Machine Learning

1. Machine Learning
SEO ve İçerik Stratejisine
Yeni Bir Yaklaşım
@yigitkonur
#digitalzone

2. Başlangıç: Benkimim?
@yigitkonur
@seozeo
@yigitkonur
@zeoagency
#BrightonSEO– London
#CMMasters – Berlin
#WMFestival - Roma
#inOrbit – Ljubjana
#SEMdays – Bucharest
#Digitalzone – Istanbul
#Webrazzi – IstanbulEU Search Awards
ShortlistRecord
15:50
Yiğit kimdir & nerelerde bulunur?
MENA Search Awards
Awards Record
#digitalzone
#digitalzone

3. Öğrenen makineler, dünyayı temelden değiştiriyor.
Bir çok uzmanlık/alan yok olmayı beklerken, bazıları
makinelerle daha iyi işbirliği yaparak fayda sağlayacak.
Peki ya SEO dünyası?

4. Bugün «machine learning» hakkında konuşuyoruz!

5. «Machine learning matematiksel yöntemler
kullanarak verilerden çıkarımlar yapan, bu
çıkarımlarla bilinmeyene dair tahminlerde
bulunan yöntemlerin bütünüdür»

12. «Hayatımızı kolaylaştıran her
çözüm, uzun vadede
hayatımızı daha yaşanabilir
bir hale mi getiriyor?»

16. 1 Telephone salesperson 99.0%
2 Typist or related keyboard worker 98.5%
3 Legal secretary 97.6%
4 Financial accounts manager 97.6%
5 Weigher, grader or sorter 97.6%
5 Routine inspector and tester 97.6%
7 Sales administrator 97.2%
8 Book-keeper, payroll manager or wages
clerk
97.0%
8 Finance officer 97.0%
10 Pensions and insurance clerk 97.0%
11 Bank or post office clerk 96.8%
11 Financial administrative worker (other) 96.8%
13 Non-governmental organisation (NGO)
officer
96.8%
13 Local government administrative worker 96.8%
15 Library clerk 96.7%
16 Assembler and routine operative (other) 96.7%
17 Paper and wood machine operative 96.5%
18 Communication operator 96.5%
20 Textile process operative 96.1%
21 Financial and accounting technician 95.9%
22 Receptionist 95.6%
23 Transport and distribution clerk 95.5%
24 Estimator, valuer or assessor 95.5%
25 Fishing or agricultural manual worker 95.4%
26 Chartered and certified accountant 95.3%
26 Taxation expert 95.3%
28 Skilled trader (other) 95.2%
29 Sales and retail assistant 95.1%
29 Vehicle and parts salesperson and adviser 95.1%
31 Print finishing and binding worker 95.1%
32 Debt, rent and other cash collector 94.7%
33 Public services associate professional 94.5%
33 Inspector of standards and regulations 94.5%
35
Cleaning and housekeeping manager and
supervisor
94.4%
35 Housekeeper 94.4%

17. 1 Telephone salesperson 99.0%
2 Typist or related keyboard worker 98.5%
3 Legal secretary 97.6%
4 Financial accounts manager 97.6%
5 Weigher, grader or sorter 97.6%
5 Routine inspector and tester 97.6%
7 Sales administrator 97.2%
8 Book-keeper, payroll manager or wages
clerk
97.0%
8 Finance officer 97.0%
10 Pensions and insurance clerk 97.0%
11 Bank or post office clerk 96.8%
11 Financial administrative worker (other) 96.8%
13 Non-governmental organisation (NGO)
officer
96.8%
13 Local government administrative worker 96.8%
15 Library clerk 96.7%
16 Assembler and routine operative (other) 96.7%
17 Paper and wood machine operative 96.5%
18 Communication operator 96.5%
20 Textile process operative 96.1%
21 Financial and accounting technician 95.9%
22 Receptionist 95.6%
23 Transport and distribution clerk 95.5%
24 Estimator, valuer or assessor 95.5%
25 Fishing or agricultural manual worker 95.4%
26 Chartered and certified accountant 95.3%
26 Taxation expert 95.3%
28 Skilled trader (other) 95.2%
29 Sales and retail assistant 95.1%
29 Vehicle and parts salesperson and adviser 95.1%
31 Print finishing and binding worker 95.1%
32 Debt, rent and other cash collector 94.7%
33 Public services associate professional 94.5%
33 Inspector of standards and regulations 94.5%
35
Cleaning and housekeeping manager and
supervisor
94.4%
35 Housekeeper 94.4%

22. «Eğer yaptığımız iş, insan
aklının en önemli değerleri
olan yaratıcılık ve iletişim
içermiyorsa, biz de risk
grubunda sayılabiliriz!»

