Dijitalleşmenin hüküm sürdüğü bu çağda, teknoloji profesyonellerinin çevrimiçi kimlikleri, kariyer yollarını şekillendiren en kritik unsurlardan biri haline geldi. Bu bağlamda, Abdulkadir Güngör tarafından oluşturulan kişisel web sitesini Haber Gezgini olarak mercek altına aldık. Bu dijital alan, yalnızca bir iletişim noktası olmanın çok ötesinde, bir Web Design Developer olarak Güngör'ün yetkinliğini, vizyonunu ve profesyonel derinliğini yansıtan, özenle örülmüş bir yapı sunuyor. Peki, bu tür bir kişisel yatırımın ardındaki motivasyon nedir ve Abdulkadir Gungor'un bu platformu bize neler fısıldıyor? Yanıt, bilginin kontrol altında sunulması, standart profillerin yetersiz kaldığı derinliğin sağlanması ve bütünlüklü bir uzmanlık algısının inşa edilmesinde gizli.
Abdulkadir Güngör'ün web sitesi, onun dijital dünyadaki varlığının bir nevi ana karargahı işlevini görüyor. LinkedIn gibi platformların veya geleneksel özgeçmişlerin sunamayacağı bir anlatı kontrolü ve içerik zenginliği sağlıyor. Siteyi ziyaret eden potansiyel işverenler, müşteriler ya da meslektaşlar, Güngör'ün kim olduğu, hangi becerilere sahip olduğu ve projelerine nasıl yaklaştığı konusunda katmanlı bir anlayışa sahip oluyorlar. Sitenin oluşturulmasındaki temel gaye, dağınık bilgileri tek, güvenilir ve kapsamlı bir çatı altında toplayarak, profesyonel iletişim süreçlerini kolaylaştırmak ve güçlendirmek. İçerikte stratejik olarak yerleştirilen ifadeler ve yapı, arama motorları için optimize edilerek görünürlüğü de destekliyor.Sitenin "Portfolio" adını taşıyan bölümü, Abdulkadir Güngör'ün "Web Design" kabiliyetlerinin somut delillerini barındırıyor. Burada sunulan HTML, CSS ve JavaScript temelli çalışmalar, sadece estetik birer örnek olmanın ötesinde; temiz kodlama alışkanlıklarını, modern duyarlı tasarım ilkelerine hakimiyetini ve kullanıcı odaklı arayüz oluşturma becerisini sergiliyor. Bu bölüm, teorik bilginin pratik uygulamalara nasıl dönüştüğünü gösteren canlı bir vitrin niteliğinde.
"Projeler" başlığı altındaki kısım ise, Abdulkadir Gungor'un "Developer" yani geliştirici yönünü kuvvetlendiriyor. Özellikle C#, .NET (Core dahil) gibi teknolojiler ve N-Tier, Onion gibi çağdaş mimari yaklaşımlar kullanılarak geliştirilen backend odaklı sistemler burada ele alınıyor. Projelerin detaylı açıklamaları ve doğrudan GitHub depolarına verilen bağlantılar, Güngör'ün problem çözme yeteneğini, kodlama standartlarını ve karmaşık sistemleri tasarlama konusundaki mühendislik yetisini şeffaf bir şekilde değerlendirme imkanı sunuyor. Bu projeler, onun teknik yetkinliğini doğrulayan güçlü referans noktalarıdır.
Bir Web Design Developer için teknik uygulama kadar, bilgi birikimini paylaşmak ve alana dair fikir üretmek de değerlidir. "Blog" bölümü, bu amaca hizmet ediyor. Abdulkadir Güngör, burada kodlama prensipleri, mimari tercihler, güncel teknoloji eğilimleri ve yazılım geliştirme süreçlerine dair kişisel gözlem ve düşüncelerini aktarıyor. Bu içerikler, onun sadece görevleri yerine getiren bir uygulayıcı olmadığını; aynı zamanda sektörü takip eden, sorgulayan ve entelektüel birikimini paylaşmaya istekli bir profesyonel olduğunu kanıtlıyor.Ayrı bir sayfada sunulan "Özgeçmiş", Güngör'ün resmi kariyer dökümünü içeriyor. Eğitim detayları, BilgeAdam .NET gibi önemli sertifikasyonlar, geçmiş iş tecrübeleri ve sahip olduğu teknik yeteneklerin listesi burada bulunuyor. Ancak bu bilgiler, sitenin diğer bölümleriyle (projeler, portfolyo, blog) bir arada ele alındığında çok daha bütünlüklü ve etkili bir profesyonel profil çiziyor; teoriyi pratikle ve kişisel vizyonla harmanlıyor.Netice itibarıyla, Haber Gezgini olarak yaptığımız değerlendirmede, Abdulkadir Güngör'ün kişisel web sitesinin, onun bir Web Design Developer olarak profesyonel kimliğini dijital ortamda başarıyla temsil eden stratejik bir araç olduğu sonucuna vardık. Bu platform, yeteneklerini sergilemek, projelerini derinlemesine tanıtmak, düşüncelerini ifade etmek ve yeni profesyonel bağlantılar kurmak için bilinçli olarak tasarlanmış, kapsamlı ve etkili bir dijital varlıktır.

