MERT SEVER

Zaman Etüdü Uygulaması İş Ölçümü için 10 Çevrim İş

2022-05-01T13:03:00.000-07:00

Zaman Etüdü İş Ölçümü için 10 Çevrim İş

Endüstri Mühendisleri için İş Çevrimi Videosu

2 Koordinat Noktası (Enlem, Boylam) Arasındaki Mesafeyi Hesaplamak

2020-04-11T05:44:00.005-07:00

İki enlem/boylam noktası arasındaki mesafeyi hesaplamak için literatürde matematiksel olarak çok sayıda denklem gösterilir ve uygulanır. İki geolokasyon (enlem,boylam) uzaklığın hesaplanması için kullanabileceğimiz en temel yöntemlerden biri olan Haversine Uzaklığı formülüdür.

Dünya’nın mükemmel küresel bir cisim olduğu varsayımı üzerinden ilerleyip yeryüzü üzerinde iki noktanın arasındaki mesafesine büyük daire mesafesi de denir. Düzlem üzerinde iki nokta arasındaki en kısa mesafe iki noktayı birleştiren doğru parçasıdır. Küre üzerinde ise iki nokta arasındaki en kısa mesafe bu iki noktadan geçen büyük daire yayıdır. Bir büyük daire yayının hesaplanması iki nokta arasındaki küresel açının bulunmasından sonra bulunan açının dünyanın yarıçapı ile çarpılması sonucu ile bulunur. Bu küresel iç açının hesaplanması için haversine denkleminden yararlanılır. Bir miktar hatalı bile olsa güvenerek hesaplamalarımızı yapabiliriz.

Ayrıca 'Haversine' denkleminin bir Excel formülünü (gerçek "evrensel kanun" olarak kullanılan formül") kilometre cinsinden noktalar arasındaki mesafeler için: =ACOS (SİN (Enlem1) * SİN (Enlem2) + COS (Enlem1) * COS (Enlem2) * COS (Boylam2-Boylam1)) * 6371 şeklindedir.

Ama bu formül işe yaramaz, çünkü GPS noktalarım (enlem / boylam) radyan değil ondalık derecedir. Bu yüzden Excel'de enlem ve boylam formülünü "büyük daire mesafeleri" bölümünün altında kullanırız:
=RadiusEarth*ACOS(COS(RADIANS(90-Enlem1)) *COS(RADIANS(90-Enlem2)) +SIN(RADIANS(90-Enlem)) *SIN(RADIANS(90-Enlem2)) *COS(RADIANS(Boylam1-Boylam2)))

Radiusearth formülen 6378.135 kilometre olarak verir. Bu, diğer sistemlerden hesaplandığında sahip olduğumuz mesafelerle eşleşmez. Çünkü: R = Dünya'nın yarıçapı ( ortalama yarıçap = 6,371 km) dir.

Literatürün derinlerine indiğimizde Vincenty formülü ve farklı veri modellerinde bir liste tablo içeren iki enlem / boylam noktası sayfası arasındaki mesafe için bulunabilen çalışmalar mevcut. Bu çalışmalardan bazısında Dünya elipsoid olarak ele alınıyor, bir elipsoid üzerindeki en büyük yarıçapa sahip 6378.135 km ve en küçük 6356.752 km olduğu belirtilmektedir. Bu sebeple elipsoidin en büyük değerine odaklı Radiusearth değeri 6378,135 şeklinde alınıyor yani ortalama yarıçapı değil, Dünya'nın maksimum yarıçapını kullanıyordu.

Excelde Çözüm:
=ACOS(COS(radyan(90-Enlem1)) *COS(radyan(90-Enlem2)) +SİN(radyan(90-Enlem1)) *SİN(radyan(90-Enlem2)) * COS (radyan (Boylam1-Boylam2))) * 6371

ve Excel hücre referanslarını kullanan son sürümümüz:
= ACOS (COS (radyan(90-A2)) * COS (radyan (90-A3)) + SİN (radyan (90-A2)) * SİN (radyan (90-A3)) * COS (radyan (B2-B3))) * 6371 şeklinde olacaktır.

Not: Mil cinsinden mesafeleri hesaplamak için, 3958.756 ile R (6371) alınarak yerine yazılır. (Deniz mili için 3440.065 kullanılmaktadır).

Garson Algoritması ile Parametre Önemi Belirleme

2019-10-17T04:02:00.000-07:00

Canlı ya da cansız her cismin kendi amacı doğrultusunda görevlerini yerine getirebilmesi için bazı şartları ve belirli kriterleri vardır. Biz bunlara kritik noktalar deriz. Örneğin bir insan için en kritik fonksiyon nefes almasıdır diyebiliriz. Peki hayatın bir gerçeği ve vazgeçilmez olan bu parametreleri önemli kılan ne? Bunun önemli olmasına kim karar veriyor?

Bütün sistemlerin olmazsa olmaz denilen yapıları vardır. Bu yapılar enerjiyi kullanarak kendini olumlu yönde etkiyecek şekilde çalışmak ister, bu sistem çalışmasına çalışma eğilimi diyoruz. Bunu termodinamiğin ikinci yasasına, bir bakıma enerjinin işe dönüşebildiği kısma, yani kalitesini ya da performansını ele aldığımız kısma benzetiyorum. Enerji, daima kendini yok etme eğilimindedir. Yani, yüksek potansiyellere ulaşan enerji, kendini daha düşük yoğunluğa sahip başka bir enerji formuna dönüştürme eğilimindedir.

Termodinamiğin İkinci Yasası, hal değişimlerin herhangi bir yönde değil, belirli bir yönde gerçekleşeceğini söyler.

Termodinamiğin İkinci Yasası, gerçekleşen olayların entropiyi artıracak yönde (enerji miktarının azalması yönünde) gerçekleştiğini ifade etmektedir. Doğadaki bütün olaylar ikinci yasaya nedeniyle gerçekleşir.

Termodinamiğin İkinci Yasası şu temel yargıyı ortaya koymaktadır:

“Enerjinin tamamı faydalı işe çevrilemez, bir kısmı sistemin içsel bütünlüğünü korumak için kullanılır.”

Bu durumda, ikinci yasaya göre bir sistemin enerjisi ne kadar fazla ise o kadar fazla iş yapılabilir. Bir sistemin sahip olduğu enerjinin tümü iş yapmada kullanılamaz; bir kısım enerji sistemin içsel bütünlüğünün korunması için saklanır.

Sistemlerde çalışma eğilimini ve enerjinin faydaya dönüşme isteği gerçeğiyle birlikte, bu fayda önemli kriterler yaratır ya da biz bunları önemi yüksek parametreler olarak tanımlarız.

Bir sinir ağındaki değişkenleri bağlayan ağırlıklar, standart bir regresyon modelinde parametre katsayılarına kısmen benzerdir ve değişkenler arasındaki ilişkileri tanımlamak için kullanılabilir.

Ters etki bir yanıt değişkeniyle güçlü pozitif veya negatif ilişkilere sahip açıklayıcı değişkenlere verilen ağırlıklar için görülür. Bir sinir ağı ve bir regresyon modeli arasındaki bariz bir fark, eski durumda ağırlıkların sayısının fazla olmasıdır. Bu özellik, belirli değişkenlerin etkilerinin yorumlanmasının zor olmasına rağmen, doğrusal olmayan fonksiyonların çoklu etkileşimlerle modellenmesi için sinir ağlarını çok esnek kılması bakımından avantajlıdır.

Garson Algoritması, model ağırlıkların yapısını bozarak denetimli bir sinir ağındaki tek bir cevap değişkenleri için açıklayıcı değişkenlerin göreceli önemini tanımlar. Garson algoritması ile yapay sinir ağlarında parametrelerin önemi belirlenir.

Yanıt değişkeni için spesifik bir açıklayıcı değişkenin nispi önemi (veya birliğin gücü) ilgili düğümler arasındaki tüm ağırlıklı bağlantıların belirlenmesiyle belirlenebilir. Bağlantılar her giriş düğümü için aranır ve diğer tüm girişlere göre ölçeklenir. Modeldeki yanıt değişkeni ile ilişkiyi açıklayan her açıklayıcı değişken için tek bir değer elde edilmiştir.

Orijinal algoritma, sıfırın mutlak büyüklüğü olarak göreceli önemi gösterir ama yanıtın yönü belirlenemez. Garson Algoritması makine öğreniminin popüler olmasıyla daha da geliştirilerek pozitif ya da negatif yönünü tahmin etmemize olanak verir.

Algoritma sadece tek bir gizli katmanı ve bir bağımlı değişkenli kurulmuş sinir ağları modelleri için çalışır.
NOT: Bu parametre önemi belirleme çalışması daha önce yazmış olduğum "R Dili ile Tek Katlı Yapay Sinir Ağları Uygulaması" yazımın, uygulama kısmının devamı niteliğindedir. Yazıya ulaşmak için tıklayınız.

Tek katmanlı yapay sinir ağımızın verilerinin doğrusal eğrimiz üzerinde nasıl dağıldığını görelim.

plot(test_verisi$medv,pr.nn,col='orange',main='Tek Katmanlı Yapay Sinir Ağı',pch=18,cex=0.8)
abline(0,1,lwd=2)
legend('bottomright',legend=c('Tek Katmanlı'),pch=15,col=c('orange'))

Daha detaylı bilgilere “help(”garson“)” fonksiyonu ile ulaşabilirsiniz.

garson(tk_ysa_model)

Bu grafiklerde bağımlı değişkeni etkileyecek en önemli parametleri önem sırası ve önem gücüne göre sıralı görebilmekteyiz.

cols <- heat.colors(5)
garson(tk_ysa_model) +
  scale_y_continuous('Rel. Importance', limits = c(-1, 1)) + 
  scale_fill_gradientn(colours = cols) + 
  scale_colour_gradientn(colours = cols)

Eğer istenirse buradan pozitif ve negatif kısmi parametre önemine de bakılabilir.