23. «Eğer yaptığımız iş, insan
aklının en önemli değerleri
olan yaratıcılık ve iletişim
içermiyorsa, biz de risk
grubunda sayılabiliriz!»
«Öyleyse, rakibimizi daha
yakından tanıyalım!»

24. Başlangıç: Benkimim?
@yigitkonur
@seozeo
15:50
Yazılım perspektifiyle tam olarak değişen neydi?

25. Başlangıç: Benkimim?
@yigitkonur
@seozeo
15:50
Peki, ML ile AI arasındaki fark nedir?

27. Başlangıç: Benkimim?
@yigitkonur
@seozeo
15:50
Peki, ML ile AI arasındaki fark nedir?

28. Başlangıç: Benkimim?
@yigitkonur
@seozeo
15:50
Aklımızda tutmamız gereken üç şey nedir? (E/C/P)
Classification (sınıflandırma/ayırma)
Extraction (özünü almak/anlamak)
Prediction (isabetli tahmin etme)

29. bit.ly/digitalzone18-1

30. 2013
Ağustos

31. 2013
Ağustos
SEO

32. SEO dünyası yapay zekayı
uzun zamandır farklı şekillerde duyuyor.
2013
Ağustos

33. SEO dünyası yapay zekayı
uzun zamandır farklı şekillerde duyuyor.
2013
Ağustos
Classification
Extraction

36. dijital pazarlama konferansı
Kullanıcının Sorgusu:
Classification
Extraction

37. pazarlama konferansı
Classification
Extraction
Kullanıcının Sorgusu:

38. pazarlama konferansı
Classification
Extraction
online pazarlama konferansı
Kullanıcının Sorgusu:

39. pazarlama konferansı
Classification
Extraction
pazarlama konferansı
Kullanıcının Sorgusu:

40. pazarlama konferansı
Classification
Extraction
konferansı
Kullanıcının Sorgusu:

41. pazarlama konferansı
Classification
Extraction
konferansı
Kullanıcının Sorgusu:
SEO konferansı + PPC konferansı + reklamcılık konferansı

42. pazarlama
Classification
Extraction
Kullanıcının Sorgusu:
SEO + PPC + reklamcılık

43. pazarlama
Classification
Extraction
Kullanıcının Sorgusu:
SEO + PPC + reklamcılık
. etkinliği
. semineri
. eğitimi
. buluşması

44. dijital pazarlama konferansı
Classification
Extraction
online pazarlama konferansı
Kullanıcının Sorgusu:
SEO konferansı + PPC konferansı + reklamcılık konferansı
. etkinliği
. semineri
. eğitimi
. buluşması

45. dijital pazarlama konferansı
Classification
Extraction
online pazarlama konferansı
Kullanıcının Sorgusu:
SEO konferansı + PPC konferansı + reklamcılık konferansı
. etkinliği
. semineri
. eğitimi
. buluşması
Webrazzi
Zeo
Mozcon
SMX
BrightonSEO
InOrbit
Measurefest
SearchElite DigitalOlympus
WMF
Meetups

46. Başlangıç: Benkimim?
@yigitkonur
@seozeo
15:50
Aklımızda tutmamız gereken üç şey neydi? (E/C/P)
Classification (sınıflandırma/ayırma)
Extraction (özünü almak/anlamak)
Prediction (isabetli tahmin etme)

47. Başlangıç: Benkimim?
@yigitkonur
@seozeo
15:50
Peki, ML ile AI arasındaki fark nedir?

48. 2015
SEOEkim

49. SEO dünyası yapay zekayı
uzun zamandır farklı şekillerde duyuyor.
2015
Ekim RankBrain

50. SEO dünyası yapay zekayı
uzun zamandır farklı şekillerde duyuyor.
2015
Ekim RankBrain
Classification
Prediction

51. Hangi arama sinyalini ağırlıklandırmalı?
Classification
Prediction

52. Hangi arama sinyalini ağırlıklandırmalı?
Classification
Prediction

53. Hangi arama sinyalini ağırlıklandırmalı?

54. Hangi arama sinyalini ağırlıklandırmalı?
Classification
Prediction

55. «Ortaya çıkan
sonuç aslında
sıralama kuralları
değil, kullanıcı
deneyimine göre
kendi kendine yeni
algoritmalar üreten
bir algoritma »
Hangi arama sinyalini ağırlıklandırmalı?