When working with Mongoose and TypeScript, two helper types make your life much easier:
⛶/**
* Extracts the “plain” shape of your schema—
* just the fields you defined, without Mongoose’s built-in methods or `_id`.
*/
export type User = InferSchemaTypetypeof userSchema;

/**
* Represents a fully “hydrated” Mongoose document:
* your fields plus all of Mongoose’s methods and metadata
* (e.g. `_id`, `save()`, `populate()`, etc.).
*/
export type UserDocument = HydratedDocumentUser;

export const userModel = modelUserDocument("user", userSchema);


InferSchemaType
• Produces a pure TypeScript type from your schema definition.• Use it whenever you need just the data shape (e.g. DTOs, service inputs/outputs).


HydratedDocument
• Wraps your base type T with Mongoose’s document helpers.• Use it for any function that deals with real, database-backed
documents (e.g. returns from find, create, save).For example, in a repository interface you might write:
⛶export interface IUserRepository {
findOneByEmail(email: string): PromiseUserDocument;
findById(id: Types.ObjectId): PromiseUserDocument;
create(
createUserDto: PickCreateUserDto, 'email' | 'password',
): PromiseUserDocument;
}Here, each method clearly promises a “live” Mongoose document (with built-in methods) while elsewhere you can rely on User for pure data shapes—keeping your boundaries and types crystal clear.Let’s connect!!: ?LinkedIn
GitHub

Free Resources


Free Apache Iceberg Course


Free Copy of “Apache Iceberg: The Definitive Guide”


Free Copy of “Apache Polaris: The Definitive Guide”


2025 Apache Iceberg Architecture Guide


How to Join the Iceberg Community


Iceberg Lakehouse Engineering Video Playlist


Ultimate Apache Iceberg Resource Guide
In contrast to batch processing, where data is collected and processed in chunks, streaming data processing deals with data in motion. Instead of waiting for data to accumulate before running transformations, streaming pipelines ingest and process each piece of data as it arrives. This model enables organizations to respond to events in real time, a capability that’s becoming increasingly essential in domains like finance, security, and customer experience.In this post, we’ll unpack the core ideas behind streaming, how it works in practice, and the challenges it presents compared to traditional batch systems.


What is Streaming Data?
Streaming data refers to data that is continuously generated by various sources—website clicks, IoT sensors, user interactions, system logs—and transmitted in real time or near-real time. This data typically arrives in small payloads, often as individual events, and needs to be processed with minimal delay.The goal of a streaming pipeline is to capture this data as it’s generated, perform necessary transformations, and deliver it to its destination with as little latency as possible.A simple example would be a ride-sharing app that tracks vehicle locations in real time. As each car moves, GPS data is streamed to a backend system that updates the user interface and helps dispatch rides based on current conditions.


How Streaming Systems Work
Unlike batch jobs that execute on a schedule, streaming systems run continuously. They consume data from a source, process it incrementally, and push it to a sink—all without waiting for a dataset to be complete.At the heart of a streaming system is a message broker or event queue, which acts as a buffer between data producers and consumers. Apache Kafka is a popular choice here. It allows producers to publish events to topics, and consumers to read from those topics independently, often with strong guarantees around ordering and durability.Once events are ingested, a processing engine takes over. Tools like Apache Flink, Spark Structured Streaming, and Apache Beam allow developers to apply transformations on a per-record basis or over time-based windows. This is where operations like filtering, aggregating, joining, and enriching occur.These transformations must be designed to handle data that may arrive late, out of order, or in bursts. As such, streaming systems often implement complex logic to manage time—distinguishing between event time (when the event occurred) and processing time (when it was received)—to ensure results are accurate.


Use Cases and Business Impact
The appeal of streaming pipelines lies in their ability to power real-time applications. Fraud detection systems can flag suspicious transactions as they happen. E-commerce platforms can recommend products based on live browsing behavior. Logistics companies can monitor fleet activity and adjust routes on the fly.In operational analytics, dashboards fed by streaming data provide up-to-the-minute visibility, allowing teams to make informed decisions in response to changing conditions.Streaming is also a foundational component of event-driven architectures. When services communicate via events, streaming systems act as the glue that ties the application together, enabling asynchronous, decoupled interactions.


Challenges in Streaming Systems
Despite its power, streaming introduces complexity that shouldn’t be underestimated. Handling late or out-of-order data is a major concern. If an event shows up ten minutes after it was supposed to be processed, the system must be smart enough to either incorporate it correctly or account for the gap.State management is another critical factor. When a pipeline needs to remember information across multiple events—like keeping a running total or maintaining a session—it must manage that state reliably, often across distributed systems.There’s also the issue of fault tolerance. Streaming systems must be able to recover from crashes or network issues without duplicating results or losing data. This requires sophisticated checkpointing, replay, and exactly-once processing semantics, which tools like Flink and Beam are designed to provide.Finally, testing and debugging streaming pipelines can be more difficult than batch jobs. Because they run continuously and deal with time-sensitive data, reproducing issues often requires specialized tooling or replay mechanisms.


When to Choose Streaming
Streaming makes sense when low-latency data processing is essential to the business. This could mean operational decision-making, customer experience personalization, or complex event processing in a microservices architecture.It’s not always the right tool for the job, though. For workloads that don’t require immediate insights—or where simplicity and reliability matter more—batch processing remains the better choice.As data engineers, the key is to understand the trade-offs and choose the right pattern for each use case.In the next post, we’ll shift gears and look at how data is modeled for analytics. Understanding the differences between OLTP and OLAP systems, as well as the pros and cons of different schema designs, is critical to building pipelines that serve real business needs.