Sabırla okuyan herkese teşekkür ederim.

Mert Sever

R Dili ile Tek Katmanlı Yapay Sinir Ağları Uygulaması

2019-10-16T12:07:00.000-07:00

Yapay Sinir Ağları (YSA) hakkında bilgi edinmek ve bunların R'daki uygulamaları ile ilgili kişisel bir projedir. İstatistiksel öğrenme çalışmaları için tüm kodları github depomda bulabilirsiniz. Lütfen "Yapay Sinir Ağları Uygulamaları" adlı dosyalara bir göz atmak için tıklayınız.

Daha önce yayınlamış olduğum "Yapay Sinir Ağları - Artificial Neural Network" adlı yazımı okumak için tıklayınız.

Bu kütüphane çok esnektir ve analistin bir dizi algoritma, aktivasyon işlevi ve hata işlevi ve tümünü kapsayacak şekilde birden fazla gizli katman içeren YSA'lar oluşturmasına izin verir. Tamamen diğer model uydurma kütüphaneleriyle aynı hizada olmayan sözdizimi vardır ve bu nedenle ortak modelleme işlevlerine kıyaslamaya yapmayınız.

Bu örneği bir önceki yazımda çift katmanlı yapay sinir ağı uygulaması olarak ele almıştım. Yazıya ulaşmak için tıklayınız. Şimdi ise YSA modelimizi tek katmanlı olarak ele alacağız. Bilgisi olmayanlar için bu YSA örneği Boston, MA, ABD banliyölerinde bir dizi medyan özellik değerlerini içeren MASS paketindeki Boston verilerini kullanılarak yapılmıştır. Sinir ağımız için gerekli kütüphane paketlerini indirip, yüklemelerini yapalım. Daha fazla bilgi için R terminalinden help(Boston) yazarak veri işlevlerine bakınız.

# Kullanılan Kütüphaneler ( Pokemonlar )
install.packages(c("MASS","neuralnet","nnet","NeuralNetTools","boot","caret","corrplot","DataExplorer"))
library(MASS)
library(neuralnet)
library(nnet)
library(NeuralNetTools)
library(boot)
library(caret)
library(corrplot)
library(DataExplorer)

Amacımız, sahip olunan tüm diğer sürekli değişkenleri kullanarak sahiplenmiş evlerin (medv) medyan değerini belirlemektir.
Kütüphanelerimizi indirip, yüklediysek Boston verimizi yükleyelim ve R-studio üstünde tanıtalım.

Boston
veri <- Boston
introduce(veri)

Veri setinde gerektiği durumda veri setinin sınıfını değiştirmek istenildiğinde ya da sınıfını görmek istenildiğinde plot_str() fonksiyonu ile tüm parametrelerin kategorileri görülebilir.

plot_str(veri)

Bu görseli istemiyorsanız eğer str() fonksiyonu ile de parametrelerin kategorilerini görebilirsiniz.

str(veri)

Görüldüğü gibi veri seti 506 gözlem ve 14 parametreden oluşmaktadır ve 12 tanesi numerik, 2 tanesi ise integer haldedir.

Eksik Veri Konrolü

eksik_veri <- apply(veri, 2,function(x) sum(is.na(x)))

eksik_veri

Eksik gözlemlere bakıldığında eksik veri görülmemiştir. Bu işlemi yaparken apply fonksinoyu kullanılmıştır.
Eğer görsel bir tablo içerisinde eksik verileri görmek istersek.

plot_missing(veri)

Korelasyon İnceleme
Verimiz üzerinde korelasyonlar incelenmek istenildiğinde corrplot kütüphanesindeki corrplot fonksiyonu ile korelasyonlar görselleştirilmiştir.

corrplot(cor(veri))

Bu normalizasyon işlemini yaparken veri setinde her bir parametrenin maksimum ve minimum değerleri üzerine hesaplanarak gerçekleştirilmiştir.
“Scale” fonksiyonu veri setinin karakterini bozmadan ortalaması sıfır, standart sapmasını bir üzerine merkezileştirerek veri setini günceller.

maxValue <- apply(veri, 2, max)
minValue <- apply(veri, 2, min)

veri <- as.data.frame(scale(veri, center = minValue, scale = maxValue - minValue))

Veri setimizdeki veri dönüşümü ve analize hazır hale getirdikten sonra veri setimizden Test-Eğitim verisini belirleyelim. Literatürde veri setinin % 70 Eğitim, % 30 Test ya da % 80 Eğitim, % 20 Test verisi olarak bölmek kabul görmüştür. Bu uygulamayı yaparken veri setini % 80 Eğitim ve % 20 Test verisi olarak bölündüğünde oluşan güncel veri setimizde 400 Eğitim, 106 Test verisi bulunmaktadır.

Rasgele örneklem seçerken “sample” fonksiyonu kullanılır. Eksik gözlem bulunmadığı için ve yanlı bir seçim olmaması için rasgele örneklem seçilmiştir. Belli bir sayı değil de belli bir oran üzerine bölmek isteseydik eğer şu kodu kullanmamız gerekirdi, “sample(1:nrow(data),round(0.80*nrow(data)))” böyle rasgele olarak % 80 veri seti seçilmiş olurdu.

orneklem <- sample(1:nrow(veri), 400)
egitim_verisi <- veri[orneklem, ]
test_verisi <- veri[-orneklem, ]

Seçilen test ve eğitim veri setlerinin uzunluk ve derinliğine bakaldığında toplam 14 parametre görülmektedir. Bunlardan medv parametresi bağımlı değişkenimizken diğerleri bağımsız değişkenlerdir.

dim(test_verisi)
dim(egitim_verisi)

Amacımız medv bağımlı değişkeni tahmin etmektir. Bunun için ihtiyacımız olan formul ise: “medv ~ crim + zn + indus + chas + nox + rm + age + dis + rad + tax + ptratio + black + lstat” olacaktır.

Bu fonksiyon ile parametreler arasına otomatik olarak “+” eklenerek modele eklenecektir.

parametre_birlestirme <- function(resp, dt) {
  nms <- names(dt)
  fmla <- as.formula(paste(resp, "~", paste(nms[!nms %in% resp], collapse = " + ")))
  fmla
}

duzeltilmis_veri <- parametre_birlestirme("medv", Boston)

Sinir ağı argümanı, her bir gizli katman için nöronların sayısını içeren bir vektörü kabul ederken, “lineer.output” regresyon yapmak isteyip istemediğimizi belirtmek için kullanılır, "hidden" kısmında ise gizli katmanların kaçar tane olacağı belirlenir. Hidden kısmının (4,2) şeklinde belirtilmesi ilk gizli katmanda 4 adet nöron, ikinci gizli katmanda ise 2 adet nöron anlamı taşımaktadır. Tek gizli katmanda ise direk kaç nöron istiyorsak adet cinsinden belirtilir.

tk_ysa_model <- neuralnet(duzeltilmis_veri
                          , data= egitim_verisi
                          , hidden=8
                          , linear.output=TRUE)
#Sinir ağımızı görselleştirelim.
plot(tk_ysa_model)

Yapay sinir ağı modelimiz görüldüğü gibidir.

Sinir ağı nesnesi için bir sinirsel yorumlama diyagramını oluşturalım.

plotnet(tk_ysa_model)

Modelimiz yani tek gizli katmandan oluşan modelimiz için üretilen hata değeri için bu kodu kullanabiliriz.

pr.nn <- compute(tk_ysa_model,test_verisi[,1:13])
pr.nn <- pr.nn$net.result*(max(veri$medv)-min(veri$medv))+min(veri$medv)
test.cv.r <- (test_verisi$medv)*(max(veri$medv)-min(veri$medv))+min(veri$medv)
MSE <- sum((test.cv.r - pr.nn)^2)/nrow(test_verisi)

print(MSE)

#Hata değeri =0.005653369 çıkacaktır.

Sabırla okuyan herkese teşekkürlerimi sunar, esenlikler dilerim.
Saygılarımla. by #MS

R Dili ile Çift Katmanlı Yapay Sinir Ağları Uygulaması

2019-09-29T09:43:00.000-07:00

Yapay Sinir Ağları (YSA) hakkında bilgi edinmek ve bunların R'daki uygulamaları ile ilgili kişisel bir projedir. İstatistiksel öğrenme çalışmaları için tüm kodları github depomda bulabilirsiniz. Lütfen "Yapay Sinir Ağları Uygulamaları" adlı dosyalara bir göz atmak için tıklayınız.

Daha önce yayınlamış olduğum "Yapay Sinir Ağları - Artificial Neural Network" adlı yazımı okumak için tıklayınız.

Yapay sinir ağları, algılayıcı (ptron) adı verilen birimlerden oluşur. Ptronların bir veya daha fazla girişi, bir aktivasyon fonksiyonu ve bir çıkışı vardır. Bir YSA modeli, ptronları yapılandırılmış katmanlarda birleştirerek oluşturulur. Belirli bir katmandaki ptronlar birbirlerinden bağımsızdır, ancak her biri bir sonraki katmandaki tüm ptronlara bağlanır.

Ptron İlişkisi;

***

Giriş katmanı, her yordayıcı değişkeni için bir ptron içerir.

Bir veya daha fazla gizli katman, kullanıcının tanımladığı sayıda ptron içerir.

Birinci gizli katmandaki her ptron, giriş katmanındaki her ptrondan bir girdi alır.

İkinci bir gizli katman varsa, bu katmandaki her ptron ilk gizli katmandaki her bir ptrondan bir girdi alır ve böylece ek katmanlarla devam eder.

Çıkış katmanı, her cevap değişkeni için bir ptron içerir. (genellikle bir, bazen çok değişkenli yanıt durumlarında daha fazla ptron içerebilir.)

