [ProductHunt](https://www.producthunt.com) 490 | - [AIBreakfast](https://aibreakfast.beehiiv.com) 491 | - [The Rundown AI](https://www.therundown.ai) 492 | - [Generative AI Daily Newsletter](https://newsletter.genai.works) 493 | - [Turing Post](https://www.turingpost.com) 494 | 495 |
496 | 497 | ## ⭐ Bu Repoyu Faydalı Buldunuz Mu ? 498 | 499 | 500 | Eğer size bir faydası dokunduğunu düşünüyorsanız bu repoyu starlayarak siz de [Stargazers](https://github.com/Developer-MultiGroup/DMG-Data-Science-Awesome/stargazers)'ların arasına katılıp bizi buna benzer kaynak paylaşımları yapmaya motive edebilirsiniz.⭐ 501 | 502 | Bu repo gönüllülük esaslı geliştirilmiştir, dolayısıyla bir şey eksikse veya düzeltilmesi gerekiyorsa lütfen ilgili kişilere ulaşarak bunu bildirin ve en kısa sürede düzenlememize katkıda bulunmuş olun 👍🏻 Bu ve benceri içerikler için bize takip etmeyi unutmayın 👇🏼 503 | 504 |

505 | 506 | 507 | ## 🌟 Contributors! 508 | 509 | [![awesome contributors](https://contrib.rocks/image?repo=Developer-MultiGroup/DMG-Data-Science-Awesome)](https://github.com/Developer-MultiGroup/DMG-Data-Science-Awesome) 510 | 511 | [![Star History Chart](https://api.star-history.com/svg?repos=Developer-MultiGroup/DMG-Data-Science-Awesome&type=Date)](https://star-history.com/#Developer-MultiGroup/DMG-Data-Science-Awesome&Date) 512 | -------------------------------------------------------------------------------- /books.md: -------------------------------------------------------------------------------- 1 | ### Data Science 2 | 3 | - [Data Science Handbook](https://jakevdp.github.io/PythonDataScienceHandbook/) - Veri Bilimi temellerini öğrenin. 4 | 5 | ### Machine Learning 6 | 7 | - ☕[The ML Book](https://themlbook.com/): Machine Learning temellerinden Reinforcement Learning'e kadar, matematiksel altyapıyı da içeren 100 sayfalık konu anlatım kitabı. 8 | - ☕☕[Mathematics for Machine Learning](https://mml-book.github.io/): ML konseptlerinin arkasındaki matematik üzerine yazılmış, ileri düzey bir çalışma. 9 | - [Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition](https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/): "I. The Fundamentals of Machine Learning" başlıklı bölümü tamamen ML konseptleri üzerine ayrılmış, kod pratikleri de yapabileceğiniz bir kitap. 10 | - ☕☕[Pattern Recognition And Machine Learning](http://users.isr.ist.utl.pt/~wurmd/Livros/school/Bishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf): İstatistik bilimine dair teorik anlatımların da yer aldığı, ileri düzey bir teorik ML kitabı. 11 | - ☕[Machine Learning From Scratch](https://dafriedman97.github.io/mlbook/content/introduction.html): Lineer regresyondan başlayarak sinir ağlarına kadar olan ML konseptlerine aşama aşama değinen teorik bir kitap. 12 | - ☕[ML Interviews Book](https://huyenchip.com/ml-interviews-book/): Chip Huyen'in yazdığı, ML interviewlarında yol göstermek üzere tasarlanmış bir kitap. Hedef kitlesi özellikle yurtdışında çalışmak isteyenler olsa da, production düzeyinde ML algoritmalarını, şirketlerin ihtiyaç ve beklentilerini anlamak üzerine birebir. 13 | - ☕☕[Machine Learning Systems](https://mlsysbook.ai/) - ML sistem prensiplerini ve best practiceleri öğrenin. 14 | 15 | ### Deep Learning 16 | 17 | - [Derin Öğrenmeye Dalış](https://tr.d2l.ai/) - Derin Öğrenme konusunu oldukça detaylı anlatan kitap. İngilizce versiyonu için [https://d2l.ai/](https://d2l.ai/). 18 | -------------------------------------------------------------------------------- /images/aiconf.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/Developer-MultiGroup/DMG-Data-Science-Awesome/7c8f0f96d0f4e4509e09ba55d879170167b6743f/images/aiconf.png -------------------------------------------------------------------------------- /images/awesome.gif: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/Developer-MultiGroup/DMG-Data-Science-Awesome/7c8f0f96d0f4e4509e09ba55d879170167b6743f/images/awesome.gif -------------------------------------------------------------------------------- /images/datacommit.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/Developer-MultiGroup/DMG-Data-Science-Awesome/7c8f0f96d0f4e4509e09ba55d879170167b6743f/images/datacommit.png -------------------------------------------------------------------------------- /papers.md: -------------------------------------------------------------------------------- 1 | ## 📑 Paper List 2 | - [LLM Research Papers](https://magazine.sebastianraschka.com/p/llm-research-papers-the-2024-list) - Sebastian Raschka paper list 2024. 