56. 3

57. Google’ı daha akıllı hale getiren
ML, bir SEO’nun günlük işlerini de
yapabilir mi?
3

58. Şu anki SEO araçlarının çözemediği ve insan çözümüne
ihtiyaç duyan 3 farklı süreci ele alalım:
1. Optimize edilen sitenin içeriğini / iş modelini tam olarak anlamak
2. Hedef kitlenin aradığı anahtar kelimeleri tespit edip hazırlamak
3. Genel SEO deneyimini kullanarak stratejiyi sürekli düzenlemek
vs.

59. 1. Site içeriğini / iş modelini tanımlamak (İnsan)
Hipotez: Bu işi her koşulda bir insan yapmak zorunda, çünkü sitede yazılan
yazıları okuyup anlamalı. Rakipleri ve dolaylı rakipleri bu doğrultuda analiz etmeli.
Müşteriden brief alamayan biri, işi iyi tanımadığı için stratejiyi doğru götüremez.
Aksiyon: Sitenin temel içeriği ve yayın planı 2 saatlik bir alanda incelenir. Buna
göre notlar çıkararak, siteyi ve hedefledikleri noktayı toplantı öncesinde de tespit
etmek mümkün olabilir.

60. 1. Site içeriğini / iş modelini tanımlamak (Robot)
Google Cloud Natural Language API – Ücretsiz Test

61. 1. Site içeriğini / iş modelini tanımlamak (Robot)
Text Razor – NLP API – Ücretsiz Test

62. 1. Site içeriğini / iş modelini tanımlamak (Robot) (Case)
a) Text Summarization API’ler ile meta description yazma sürecinin otomatikleştirilmesi.
b) Rakip sitenin tüm sayfalarının taranması ve blog tarafında üretilen içeriklerdeki kavram
ağırlığının çıkarılması.
c) Doğrudan ilişkili yazıları (entity match etme durumlarına göre) birbirilerine
bağlantılamak.
d) Elde edilen entity’ler ile reklam çıkma kampanyalarını tamamen otomatik hale
getirmek (entity’leri FB Ads entity gruplarıyla match etmek)
e) Çok trafik alan içeriklerin, trafik sayılarıyla entity/konu bağlılığı arasında ilişkiler
arayarak kapsamlı bir content audit üretmek.

63. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (İnsan)
Hipotez: Anahtar kelimeleri sadece arama hacmine göre değil, arayanın niyetine
ve sitedeki ürüne uygunluğuna göre seçmeliyim. Bu sebeple, burada yapılacak
tüm iş bir insan tarafından yapılmalıdır.
Aksiyon: Ahrefs benzeri büyük veri sağlayıcılarından ya da Keyword Planner’dan
alınacak verilerin, tek bir Excel’e toplanması ve çok sayıda gruplama
fonksiyonuyla uzun saatler sonunda aksiyon alınır bir şey üretilmesi.

64. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)
Word2Vec:
(Kral + Kadın)-Erkek =
(Geliyor + Gitmek)-Gelmek =
github.com/akoksal/Turkish-Word2Vec

65. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)

66. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)
Word2Vec:
fSimilar(’romantik’)
medium.com/@bakiiii

67. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)
Word2Vec:
fSimilar(’romantik’)
medium.com/@bakiiii

68. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)
Word2Vec:
medium.com/@bakiiii

69. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot)
NB Viewer:
nbviewer.jupyter.org/github/bmabey/hacker_news_topic_modelling

70. 2. Hedef kitlenin anahtar kelimelerini tespit etmek (Robot) (Case)
a) Verilen 100K anahtar kelimenin birbirleriyle yakın ilişkide olanlarının gruplanması.
b) Analytics / Search Console ile elde edilen verinin anlamlı parçalara bölünmesi.
c) Doğrudan akla gelmeyen, örneğin «SEO» ile «dijital pazarlama» ve «PPC» gibi ilişkili
kelimeleri farklı gruplarda bir araya getirebilme.
d) Daha iyi pozisyonda rank eden bir müşterinin sayfasında benzer bir analiz yaparak,
relevancy/ilişkililik değeri yüksek diğer kapsamlar hakkında bilgi almak.
e) Çok trafik alan içeriklerin, trafik sayılarıyla entity/konu bağlılığı arasında ilişkiler
arayarak kapsamlı bir content audit üretmek.

71. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (İnsan)
Hipotez: Sektörün doğası gereği değişim kaçınılmazdır. Bu sebeple daha önce
çok sayıda değişimde yer almış olan insan deneyimi, bir çok kez «tarihsel veri»
sahibi olmayan makinelerden daha üstün gelir.
Aksiyon: Eğer sıralamalarda ani bir düşüş varsa, istatistikleri tek başına inceleyip
düşüş nedenleri hakkında önceki deneyimlerinle bir bağlantı kurmaya çalış. Veya
bununla ilgili farklı sitelerde yazılmış vakaları araştır.

72. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (Robot)
Örnek Vaka – Market Brew:

73. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (Robot)
Örnek Vaka – Market Brew:

74. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (Robot)
Örnek Vaka – SEOmonitor – Changes:

75. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (Robot)
Örnek Vaka – Google Analytics Intelligence:

76. 3. Genel SEO deneyimini kullanarak stratejiyi düzenlemek (Robot)
a) İlgili anahtar kelimeleri, tek bir grupta toplayarak bu kelime gruplarındaki davranışları
izlemek. Tekil kelimelerde değil, grup düzeyinde büyük değişimler oluyorsa ve bu
değişim diğer gruplarda görülmüyorsa özel olarak bir güncelleme olduğu
düşünülebilir.
b) Kelime grupları düzeyinde, tüm sıralamaların ve rakip sitelerin içeriklerinin takip
edildiği senaryoda, sıralama değişimleriyle sayfa içeriği / link sayısı gibi giriş seviyesi
metrikler değerlendirilip «grup düzeyinde sıralama faktörleri» oluşturulabilir.
c) Pozitif anlamda sıralama değişimi yaşayan sitelerdeki metriklerle, düşüş yaşayanlardaki
metrikler eğer benzeşiyorsa bunun kesin bir sinyal olduğu daha kolay söylenebilir.

77. ML konusundaki bakış açımızı
genişletmek ve bunu kendi faydamızda
değerlendirmek mümkün!

82. Çıkış Stratejisi: Technical Marketer kavramını içselleştirmek!
«Öğrenmek ya da
uygulamak istediği
şeylerin teknik
detaylarını da
tek başına
çözümleyebilecek
danışmanlar.»
slideshare.net/sirris101/technical-marketing

89. Zeo’nun technical marketing’e bakış açısı

93. Basit API’ler üzerinde verileri birbirine bağlayarak başlayın!

94. Basit API’ler üzerinde verileri birbirine bağlayarak başlayın!
youtube.com/watch?v=X79XBwK1jGE

95. Basit API’ler üzerinde verileri birbirine bağlayarak başlayın!
lamina.xyz

96. Basit API’ler üzerinde verileri birbirine bağlayarak başlayın!
lamina.xyz

97. Deep Learning Türkiye’nin Medium yayınlarını takip etmek

98. Deep Learning Türkiye’nin Medium yayınlarını takip etmek

99. Bir miktar istatistik bilgisini, Python/R bilgisiyle harmanlamak
datacamp.com

100. Bir miktar istatistik bilgisini, Python/R bilgisiyle harmanlamak

101. Sürükle bırak ML araçlarını kurcalamak iyi bir fikir olabilir
lobe.ai/examples

102. Sürükle bırak ML araçlarını kurcalamak iyi bir fikir olabilir
cloud.google.com/automl/

103. Yapmak istediğiniz şeyin mutlaka Github’da bir karşılığı vardır

104. Yapmak istediğiniz şeyin mutlaka Github’da bir karşılığı vardır
github.com/zeoagency

105. Ufak bir proje de olsa başlamak için, upWork iyi bir tercih olabilir
upwork.com

106. İlhamı hep taze tutmak için günlük Product Hunt ziyareti
producthunt.com/topics/artificial-intelligence

107. You become like the top five people you hang around the most.

108. In-house araçlarımızı paylaşmaya başlıyoruz!

109. In-house araçlarımızı paylaşmaya başlıyoruz!