Her çıkış ptron, son gizli katmandaki her ptrondan bir girdi alır.

Ptronlar, girdilerinin değerlerine dayanarak çıktı değerlerini belirleyen doğrusal olmayan bir aktivasyon fonksiyonuna (örneğin herhangi bir lojistik fonksiyona) sahiptir.

Ptronlar arasındaki bağlantılar ağırlıklıdır.

Ağırlığın büyüklüğü, bu girişin alıcı ptron üzerindeki etkisinin gücünü kontrol eder.

Ağırlık işareti, etkinin bir sonraki tabakaya sinyalin uyarıp uyarmadığını kontrol eder.

Ağırlıklar, doğrusal bir modelin katsayılarına biraz benzemektedir.

Ayrıca, bir ptronun temel değerini temsil eden ve doğrusal bir modelde engellemeye benzer bir önyargı ayarı da vardır.

Girişler sıfıra yakınsa, önyargı, çıkışın ortalamaya yakın olmasını sağlar.

Ancak, YSA'nın ağ benzeri doğası nedeniyle durum çok daha karmaşık olabilir.

Bu, yordayıcılar ve yanıt arasındaki karmaşıklık doğrusal olmayan ilişkilere yol açabilir.

***

Bu örnek, Boston, MA, ABD banliyölerinde bir dizi medyan özellik değerlerini içeren MASS paketindeki Boston verilerini kullanılarak yapılmıştır. Sinir ağımız için gerekli kütüphane paketlerini indirip, yüklemelerini yapalım. Daha fazla bilgi için R terminalinden help(Boston) yazarak veri işlevlerine bakınız.

# Kullanılan Kütüphaneler ( Pokemonlar )
install.packages(c("MASS","neuralnet","nnet","NeuralNetTools","boot","caret","corrplot","DataExplorer"))
library(MASS)
library(neuralnet)
library(nnet)
library(NeuralNetTools)
library(boot)
library(caret)
library(corrplot)
library(DataExplorer)

Amacımız, sahip olunan tüm diğer sürekli değişkenleri kullanarak sahiplenmiş evlerin (medv) medyan değerini belirlemektir.

Kütüphanelerimizi indirip, yüklediysek Boston verimizi yükleyelim ve R-studio üstünde tanıtalım.

Boston
veri <- Boston
introduce(veri)

plot_str(veri)

Bu görseli istemiyorsanız eğer str() fonksiyonu ile de parametrelerin kategorilerini görebilirsiniz.

str(veri)

Görüldüğü gibi veri seti 506 gözlem ve 14 parametreden oluşmaktadır ve 12 tanesi numerik, 2 tanesi ise integer haldedir.

Eksik Veri Konrolü

eksik_veri <- apply(veri, 2,function(x) sum(is.na(x)))

eksik_veri

Eksik gözlemlere bakıldığında eksik veri görülmemiştir. Bu işlemi yaparken apply fonksinoyu kullanılmıştır.
Eğer görsel bir tablo içerisinde eksik verileri görmek istersek.

plot_missing(veri)

Korelasyon İnceleme
Verimiz üzerinde korelasyonlar incelenmek istenildiğinde corrplot kütüphanesindeki corrplot fonksiyonu ile korelasyonlar görselleştirilmiştir.

corrplot(cor(veri))

Keşifçi veri analizlerinden birkaç tanesine bakıldıktan sonra uygulamaya başlayalım. Veri setinde ölçümler farklı olduğu için bu değerlerin aynı baremde birleşebilmesi için veri setinin normalize edilmesi gerekmektedir. Bunun için “scale” formulü kullanılır.
Bu normalizasyon işlemini yaparken veri setinde her bir parametrenin maksimum ve minimum değerleri üzerine hesaplanarak gerçekleştirilmiştir.
“Scale” fonksiyonu veri setinin karakterini bozmadan ortalaması sıfır, standart sapmasını bir üzerine merkezileştirerek veri setini günceller.

maxValue <- apply(veri, 2, max)
minValue <- apply(veri, 2, min)

veri <- as.data.frame(scale(veri, center = minValue, scale = maxValue - minValue))

orneklem <- sample(1:nrow(veri), 400)
egitim_verisi <- veri[orneklem, ]
test_verisi <- veri[-orneklem, ]

dim(test_verisi)
dim(egitim_verisi)

Bu fonksiyon ile parametreler arasına otomatik olarak “+” eklenerek modele eklenecektir.

parametre_birlestirme <- function(resp, dt) {
  nms <- names(dt)
  fmla <- as.formula(paste(resp, "~", paste(nms[!nms %in% resp], collapse = " + ")))
  fmla
}

duzeltilmis_veri <- parametre_birlestirme("medv", Boston)

ysa_model <- neuralnet(duzeltilmis_veri
                          , data = egitim_verisi
                          , hidden = c(4,2)
                          , linear.output = T)

#Sinir ağımızı görselleştirelim.
plot(ysa_model)

Yapay sinir ağı modelimiz görüldüğü gibidir.

Yapay Sinir Ağı Modeli

Sinir ağı nesnesi için bir sinirsel yorumlama diyagramını oluşturalım.

plotnet(ysa_model)

Sinirsel Yorumlama Diyagramı

Modelimiz yani iki gizli katmandan oluşan modelimiz için üretilen hata değeri için bu kodu kullanabiliriz.

pr.nn <- compute(ysa_model,test_verisi[,1:13])
pr.nn <- pr.nn$net.result*(max(veri$medv)-min(veri$medv))+min(veri$medv)
test.cv.r <- (test_verisi$medv)*(max(veri$medv)-min(veri$medv))+min(veri$medv)
MSE <- sum((test.cv.r - pr.nn)^2)/nrow(test_verisi)

print(MSE)

#Hata değeri =0.006387037 çıkacaktır.

Sabırla okuyan herkese teşekkürlerimi sunar, esenlikler dilerim.
Saygılarımla. by #MS

Minitab 18 - Mevsimsellik Analizi ve Yorumlanması - Talep Tahmini Uygula...

2019-09-27T14:09:00.001-07:00

Office 2016 Kurulum ve Aktivason + (İndirme Linki)

2019-09-27T14:08:00.001-07:00

Yapay Zeka Saklambaç Oynamayı Öğrenirse

2019-09-21T04:59:00.003-07:00

Bir Yapay Zeka saklambaç oynamayı öğrendi. Kendi başına ortaya koyduğu stratejiler baya şaşırtıcı.

Bu hafta, önde gelen AI lab en son projelerini yayınladı: Saklambaç Oynayabilen Yapay Zeka. Mevcut makine öğrenme teknikleriyle, çok basit bir kurulumun şok edici derecede sofistike sonuçlar üretebileceğinin en son örneği.

Yapay Zeka (AI) ajanları, oyunun çok basit bir versiyonunu oynar; burada “saklayıcılar” görüş alanı ne olursa olsun puan alırlar. “Saklayıcılar”, saklanma yeri oluşturmak ve kendilerini başarıyla sakladıklarında puan almak için başlangıçta biraz zaman alırlar; Her iki taraf da bir avantaj için nesneleri oyun alanı çevresinde hareket ettirebilir (bloklar, duvarlar ve rampalar gibi).

Bu basit kurulumdan elde edilen sonuçlar oldukça etkileyici olmakla birlikte 481 milyon saklambaç oyunu boyunca, AI stratejiler ve karşı stratejiler geliştirmiş gibi görünüyordu ve AI ajanları karmaşık stratejilerin işe yaraması için müttefikleriyle eşgüdüm içinde koşturmaya çalıştılar. (Yol boyunca, oyun fiziğini beklenmedik şekillerde kırma yeteneklerini de gösterdiler.)

Takviye öğrenme adı verilen basit bir AI tekniği ile yapılabilecek en son örnek, AI sistemlerinin istenen davranış için “ödüller” aldığı ve milyonlarca oyun boyunca ödüllerini en üst düzeye çıkarmanın en iyi yolu.

Takviye öğrenimi inanılmaz derecede basittir, ancak ürettiği stratejik davranış hiç de basit değildir. Araştırmacılar geçmişte karmaşık savaş zamanı strateji oyunları oynayabilecek AI sistemleri oluşturmak için diğer teknikler arasında takviye öğrenmeyi güçlendirdi ve bazı araştırmacılar, son derece sofistike sistemlerin sadece takviye öğrenimi ile inşa edilebileceğini düşünüyor. Bu basit saklambaç oyunu, takviye öğrenmenin eylemde nasıl çalıştığına ve basit talimatların şok edici derecede akıllı davranış ürettiğine dair harika bir örnek oluşturuyor. AI yetenekleri daha iyi ya da daha kötüsü için ilerlemeye devam ediyor.

İlk ders: Nasıl kovalanır ve gizlenir

Birkaç milyon saklambaç oyunu almış olabilir, ancak sonunda AI ajanları oyunun temellerini belirledi: Harita üzerinde birbirlerini kovalamak.

İkinci ders: Bir savunma barınağının nasıl inşa edileceği

AI ajanları blokları yerinde “kilitleme” özelliğine sahiptir. Sadece bir bloğu kilitleyen takım kilidi açabilir. Milyonlarca uygulama oyunundan sonra, AI temsilcileri mevcut bloklardan bir sığınak kurmayı öğrendi; Bunu burada yaptıklarını görebilirsiniz. Barınakta “arayıcı” ajanlar onları bulamıyor, bu nedenle “saklayıcılar” için bir kazanç en azından birileri yeni bir fikir ortaya çıkıncaya kadar.

Bir sığınağı kırmak için rampalar kullanma

Milyonlarca nesiller sonra, arayanlar bu davranışı “saklayıcılar” ile nasıl başa çıkacaklarını çözdüler: Bir rampayı sürükleyebilir, rampaya tırmanabilir ve saklayıcıları bulabilirler.