3 | - [Ilya 30u30](https://arc.net/folder/D0472A20-9C20-4D3F-B145-D2865C0A9FEE) - Ilya Sutskever'in önerdiği makaleler. 4 | - [List of 27 papers](https://punkx.org/jackdoe/30.html) - Eğer bu listeyi okursanız AI'daki en önemli olan %90'lık kısmı öğreneceksiniz :D 5 | - [The 2025 AI Engineer Reading List](https://www.latent.space/p/2025-papers) - AI Engineer olmak için okunması gereken paperlar ve bloglar. 6 | 7 | ## 🤖 GenerativeAI 8 | 9 | - [Attention Is All You Need](https://arxiv.org/abs/1706.03762): Query, Key, and Value are all you need* (*Also position embeddings, multiple heads, feed-forward layers, skip-connections, etc.) 10 | - [GPT: Improving Language Understanding by Generative Pre-Training](https://cdn.openai.com/research-covers/language-unsupervised/language_understanding_paper.pdf): Decoder is all you need* (*Also, pre-training + finetuning) 11 | - [BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding](https://arxiv.org/abs/1810.04805): Encoder is all you need*. Left-to-right language modeling is NOT all you need. (*Also, pre-training + finetuning) 12 | - [GPT3: Language Models are Few-Shot Learners](https://arxiv.org/abs/2005.14165): Unsupervised pre-training + a few* examples is all you need. (*From 5 examples, in Conversational QA, to 50 examples in Winogrande, PhysicalQA, and TriviaQA) 13 | - [Scaling Laws for Neural Language Models](https://arxiv.org/abs/2001.08361): Larger models trained on lesser data* are what you you need. (*10x more compute should be spent on 5.5x larger model and 1.8x more tokens) 14 | - [Chinchilla: Training Compute-Optimal Large Language Models](https://arxiv.org/abs/2203.15556): Smaller models trained on more data* are what you need. (*10x more compute should be spent on 3.2x larger model and 3.2x more tokens) 15 | - [LLaMA: Open and Efficient Foundation Language Models:](https://arxiv.org/abs/2302.13971) Smoler models trained longer—on public data—is all you need 16 | - [InstructGPT: Training language models to follow instructions with human feedback](https://arxiv.org/abs/2203.02155): 40 labelers are all you need* (*Plus supervised fine-tuning, reward modeling, and PPO) 17 | - [LoRA](https://arxiv.org/abs/2106.09685): Low-Rank Adaptation of Large Language Models: One rank is all you need 18 | - [RAG: Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401): Semi-parametric models* are all you need (*Dense vector retrieval as non-parametric component; pre-trained LLM as parametric component) 19 | - [Whisper](https://arxiv.org/abs/2212.04356): Robust Speech Recognition via Large-Scale Weak Supervision: 680k hrs of audio and multitask formulated as a sequence is all you need. 20 | 21 | ## 📝Natural Language Processing 22 | 23 | - [Breaking Sticks and Ambiguities with Adaptive Skip-gram](https://arxiv.org/abs/1502.07257): Character n-grams are all you need* (*Also subword tokenization) 24 | 25 | - [Distributed Representations of Words and Phrases](https://proceedings.neurips.cc/paper_files/paper/2013/file/9aa42b31882ec039965f3c4923ce901b-Paper.pdf): Skip-gram with negative sampling is all you need* (*Also, hierarchical softmax and subsampling of frequent words) 26 | 27 | - [Learning the Dimensionality of Word Embeddings](https://arxiv.org/abs/1511.05392): Automatic dimension selection is all you need* (*Also, Bayesian skip-gram model) 28 | 29 | - [Emergence of Language with Multi-agent Games](https://proceedings.neurips.cc/paper_files/paper/2017/file/70222949cc0db89ab32c9969754d4758-Paper.pdf): Self-play and reward signals are all you need* (*Also emergent communication protocols) 30 | 31 | - [Skip Thought Vectors](https://arxiv.org/abs/1506.06726): Sentence encoders trained on book sequences are all you need* (*Also, encoder-decoder architecture trained on continuous text) 32 | 33 | ## 🤖 AI Agents 34 | 35 | - [Magentic-One: A Generalist Multi-Agent System for Solving Complex Tasks](https://www.microsoft.com/en-us/research/uploads/prod/2024/11/MagenticOne.pdf): A generalist multi-agent system is all you need (Also, AutoGenBench for rigorous agentic evaluation) 36 | - [Agents from Google](https://www.unidigital.news/wp-content/uploads/2025/01/Newwhitepaper_Agents2.pdf): Generative AI agents are all you need (Tools, orchestration layers, and cognitive architectures) 37 | - [Agent-Oriented Planning In Multi-Agent Systems](https://arxiv.org/pdf/2410.02189): Agent-Oriented Planning is All You Need (Also, fast decomposition, reward models, and feedback loops) 38 | --------------------------------------------------------------------------------