Eğitimin Amacı ve Kapsamı
Büyüyen kod tabanlarında yüksek döngüsel karmaşıklık (cyclomatic complexity), tekrarlayan mantık ve dokümante edilmemiş bağımlılıklar yeni özellik geliştirmeyi yavaşlatır; ancak çalışan kodu test güvencesi olmadan yapay zekaya yeniden yazdırmak ciddi regresyon riski taşır. Bu eğitim, ölçülebilir kod analizi ile güvenli, adım adım iyileştirme (refactoring) disiplinini birleştirir.
SonarQube/linter ve AST metrikleriyle sıcak noktaların (hotspots) tespiti, LLM ile bağımlılık ve yan etki analizi, değişiklik öncesi karakterizasyon testleri üretimi, Martin Fowler refactoring kalıplarının coding agent ile uygulanması ve N+1/bellek/algoritma darboğazlarının giderilmesi gerçek kod örnekleri üzerinde çalışılır.
Kimler Katılmalı?
- Yazılım geliştiriciler ve kıdemli mühendisler
- Teknik takım liderleri ve yazılım mimarları
- Mevcut (brownfield) kurumsal projelerde bakım ve geliştirme yapan ekipler
- Ön koşul: Nesne yönelimli veya fonksiyonel programlama ve birim testi deneyimi
Kazanımlar
- Statik analiz metrikleri ile git değişim sıklığını (churn) birleştirerek en kritik teknik borç noktalarını önceliklendirir
- Karmaşık ve dokümansız modüllerin kontrol akışını ve yan etkilerini LLM ile haritalar
- Refactoring öncesinde mevcut davranışı kilitleyen karakterizasyon (golden master) testleri oluşturur
- Büyük fonksiyon ve sınıfları davranışı değiştirmeden küçük, doğrulanabilir adımlarla parçalar
- Veritabanı sorgusu, bellek ve eşzamanlılık darboğazlarını profilleme kanıtıyla iyileştirir
Konular
Kod Tabanı Keşfi ve Teknik Borç Sıcak Noktaları
- Cyclomatic/cognitive complexity, kuplaj (coupling) ve Git churn verileriyle hedef seçimi
- LLM ile yabancı kod tabanında çağrı grafiği (call graph) ve iş kuralı çıkarımı
Code Smell Tespiti ve Mimari Sınır Analizi
- God class, long method, primitive obsession ve katman sızıntılarının tespiti
- Statik analiz (SonarQube, ESLint, Ruff, Roslyn) bulgularını AI ile önceliklendirme
Güvenlik Ağı: Karakterizasyon Testleri ve Davranış Kilitleme
- Testi olmayan karmaşık koda dokunmadan önce snapshot / golden master testleri üretme
- Kenar durumları ve hata davranışlarını koruma altına alma
Adım Adım Güvenli Refactoring Desenleri
- Extract method/class, guard clauses, strateji deseni ve saf fonksiyonlara (pure functions) ayırma
- Davranış değişikliği ile yapısal değişikliği ayrı PR/commit'lerde tutma disiplini
Performans Analizi ve Kaynak Optimizasyonu
- N+1 ORM sorguları, gereksiz serileştirme, bellek sızıntısı ve asenkron blokaj tespiti
- Benchmark ile öncesi/sonrası ölçümü ve regresyonsuz teslim
Bu Kategorideki Diğer Eğitimler
-
Yazılım geliştiriciler için birim, entegrasyon, sözleşme (contract) ve özellik tabanlı (property-based) test üretimi; mutasyon testi (mutation testing) ile yapay zekanın ürettiği testlerin gerçek hata yakalama gücünü doğrulama eğitimi.
- Canlı Kurs
- 5 modül
-
Rastgele prompt denemeleri yerine log, stack trace, OpenTelemetry izleri, git bisect ve en küçük tekrarlanabilir örnek (MRE) kanıtlarıyla hipotez kurarak karmaşık yazılım hatalarını çözme eğitimi.
- Canlı Kurs
- 5 modül
-
Kod tabanından beslenen yaşayan teknik dokümantasyon: Mimari Karar Kayıtları (ADR), C4/Mermaid diyagramları, OpenAPI/SDK referansları, onboarding kılavuzları ve CI/CD içinde doküman güncellik kontrolü.
- Canlı Kurs
- 5 modül
-
Büyük ve monorepo kod tabanlarında coding agent'ların doğru kod üretmesi için AST tabanlı indeksleme, semantik/leksikal arama, bağımlılık grafiği, AGENTS.md/CLAUDE.md hiyerarşisi ve context window bütçeleme eğitimi.
- Canlı Kurs
- 5 modül
-
Yapay zeka ve insan tarafından yazılan kodlarda OWASP Top 10, yetkilendirme açıkları, uydurma paket (slopsquatting), gizli anahtar sızıntısı ve güvensiz varsayılanları SAST (Semgrep, CodeQL) ve LLM destekli incelemeyle yakalama eğitimi.
- Canlı Kurs
- 5 modül
-
Yazılım organizasyonları için yapay zeka kodlama araçlarının veri gizliliği (ZDR), fikri mülkiyet, açık kaynak lisans uyumu, onaylı model/MCP listeleri, risk kademelendirmesi ve kabul standartlarını belirleyen yönetişim eğitimi.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