Bir süre sonra, saklayıcılar karşı saldırıyı öğrendi: rampaları yerlerinde donatabildiler, böylece arayanlar onları hareket ettiremezdi. OpenAI’nin ekibi bunun oyunun sonu olacağını düşündüklerini ancak yanlış yaptıklarını belirtiyor.

Barınakları kırmak için kutu sörfü

Sonunda, arayanlar bir kutuyu donmuş rampalara doğru itmeyi, kutuya tırmanmayı ve bir kez daha saklayıcıları bulabilecekleri barınaklara “sörf yapmayı” öğrendiler.

Kutu sörfüne karşı savunma

Buradaki saklayıcılar için bariz bir karşı-karşıtlık var: etraftaki herşeyi dondurmak, arayanların çalışacak araçları kalmaması. Gerçekten, nasıl yapacaklarını öğrendikleri şey bu.

Milyonlarca tecrübe oyununa sahip AI ajanları arasında saklambaç oyunu böyle yürüyor. Buradaki ilginç şey, sergilenen davranışların hiçbirine doğrudan öğretilmediği ve hatta doğrudan ödüllendirilmediğidir. Ajanlar sadece oyunu kazandıklarında ödüller kazanırlar. Ancak bu basit teşvik, oyun içi yaratıcı davranışları teşvik etmek için yeterliydi.

Birçok AI araştırmacı, takviye öğreniminin karmaşık görevleri gerçek dünyadaki sonuçlarla çözmek için kullanılabileceğini düşünüyor. Güçlü stratejik karar vermenin basit talimatlardan ortaya çıkması ümit vericidir.

Ancak; Takviye öğrenme ile ilgili problemlerin çözülmesi, gördüğümüz gibi, pek çok beklenmedik davranışa yol açıyor. Saklambaç oyunlarında büyüleyici, ancak kanseri tedavi etmek için bir ilaçta potansiyel olarak endişe verici (istenmeyen davranış hayatı tehdit edici komplikasyonlara neden olursa) veya santral çıktısını iyileştirmek için bir algoritma (AI, yalnızca tutarlı bir güç sağlamak yerine, hedeflerinde belli olmayan bir koşuldan yararlanmayı düzenlerse).

Bu, takviye öğrenmesi gibi tekniklerin tehlikeli bir yanıdır. Bir yandan, basit bir başlangıç noktasından gelişmiş davranışlar üretebilecek güçlü tekniklerdir. Öte yandan, beklenmedik ve bazen de istenmeyen ileri düzey davranışları basit bir başlangıç noktasından başlatabilecek güçlü tekniklerdir.

AI sistemleri daha güçlü bir şekilde büyüdükçe, istediklerimizi yapmalarını nasıl sağlayacağına dikkat etmeliyiz.

Saygılarımla. by #MS

Fahrenheit 451 & Tavsiye Algoritmaları

2019-09-17T01:09:00.000-07:00

Fahrenheit 451, bir kitabı yakmak için gereken sıcaklık değeridir. İnsanlığın bilincini oluşturan, gerçeklik hakkında bilgiler veren, devletler kurup yıktıran bu inanılmaz güçten bahsediyorum. İtfaiyeciler, insanları bilinçsizleştirmek için onların kitap okumalarını engelleyerek onları tekdüze hale getirmeye çalışan bir sistemin işçileri. Görev aşkı ile yanıp tutuşan bu canavarlar, gelen ihbarlara anında kulak veriyor ve hedefi yok ediyorlar. Eskiden görevleri yangın söndürmek olan bu kişiler, artık devletlerin birer kundakçıları oluyor.

Bir kitabın yakılması ile o kitabın Tavsiye Algoritmaları ile hesaplanan değerler arasında son sıralarda yer alması arasındaki ilişkiyi düşünelim. Günümüzde tavsiye sistemlerini en çok kullanan şirketlerinden biri olan Netflix, kullanıcılarının “Kaliteli Zaman” geçirmelerini sağlamak için çok büyük yatırımlar yapıyor. Bu içerikleri keyifle izleyen bireyler o konular hakkında belirli bir bakış açısı kazanıyor. Dolayısıyla düzenli olarak Netflix’in tavsiye ettiği içerikleri izleyen bireyler o konulara karşı ortak bir görüşe sahip oluyor. Yani bu insanların dünya görüşü bu konular hakkında tekdüze hale geliyor. Dolayısıyla tehlikeli kitapları yakmak veya teknoloji ile iç içe yaşayan toplumların, bu algoritmalar yardımıyla algılarını yönetmek aslında aynı şey.

Günde ortalama 2 saatimizi Netflix de geçirdik, şimdi geri kalan 22 saatimizi nasıl “Kaliteli” bir şekilde geçireceğimizi düşünüyor ve yine belirli algoritmaların bize tavsiye ettiği bir kitabı okumaya başlıyoruz. 2 saat kitap okuduk, şimdi yine belirli algoritmaların tavsiye ettiği kıyafet kombinlerini giyip dışarı çıkma vakti! Bir yerde oturduk, içtiğimiz kahvenin resmini paylaştıktan sonra arkadaşlarımızın ne kadar “Mutlu” olduğunu izleme vakti. “Ben bunları tüketebiliyorum” bombardumanlarından kurtulduktan sonra eve dönüyoruz ve ne kadar heyecansız bir hayatımız olduğunu düşünüyoruz. Bir anda bir Fastfood zinciri kendinizi mutlu hissetmeniz için size bir menü öneriyor. O anda yapabileceğiniz tek şey, mutlu olmak için o yemeği söylemek ve yanında bir de tatlı sipariş etmek. Çünkü bu yemeği yiyenler yanında da o tatlıyı söylüyorlar…

Bu böyle yıllarca gidiyor ve yıllarca bu algoritmaların tavsiyeleri hayatlarımızın içine daha çok giriyor ve zamanla birbirimize daha çok benzetiliyoruz. Devletlerin yönetim yapısı, insan hakları, insan ilişkileri gibi birçok temel konuya olan bakış açılarımız yukarıdan, aşağıdan, sağdan, soldan törpüleniyor ve daha tahmin edilebilir, sindirilebilir toplumlar haline geliyoruz.

Gerçekten böyle mi olmak istiyoruz?

Modern Optimizasyon Yöntemleri

2019-09-15T23:08:00.001-07:00

Son yıllarda, geleneksel matematiksel programlama tekniklerinden kavramsal olarak farklı olan bazı optimizasyon yöntemleri geliştirilmiştir. Bu yöntemler, modern veya geleneksel olmayan optimizasyon yöntemleri olarak etiketlenmiştir. Bu yöntemlerin çoğu biyolojik, moleküler, böcek sürüsü ve nörobiyolojik sistemlerin belirli özelliklerine ve davranışlarına dayanır.

Aşağıdaki yöntemler bu tarif edilmiştir.

1. Genetik algoritmalar

2. Benzetilmiş tavlama

3. Parçacık sürüsü optimizasyonu

4. Karınca kolonisi optimizasyonu

5. Bulanık optimizasyon

6. Sinir-ağı temelli yöntemler

Bu yöntemlerin çoğu sadece son yıllarda geliştirilmiştir ve karmaşık mühendislik problemlerinin çözümü için popüler yöntemler olarak ortaya çıkmaktadır. Çoğu sadece fonksiyon değerlerini gerektirir (ve türevleri değil). Genetik algoritmalar, doğal genetik ve doğal seleksiyon prensiplerine dayanmaktadır. Simüle edilmiş tavlama, kritik olarak ısıtılmış katıların termal tavlama simülasyonuna dayanır. Hem genetik algoritmalar hem de simüle edilmiş tavlama, global minimumları yüksek olasılıkla bulabilen ve doğal olarak ayrık optimizasyon problemlerinin çözümü için uygulanabilir olan stokastik yöntemlerdir. Parçacık sürüsü optimizasyonu, böcek sürüsü, bir kuş sürüsü veya bir balık sürüsü gibi bir canlılar kolonisinin davranışına dayanır. Karınca kolonisi optimizasyonu, yuvalarından yiyecek kaynağına en kısa yolu bulabilen gerçek karınca kolonilerinin ortak davranışlarına dayanır. Birçok pratik sistemde, amaç işlevi, kısıtlamalar ve tasarım verileri sadece belirsiz ve dilsel olarak bilinir. Bu tür problemlerin çözümü için bulanık optimizasyon yöntemleri geliştirilmiştir. Sinir-ağı temelli yöntemlerde, problem birkaç nörondan oluşan bir ağ olarak modellenmiştir ve ağ optimizasyon problemini verimli bir şekilde çözmek için uygun şekilde eğitilmiştir.

Minitab 18 Kurulumu

2019-09-15T22:10:00.001-07:00

Minitab: Veri Analizi, İstatistik ve Süreç İyileştirme Araçları

Minitab, Microsoft® Windows® işletim sisteminde kullanılan ve kolon bazlı çalışan bir istatistiksel yazılımdır. Temel olarak Oturum penceresi, Çalışma sayfaları, Grafik pencereleri gibi alt bileşenlerden oluşmaktadır. Başta Altı sigma olmak üzere Endüstriyel uygulamalarda yaygın olarak kullanılmaktadır.

Dosya İndirme Linki:

https://drive.google.com/file/d/1ACcDbGlBk1ZPSBKeKTPsnaAD594jA5rU/view

Hangi Programlama Dilini Öğrenmeliyim?

2019-06-10T07:56:00.000-07:00

Programlama dünyasına giriş yapmak isteyen kişilerin kendilerine, yakın çevrelerine, bilhassa bana sorulmuş olan ve hatta Google’a sık sık sorduğu bir sorudur: “Hangi programlama dilini öğrenmeliyim?” veya “Programlama öğrenmek için ilk nereden başlamalıyım?” Açıkçası bende bilmiyorum. Bu tür sorulara direk “şu programlama dili çok iyi, şunu öğren” gibisinden cevap vermek yanlıştır. Ancak doğrudan cevap vermek yerine, öncelikle dili öğrenmek isteyen kişinin isteklerine ve beklentilerine başvurmak gerekli ve bu beklentileri karşılayan yapı ve sistemlere yönelik programlama dili tavsiye edilip, önerilmelidir.

Öğrenmeye hevesli olan kişiler ilk olarak kendilerine şu soruyu sormalı:
“Programlamayı ne için öğrenmek istiyorum?” ya da “Programlamayı ne amaçla kullanacağım?”

Soruyu kendinize sordunuz, cevabını da düşündünüz, peki sonra ne yapacaksınız?

Ben mobil uygulama geliştireceğim diyorsanız:

IOS à Objective-C
Android à Java
Windows Mobile à .Net ile kullanılabilen bir dil (Visual C++, Visual C#, VB, F#...)

Masaüstü uygulama geliştireceğim diyorsanız:

Uygulamanız Windows üzerinde çalışacaksa

.Net kullanan dil (Visual C#, Visual F#, Visual C++, Visual Basic) [C# önerilir]

Uygulamanızın tüm ortamlarda çalışmasını istiyorsanız (Mac, Windows, Linux…)

Java (Önerilir)
Python
C++

Oyun geliştireceğim diyorsanız:

Lua (Önerilir) [Hem masaüstü hem de mobil pek çok ortamda kullanılabiliyor.]
C# (Windows altında XNA Game Studio ile iyi işler çıkartılabiliyor.)
C (OpenGL gibi temel grafik kütüphaneleri ile uğraşacaksanız gerekli.)

Elektronik cihazlara hükmedeceğim, donanımın derinliklerine ineceğim diyorsanız:

C
Assembly (Başlangıç için hiç gerek yok)

Yapay zeka ile uğraşacağım, zeki sistemler geliştireceğim diyorsanız:

Haskell
Prolog
Scala

Benim işim web ve sunucular diyorsanız:

Front-end için: (Kullanıcı ile etkileşime giren kısım, görsel kısım da denilebilir)

HTML (Mutlaka!) (Programlama dili değil, işaretleme dilidir.)
CSS (Mutlaka!)
JavaScript (İstemci taraflı programlamanın can alıcı noktasıdır.)

JS üzerinde ilerledikten sonra CoffeeScript’e de bakılabilir.

Back-end için: (Sunucu tarafı) (Kırılma noktası)

Kolay öğrenip bir an önce başlamak mı istiyorsunuz?

PHP
ASP.NET + C#

Kolayca geliştirilebilir, kolay dağıtılabilir uygulamalar geliştirmek mi istiyorsunuz?

Ruby (Ruby on Rails isminde şahane bir framework var.)
Python (Django framework’ü ile birlikte)
JavaScript (Günümüzün gözdesi haline gelmiş: Node.js isimli web framework’ü var.)
Scala (Play! Framework ve Lift)

Taş gibi, sapasağlam uygulamalar istiyorsanız:

Java (JavaEE)
ASP.NET (Tartışılabilir.)

İstatistik bilimi ve veri analizi yapmak istiyorum diyorsanız:

R (R Studio ile veri ve grafik kütüphanelerini kullanabilirsiniz.)

Hackerlık benim geleceğim diyorsanız:

Hepsini öğrenin.

Elbette tüm diller bu kadar değil. Binlerce programlama dili mevcut, bunların bazıları ise diğerlerinden daha popüler tabi ki. Unutulmuş veya eksik kalmış kısımlar olabilir. Temel alışıla gelmiş programlama dillerine yönelik bir sıralama yapmak istersek bu listeyi göz önünde bulundurmak gerekir. Apple Swift ve Google Go gibi, yeni çıkan programlama dilleri de var elbette fakat genel olarak temel diller (eski aşina olunan diller) her zaman daha çok tercih sebebi olmuştur.

Umarım bu yazıyla birlikte “Hangi programlama dilini öğrenmeliyim?” sorusuna cevap olabilmişimdir ve birilerini harekete geçirebilmişimdir. Bir sonraki yazımda görüşmek üzere.

Saygılarımı sunar, esenlikler dilerim.

Mert Sever

Kod Yazmadan R Programında Neler Yapılabilir ?

2019-04-07T07:40:00.000-07:00

İleri düzey kod yazamayanlar için R programı…

R programında, verilerinizi analiz etmek ve veri bilimi yolunda işlemlerinizi(profesyonel ya da amatör) gerçekleştirebilmek için ileri düzey “kodlama” yapabilirsiniz ama istemezseniz de yapmayabilirsiniz.

Bu yazıda R programında çalışan ve kod yazmadan işlemlerimizi, görselleştirmelerimizi ya da bazı modellemeleri yapabileceğimiz kütüphanelerden bahsedeceğim. Sizin bildiğiniz fakat bu yazıda yer almayan, kodlama yapmadan işlem yapabileceğimiz kütüphaneler biliyorsanız lütfen yorumda belirtin. Karşılıklı eğitişim için bilgilerimizi paylaşmalıyız çünkü bilim kümülatif ilerler.

Veri Çağı’nda yaşadığımız bu zamanlarda verileri anlamlı kılmak ya da altından kalkamayacak(!) kadar çok veriyi, anlamlı bilgiler(pazarlama faaliyetlerinde kullanabileceğimiz çıkarımlar) haline getirmek önem arz etmektedir. Günümüzde firmalar yaşamlarını pazarlama merkezli sürdürür. Her ürün pazarlamaya uygun yapılır ve ürünler müşterilerin kullanabilmesi, onunla içselleştirilmesine odaklıdır. Hal bu olunca verinin önemini siz düşünün. Segmentasyonun önemini, kimlere nelerin önerileceği gibi konuları, hangi müşterimizin bizi terk edebilir gibi soruların önemini umarım anlamışsınızdır. CRM bu kadar popüler, veri bilimi bu kadar popüler ve uzun bir geleceğe kadar da konumunu ivmeli bir şekilde yükselteceği kesin gibi ama bunun için bazı konularda yetkin olmak zor mu olsa gerek ? Bu sorunun cevabını düşündüm uzun(!) bir süre. Gözümü kapattım ve açtım direk aklıma iki cevap geldi: Hayır efendim zor değil ama evet efendim az biraz zor. Bu iki cevap, iki farklı uçlarda ama bu biraz kişiye, onun azmine, gelecekte ne kadar var olmak istediğine ve biraz da yeteneğine bağlı. Yetenek kavramını korkarak kullandım çünkü veri bilimi yol haritasında kodlama ve bilgisayar bilgisi düzeyleri farklı da olsa gerekmektedir. Bunun bir çalışmanın sonucu olduğunu mu yoksa yetenek sonucu mu olduğunun tartışması yapılmakla beraber ben çalışmanın sonucu olduğundan yanayım. Kısaca kodlama bilmek zorunda değilsiniz.

R programında kodlama yapmadan da bazı işlemleri yapabiliyoruz. Bu yazı profesyonel olarak veri bilimciler için yeterli olmayacaktır fakat birçok okulda istatistik, veri madenciliği, veri bilimi, çok değişkenli istatistik, biyoistatistik, olasılık gibi dersleri alan lisans ve lisansüstü öğrenciler için ve hiç kodlama bilmeyen, kodlama geçmişi olmayan kişiler için hayat kurtarıcı olacağını düşünüyorum.

Burada birkaç kütüphaneden bahsedeceğim. Bu kütüphaneler sayesinde kod bilmesek bile istatistiksel testleri, veri görselliği, makine öğrenmesi algoritmalarını basit düzeyde oluşturabilirsiniz. Bir önceki paragrafta belirttiğim kişiler ödevlerinde, günlük basit istatistiksel çıkarımlarında ya da veri görselleştirmede rahatlıkla kullanabilir. Tabi ki bu alanda ilerlemek ve kendinizi geliştirmek istiyorsanız kod yazmalısınız fakat işim görülsün, anı kurtarayım be abi derseniz bu kütüphaneleri rahatlıkla kullanabilirsiniz.

Belirtmekte fayda görüyorum ki bu kütüphaneler sadece sizin kod yazma işlemlerini atlamanızı sağlayacaktır fakat size yine istatistiksel teorilerin varsayımlarını, iş bilgisi gibi konularını bilmeniz gerekmektedir. Bu yüzden model kurarken, istatistiksel testler yaparken varsayımlarını ve konuyla alakalı kavramları/yöntemleri/metodolojileri bilmeniz gerekmektedir.

1. “Rcmdr” Kütüphanesi

R Commander(Rcmdr) olarak ulaşabileceğimiz kütüphanede sol üstten aktif veri setini yükleyerek işlemlerinizi yapabilirsiniz. Bu kütüphane sayesinde 3D grafikler oluşturmanız mümkün. İstatistiksel testleri, regresyon modellerini rahatlıkla yapabilirsiniz. Graphs başlığı altından hedef bağımlı değişkenini ya da seçtiğin parametreler arasında çok sayıda farklı görseli kullanabilirsiniz.

```{r} install.packages("Rcmdr") library(Rcmdr) ```

2. “rattle” Kütüphanesi

Rattle kütüphanesi ile hedef değişkeni(bağımlı değişkeni, istediğiniz herhangi bir parametre de olabilir) seçtikten sonra işlemlere başlayabiliyorsunuz. İstediğiniz şekilde gruplandırabiliyorsunuz ya da kümeleme, sınıflandırma, birliktelik analizlerini yapabiliyorsunuz. Kod yazmadan bu işlemleri yapabilmek, kodlama bilmeyen kişilerin bunları yapabilmesi, makine öğrenmesi algoritmaları yapabilmesi büyük olay hocam. Bu kütüphaneyi kurcalayıp öğrenin. Gerekli kıymeti verin ve neyi nasıl yaptığını öğrenin. Şahsen ben öğrenciyken ödevlerimi yaparken bu kütüphaneye “Nasılsın Yiğidim” diye hal hatır soruyordum. Emeği çok bende. Kıymetli bir kütüphane.

```{r} install.packages("rattle") #yükleme işlemleri bazı bilgisayarlarda ve R programının sürümlerine göre zorluk çıkartabiliyor. Eğer yüklenmede ve kurulumda bir sorun çıkarsa RGtk2 kütüphanesini de yükleyin. library(rattle) rattle()```

Komutu ile çalıştırabilirsiniz. Veri görselliği, istatistiksel testler, makine öğrenmesinin havalı isimleri olan algoritmaları, birliktelik analizleri, sınıflandırma ve kümeleme gibi birçok farklı çalışmaları yapabilirsiniz fakat rattle kütüphenesi ile aynı zamanda yapay sinir ağları modeli de oluşturabilirsiniz.

3. AmeliaView()

Eksik verilerilerle ilgili bir kütüphanedir. Amelia kütüphesi içinde AmeliaView ile eksik verilerinizi doldurabilir, imputasyon, eksik verilerinizde görsellik yapabilirsiniz.

```{r} install.packages("Amelia") library(Amelia) AmeliaView() ```

Komutu ile çalıştırabilirsiniz. Eksik verilerinizin bulunduğu veri setini yükleyip işlemlerinizi gerçekleştirebilirsiniz.

4. MissingdataGUI

İsminden de görüldüğü gibi eksik verilerle ilgili bir kütüphane. Eksik verinin görselleştirilmesi, doldurulması gibi birçok işlemi kolaylıkla yapabiliyorsunuz.

```{r} install.packages("MissingDataGUI") library(MissingDataGUI) ```

RGtk2 ile çalışan bu kütüphanede(indirirken rattle kütüphanesi ile aynı sorunu yaşamanız durumunda kütüphaneyi tekrar indirmeyi deneyin, farklı kaynaklardan github’dan yükleyebilirsiniz.

5. GGobi

GGobi kütüphanesi ile verilerinizi kolaylıkla görselleştirebilirsiniz. Eskiden rattle kütüphanesi ile beraber yükleniyordu, sonra ayrı bir kütüphane oldu(versiyonlarına göre değişiyor sanırım), kendi internet sitesi var ve oradan da program şeklinde indirebilirsiniz. Veri görselleştirme işini kolaylaştıran bir uygulama.

```{r} install.packages("rggobi") library(rggobi) #ekran açılmazsa ggobi(dataset) olarak çalıştırabilirsiniz. Eğer hiç çalışmıyorsa korkmayın kendi internet sitesinden kütüphaneyi indirebilir ve program gibi kullanabilirsiniz.http://www.ggobi.org ```

Eğer veri bilimi alanında çalışacaksanız ve R programını öğreniyorsanız, bu kütüphaneler ile kod yazımını öğrenmeyi ertelediğinizi unutmamak gerekir. Evet böyle güzel kütüphaneler(pokemonlar) var fakat kod yazımını da öğrenmek önemli.

Günümüzde artık firmalar için en önemli şeylerin başında veri gelmekte. Büyük yatırımlar yapılıyor. Onların hem saklanması için, hem işlenebilmesi için hem de satışının gerçekleşmesi için(bknz. Facebook verileri). Gelecekte veriye dokunamayan mesleklerin varlıklarının tehlikeye gireceğini düşünmekteyim bu sebeple ne iş yapıyorsanız yapın, hangi alanda çalışıyor olursanız olun kıyısından köşesinden de olsa veri ile iç içe olacağız çünkü mecburuz. Artık her şey veri üretiyor ve onları da siz yönetiyorsunuz. Yani sizin karakteriniz var, o duygularla içselleştiriyorsunuz ve içeriğini dolduruyorsunuz. Günümüzde beyaz eşyalar bile internet üzerinden veri üretiyor, sizinle etkileşime geçiyor. Artık her şey veri üretiyor ve başta veri bilimciler, veri analistleri, veri mühendisleri veya veriye dokunan her çalışana analiz edilecek veri setleri üretiyoruz. Bu sebeple yazımın başında belirttiğim gibi pazarlama birimlerinin hedefinde(veri üretenlere yani herkese ilgileneceği ürünü satmak, öneri yapmak gibi düşünebilirsiniz hedef kelimesini) olduğumuzu hatırlatmak isterim, segmentasyonlarına belki de uç değer, gürültülü veri, ortalamadan sapan veri olarak veri setlerinde yerimizi alıyoruz.

Bunları yazmamım sebebi, veri okur-yazarlığını öğrenmeniz çünkü çağ, Veri Çağı.

Saygılarımla.

So Cute - Lopu (#MS)

2019-03-09T07:03:00.001-08:00

Yapay Sinir Ağları - Artificial Neural Network

2019-03-03T11:24:00.000-08:00

Yapay sinir ağları (YSA), insan beyninden esinlenerek geliştirilen ve günümüzde kodlama dünyasında sıklıkla kullanılan bir algoritmadır. Bir yapay sinir ağı, yapay sinir hücreleri arasında çeşitli bağlantılarla oluşur. Oluşan bu bağlantılar arasında önem (ağırlık ya da insan beynindeki “sinapslar”) vererek sonuca ulaşmayı amaçlar. Yeni bilgiler keşfetmekte ya da verilerin modellenmesinde dışarıdan yardım almadan, makine kendi kendine öğrenerek belirlenmiş amaca ulaşan bilgisayar (algoritma) sistemleridir.

Yapay sinir ağları modellemesinde giriş (x), çıkış(y) değişkenleri arasındaki ilişki y=f(x)+Hata şeklindedir. Burada hatayı(error) azaltmak için ağırlık(weight)(W) bilgileri ayarlanır ve atanır. Buradaki amaç girdilerin önemine göre bir işlem yaparak, girdilerle işlemi yapmaktır(aktivasyon fonksiyonu). Bir yapay sinir ağında gizli düğüm ya da düğümler olabilir. Model içinde veya giriş ve çıkış katmanları arasında gizlenmiş bir katman ve çevre ile doğrudan bağlantısı olmayan bir katman olabilir. Yapay sinir ağlarının avantajlarından olan bu işlem, yapıyı anlamamızda araştırmacıya kolaylık sağlar.

Bir yapay sinir ağları hücresinin yapıları ise; girdiler, ağırlıklar, toplama fonksiyonu, aktivasyon fonksiyonu ve çıktılardır.

Yapay sinir ağları(YSA)’ nın temelinde girdiler arasında bağlantıları oluşturan esas elemanlardan, bağlantı ağırlıklarının belirlenmesinde öğrenme algoritmalarından fonksiyon oluşturmaktır. Her eleman birbirlerine veri setindeki önemine göre ağırlıklarla bağlıdır. Bu ağırlıklar ise, o iki elemanın bağlantı gücünü gösterir.

Yapay sinir ağları, veri yapısına göre çok katmanlı olabilir. Zaman serilerinde bu durum sıkça karşımıza çıkmaktadır. Gizli katman sayısını ve yapısını belirlemek gerekir. Ağın toplam kaç adet basamaktan oluşacağı, bu basamakların (katmanların) kaç işlem yapacağı, kaç farklı katmana ne kadar ağırlıkla bağlanacağı gibi değerlerin belirlenmesi gerekmektedir. Bu işlemlerle birlikte yapay sinir ağları oluşturulmuş olur. Eğer tahmin modeli oluşturulacaksa yapay sinir ağlarından, bundan sonra yapılması gereken durum kaç tane öngörü yapacağını belirtmek olacaktır. Belirlenen öngörü sayısına(dönemine) göre çıkış nöronu belirlenir.

Yapay sinir ağları, ileri istatistiksel yöntemlerine karşı veri seti için herhangi bir varsayıma ihtiyaç duymaz. Yapay sinir ağlarının temel özelliği ve görevi, veri setindeki yapıyı öğrenmek ve istenilen göreve göre genelleştirmeler yapmasıdır. Bunu yapabilmesi için eğitim veri setinin üstünde çalışarak ağırlıkları belirlemesidir. Böylece her bir gözlemle ağırlıklar değişerek zamanla daha güclü ve sapması azalan bir yapıya dönüşecektir. Böylelikle çıktı olarak verdiği tahminde ya da yapıda genelleştirme yeteneği daha güclü olacaktır. “Ağın ürettiği sonuçlar ise; ağa girilen bilgilerin kendi ağırlıkları (W) ile çarpımlarının toplanması sonucu elde edilen net girdinin, bir transfer fonksiyonu ile işlenmesi ile çıktı katmanından alınmaktadır.”Öztemel, E., (2003)

Yapay sinir ağlarında yapının kaç gizli katmandan oluşacağı ya da kaç tane nöronla birleşeceği gibi sayıların belli bir kuralı yoktur. Burada bu sayıları belirlerken deneme yanılma yolu ile belirlenir. Bu çalışmada validasyon işlemleri ile bu sayı belirlenmeye çalışılacaktır. Büyük yapılar için genelde bir ya da iki gizli katman sayılarının yeterli olacağı literatürde belirtilmiştir. Tekrar belirtilmelidir ki bu sayıları belirlemek için bir formül olmadığından test edilerek belirlenmelidir.

Udemy Ücretsiz Kurslar

2019-01-03T14:27:00.001-08:00

Udemy platformunda ücretsiz edinebileceğiniz kurslar

iOS
https://www.udemy.com/the-complete-ios-10-developer-course-beginner-to-advanced
4,4 (916 puan) 23.970 kayıtlı öğrenci
Sepette IOSFREE kodunu kullandığınız zaman ücretsiz yapabilirsiniz.

C#
https://www.udemy.com/learn-csharp-by-building-applications
4,4 (916 puan) 23.970 kayıtlı öğrenci
Code: FREESPECIAL

C++
https://www.udemy.com/cpp-course
4,0 (236 puan) 33.207 kayıtlı öğrenci
Code: CPP_FREE

Photoshop
https://www.udemy.com/retouching-essentials-in-photoshop
4,6 (152 puan) 30.547 kayıtlı öğrenci Code: LUCKY00

https://www.udemy.com/mastering-adobe-camera-raw
4,4 (60 puan) 12.563 kayıtlı öğrenci
Code: BESTDEAL0

https://www.udemy.com/create-luts-in-photoshop
4,7 (24 puan) 7.939 kayıtlı öğrenci
Code: FREE000

Python 3
https://www.udemy.com/python-3-course
4,0 (75 puan) 15.953 kayıtlı öğrenci
Code: PTFRRV

Android
https://www.udemy.com/learn-android-application-development-y
4,3 (3.931 puan) 73.487 kayıtlı öğrenci

Premiere
https://www.udemy.com/adobepremiereprocc/?couponCode=ADOBEFREE
4,3 (194 puan) 10.649 kayıtlı öğrenci

Unity
https://www.udemy.com/unity-particles-from-beginner-to-advanced/?couponCode=SS_FREE
4,4 (154 puan) 19.080 kayıtlı öğrenci

https://www.udemy.com/unity-master-video-game-development-the-complete-course/?couponCode=SS_FREE
4,1 (897 puan) 55.053 kayıtlı öğrenci

İrade ve Disiplin

2018-12-21T22:43:00.000-08:00

İrade ve disiplin. Ne kadar da güçlü kelimeler. Bu yazıya bu güçlü kelimeleri soyutluklarından kurtararak, bizim için daha anlamlı hale getirerek başlamak istiyorum. Benim için disiplin, ne hissettiğinin bir önemi olmadan, o an için gerekli olan, seni ileriye taşıyacak olan şey ne ise onu yapmaktır. Kulağa kolay geliyor değil mi? Sadece doğru ve yanlışın ayrımını yap ve her defasında doğru olanı seç. İşte bu seçimi yapabilme ve seçimi aksiyona dönüştürme gücü ise iradedir. Peki irade sahibi olmak, kendi üzerimizde disiplin uygulayabilmek, bir nevi duygu kontrolü sağlayabilmek bu kadar basit mi? Kısa cevabım: Evet, bu kadar basit. Basit fakat kolay değil.

İrade, nasıl edinileceği düşünülmeden önce, neden edinilmesi gerektiği düşünülmesi şart olan bir özelliktir. Bu nedenle ben de tam bu noktadan, neden irade sahibi olmak gerektiğinden bahsederek başlayacağım. Öncelikle, irade sahibi olmak bir kişinin sahip olmak istediği diğer her şeye (kişilik özellikleri, yetenekler, düşünce biçimleri, maddi değeri olan nesneler vs.) sahip olabilmesi için bir ön koşuldur. İrade sahibi olmak bir insanın sahip olmak istediği şeyleri elde etme yolunda yılmadan, yıkılmadan ilerlemesini ve sonunda hedeflerine ulaşmasını sağlayacaktır.

Bir kişi nasıl irade sahibi olur sorusuna gelecek olursak, bununla ilgili paylaşacağım, derhal uygulamaya başlayabileceğiniz birkaç ipucum var:

Erken uyanmak: Tanıdığım hiç kimse (kendimde dahil olmak üzere) erken uyanmayı sevmez, bu sebep ile en başta disiplin ile ilgili yazdığım cümleyi birleştirirseniz erken uyanmanın neden listemin ilk sırasında olduğu çok açık bir hale gelecektir.

Uzun süreli hedefleri göz önünde tutmak: İrade sahibi olmanın önündeki en büyük engellerden bir tanesi, şüphesiz, kısa süreli zevklerin uzun vadeli hedefleri gölgede bırakmasıdır. Net bir şekilde seçilmiş, açık bir şekilde tanımlanmış hedeflere sahip olmak ve bunları aklınızın bir köşesinde tutmak irade sahibi olmak konusunda size kolaylık sağlayacaktır.

Plan ve rutin sahibi olmak: Sağlam bir şekilde yerleşmiş planlara ve rutinlere sahip olmak, günün sizi kontrol etmesindense sizin günü kontrol etmenize olanak sağlar. Böylelikle hedeflerinizi göz önüne alarak gün içerisinde atılması gereken en doğru adımları atarsınız.

İsteksizlikten doğan bahaneler sizi daima geri götürüyor olacaktır. Bu nedenle bir an önce harekete geçilmeli. O zaman hep beraber diyelim ki: Harekete geç, Disiplinli yaşa ve İradeni kontrol et.

Umarım bu yazıyla birlikte birilerini harekete geçirebilmişimdir. Bir sonraki yazımda görüşmek üzere.

Saygılarımı sunar, esenlikler dilerim.
Mert Sever

PhotoMirage - Örnek 3

2018-12-06T10:39:00.003-08:00

İnternet hızına bağlı olarak bazen geç yüklenmektedir bekleyiniz...

PhotoMirage - Örnek 2

2018-12-06T10:27:00.000-08:00

İnternet hızına bağlı olarak bazen geç yüklenmektedir bekleyiniz...

PhotoMirage - Örnek 1

2018-12-06T09:58:00.001-08:00

İnternet hızına bağlı olarak bazen geç yüklenmektedir bekleyiniz...

Stefan Zweig - Olağanüstü Bir Gece

2018-12-02T01:35:00.001-08:00

1914 yılında Rava-Ruska'da bir Avusturya hafif süvari alayıyla katıldığı çarpışmalarda şehit düşen Baron Fredrich M. von R.nin yazı masasında bulunan notlar daha sonra ailesi tarafından gözden geçirilmesi istenerek yazara verilmiş. Stefan Zweig de sadece altı saatlik bir zaman dilimini kapsayan bu olağanüstü geceyi sadece ismini değiştirerek Olağanüstü Bir Gece kitabı ile yazıya dökmüş.

Baron Fredrich'in hikayesi ise şöyle;

Tarihler 7 Haziran 1913 ü gösterdiğinde otuz altı yaşındaki barona erken ölen ailesinden bir miras kalmıştı. Kendisi bu fırsatı iyi değerlendirerek subaylık mesleğinden vazgeçmiş ve kendince emekliye ayrılmıştı. Ailesi soylu bir sınıftan geliyordu, normalde de durumu oldukça iyiydi. Üstüne bir de bu miras gelince tamamen zengin ve soylu bir aristokrat olmuştu. Tüm ilgi alanını lüks ve çok nadir uğraşlara ayırıyordu. Mesela antikacılardan nadir parçalar bularak bunları uygun bir sistemle dizmek ona çok keyif verirken, o günlerin en çok okunan kitaplarına ilk sahip olmak da bir diğer uğraşıydı. Tabii birde kadınlar vardı. Kadınlar kesinlikle ilgi alanına giriyordu. Fakat tüm bu zengin yaşayış bir süre sonra onu derin bir durgunluğa soktu. Tam altı ay sürecek bu uzun durgunluk döneminde tüm heveslerinden uzaklaştı. Artık ne kitaplar ne pahalı antikalar ne de kadınlar ona heyecan veriyordu. Sıradan bir hayatın tam içindeydi. Ta ki o olağanüstü geceye kadar.

O gün evden bir anlığına çıktı ve etrafın oldukça kalabalık olduğunu faytonların soyluları ve sosyeteden tanıdığı simaları sırayla götürdüklerini gördü. O da hemen bir faytona atladı. Arabacının sorusu ise bütün olayı açıklıyordu. Arabacı " At yarışlarına değil mi efendim? "demişti. Baron da bu soruya başını sallayarak cevap vermiş ve kendisini bir anda yarışlarda bulmuştu. Aslında altı ay öncesine kadar böyle olayları hiç kaçırmazdı. İçeri girdiğinde herkesin sıralarına oturduğunu, çok özenle giyindiklerini görmüştü. Yarışın başlamasıyla tüm soylular sanki bambaşka insan oluvermişlerdi. Bağırıyor, kazanmasını istedikleri atın ismini haykırıyorlardı. Bu heyecan bir anda baronu etkiledi. Çünkü onun uzun zamandır hissedemediği bir duyguyu tüm bu insanlar yaşıyorlardı. Ardından yarışlara biraz ara verildi. Bu ara esnasında baronun gözü bir hanımefendiye takılmıştı. Çok güzel ve alımlı olan bu kadın adeta gözleriyle barona cilve yapıyordu. Bu durum yine hoşuna gitti baronun. Çünkü gizli bir oyun ona heyecan vermişti. Fakat kadının yanında birden şişman ve kel bir adam belirdi. Elini kadının omzuna atmasıyla baron onun kadının kocası olduğunu anladı. Artık oyun bitmiş ve heyecanını yitirmişti. Yarışlar tekrar başlarken bir anda kargaşa oldu. Şişman ve kel adam o karmaşayla elindeki tüm kuponları düşürdü. Bir tane kuponda baronun ayağına denk geldi. Eline aldığı sırada yarış başladı. Maçı takip etmeye ve heyecanlanmaya başladı. Çünkü kuponundaki at yeniyordu. Yarış bitti ve tüm ikramiyeyi baron aldı.

Bu suç işleme duygusu ve yaşadığı heyecan ona tekrar bilet aldırttı. Yine maçı o kazandı ve çok fazla parası oldu. Fakat baron bu durumdan hiç memnun değildi. Soylu birisine hiç yakışmıyordu bu durum. Üzgün bir şekilde panayır gibi bir yere girdi. Burada insanların arasına karışmak ve durgunluğunun nedenini anlamaya çalışıyordu. Gece yarısına kadar yanına kimse gelmedi. Hatta insanlar ondan uzaklaşıyor gibiydi. Çünkü kıyafeti ve duruşuyla soylu biri olduğunu belli ediyordu. Dükkanlar ve lunapark kapanınca baronun yanında biri geldi. Bu bir fahişeydi. İlk kez birinin dikkatini çektiği için heyecan duydu ve onun peşinden gitti. Fakat biraz uzaklaşınca arkasında iki kişinin olduğunu gördü. Kadına çok yüklü bir para verdi ve arkasındaki iki kişiye de acıyarak onlara da para verdi. Para alan bu aciz insanların yüzündeki mutluluk ona çok büyük bir his yaşattı.

O akşam gördüğü herkese yardım etmek istedi. Baloncunun tüm balonlarını satın aldı, kek satan yaşlı kadının önünden kek alarak yüklü bahşiş bıraktı. Evlerin camlarından içeri paralar attı. En sonunda hayatının amacını ve kendi benliğini buldu. O akşamdan sonra çok mutlu ve bilinçli bir insan olarak yaşamaya devam etti. Hiç yalnızlık çekmedi aksine artık sokakta gördüğü her insanla muhabbet ediyor, yardımlaşıyor ve artık yalnızlık duygusunu zerre kadar hissetmiyordu.

Görme Engelliler İçin Ultrasonik Mesafe Sensörü Projesi

2018-10-27T11:22:00.001-07:00

Japon Efsanesi: Urashima Tarō

2018-09-25T13:02:00.000-07:00

Şöyle bir oldukça ünlü Japon efsanesi varmış; Urashima Tarō

Genellikle çocuklara anlatılan bu hikayede, verilen sözün tutulması aksi takdirde bunun size ağır bir bedel olarak geri döneceği anlatılmaktaymış.

Uzun zaman önce, köyün birinde oldukça iyi kalpli genç bir adam varmış. Bu adamın ismi de aynı zamanda efsanenin ismi olan Urashima Tarō’dur. Taro, yaşlı annesiyle beraber yaşamaktaymış. Bir gün sahile balık tutmaya giderken, yolda bir grup çocuğun bir kaplumbağaya eziyet ettiğini görmüş. Çocuklara bunun yanlış bir davranış olduğunu söylese de çocuklar davranışlarından vazgeçmemişler ve çocukları kovalayarak kaplumbağayı kurtarmış. Ertesi gün Taro'nun yanına yaşlı bir kaplumbağa yanaşmış ve kurtardığı küçük kaplumbağanın aslında denizlerin imparatoru Ryūjin'in (ejder tanrı) kızı olduğunu ve imparatorun bu sebeple onu görmek ve teşekkür etmek istediğini söylemiş. Sonrasında Taro'ya sihirli bir şekilde solungaçlar vermiş (ki bazı versiyonlarda solungaçları bir "hap" sayesinde kazandığı da söyleniyormuş) ve birlikte yola düşüp Ryūgū-jō'ya (ejder sarayı) varmışlar. Orada imparator ve kurtardığı küçük kızıyla görüşmüş ama bu sefer kız güzel bir prenses görünümündeymiş (ve adı Otohime imiş).

Taro orada üç gün misafir olmuş ve sonrasında yaşlı annesi için endişelenmeye başladığı için izin isteyip saraydan ayrılmış. Ayrıldığı sırada prenses onun gidişine üzüldüğünü söylemiş ve ona bir hediye vermiş. Bu hediye Tamatebako isminde gizemli bir kutuymuş. Prenses Taro'ya bu kutunun onun zarar görmesini engelleyecek bir şey olduğunu ama asla açmaması gerektiğini söylemiş.

Sonrasında Taro atlamış yaşlı kaplumbağanın sırtına ve dönmüşler yüzeye. Taro köyünün olduğu yere gittiğinde her şeyin çok fazla değiştiğini görmüş, öyle ki kendi evini dahi bulamamış, annesinden ise hiçbir iz yokmuş. Oda yetmezmiş gibi ne kadar etrafta dolansa da tanıdığı birilerine rastlayamamış. Daha sonra etraftaki insanlara daha önce hiç Urashima Tarō isimli birini duyup duymadıklarını sormuş. Bazı kişiler çok uzun zaman önce bu isimde birinin denizde kaybolduğuna dair hikayeler duyduklarını anlatmışlar. Sonrasında Taro olayı araştırırken saraya gidişinden beri yaklaşık olarak 300 yıl geçtiğini fark etmiş. Bunu fark ettikten sonra keder ve öfkenin etkisiyle elindeki kutuyu açıvermiş. Kutudan beyaz bir duman yayılmış ve Taro'yu sarmış. Sonrasında Taro bir anda yaşlanmaya başlamış, sakalları uzamış, beli bükülmüş. O sırada denizden prensesin tatlı ve hüzünlü sesi ilişmiş kulağına, "sana kutuyu açma demiştim, içindeki senin yaşlılığındı..."

(bazı versiyonlarda kutuyu açtığı sırada Taro'nun vücudunun önce yaşlanıp sonrasında giderek kuruyarak geriye tozdan başka bir şey kalmadığı da söyleniyormuş).

Bu talihsiz efsane karakterinin adı Japoncada genellikle çevresini tanıyamama hissiyatı için de kullanılır olmuş. 'Etraf öyle değişmiş ki Urashima'ya döndüm' gibi.

Ayrıca ünlü efsanenin filmi ve tabi ki güzel bir de şarkısı vardır. Verilen sözün tutulması aksi takdirde bunun size ağır bir bedel olarak geri döneceği ifadesi ile ders verici bir niteliğe sahip olan efsanedir. Bazen kendimizi Urashima gibi hissettiğimiz olmuştur. Sonucu ne olursa olsun yine de yaptıklarımızdan pişman olmamalı hayatımıza devam etmeliyiz.

Urashima Tarō için üzülsekte hayat bizim için devam ediyor...

Mert Sever

Programlama Dilleri

2018-09-21T10:37:00.000-07:00

Herkese Merhaba,

Bu yazım ile birlikte programlama dillerinin hayatımızda ki yeri ve önemini anlatmak istedim. Faydası dokunması dileğiyle…

Dünyada konuşulan her dilin amacı iletişim sağlamaktır. Farklı kültürlerden insanların anlaşabilmesi için ortak konuştukları bir dil gerekir. Programla dillerinin amacı da bilgisayar ile programcının haberleşmesidir. Programcı, bilgisayara hangi komutların çalıştırması gerektiğini bilgisayarın anlayacağı dilden konuşarak söyler.

Bilgisayarda, programlar makine diline çevrildikten sonra çalışır. 1 ve 0 sayılarından oluşan bu makine dili, en alt seviye dildir. Dolayısıyla programların bu dilde yazılması oldukça zordur. Programcılar konuşma diline daha yakın, kolay anlaşılabilecek diller kullanmaktadır. Bu dillere yüksek seviye programla dilleri denir. Programlama dillerinin seviyeleri makine diline yakın olup olmaması ile ölçülür.

Bunlardan bazıları Pascal, Basic, C, C++, Java, Javascript, Cobol, Perl, Python, Ada, Fortran, Visual Basic .NET, Microsoft Visual C# programlama dilleridir.

Yüksek seviye programlama dillerine Visual Basic .NET, Microsoft Visual C++ dillerini örnek verebiliriz. C ile işletim sistemi yazılabilindiğinden daha alt seviye bir dil olarak değerlendirilir.

Bilgisayarlar, icat edilmeleriyle birlikte belli bir işi yapmak için bir dizi komutlara ihtiyaç duymuşlardır. En başta çok basit işlemler yapan bu komutlar zamanla nesneye yönelme (object orientation) gibi ileri seviyede özellikler kazanmıştır.

İlk programlama dilleri, bilgisayarların üzerinde bazı araçların yerlerini değiştirerek veya yeni bileşenler eklenerek yapılıyordu. Programın işlemesi için bir devinime ihtiyaç vardı. Eskiden programlar fiziksel olarak yazılıyordu. Daha sonra fiziksel programlama yerini elektrik sinyaline bıraktı. Artık, kurulan elektronik devrelere düşük ya da yüksel voltajda akım gönderilerek bilgisayarın davranışı belirlenmeye başlandı. Yüksel voltaj 1, düşük voltaj 0 sayılarını ifade ediyordu. Böylelikle bugün de kullanılan makine dilinin ortaya çıkması için ilk adımlar atılmış oldu.

Ancak bu şekilde programlar yazmak, sistemi oluşturan elektronik devrelerin her program için baştan kurulmasını gerektiriyordu. Böylelikle programlar bazı kavramlar çerçevesinde yazılmaya başlandı. Öncelikle bilgisayar donanımı her program için baştan kurulmamalı, bunun yerine basit bir donanımın üzerine yazılan komutlar kullanılmalıdır. Daha sonra, programlar tek bir komutlar zinciri yerine, küçük parçalar halinde yazılmalıdır. Bu parçaların programın içinde defalarca kullanılabilmesi yordam (subroutine) kavramını ortaya çıkarmıştır. Bu modelin kullanılması ise mantıksal karşılaştırmaları, döngülerin kullanılmasını ve yazılan kodlar tekrar kullanıldığı için kütüphane (library) mantığını ortaya çıkarmıştır. Böylece kodların gelişmesiyle birlikte yeni programlama dilleri de ortaya çıkmıştır. Programlama dillerinin de hikayesi böyleydi.

Bu yazımda anlatacaklarım bu kadardı. Bir sonraki yazımda görüşmek üzere, hoşça kalın.

Mert Sever

Yeni iPhone Modelleri ( Xs, Xs Max, XR )

2018-09-18T07:51:00.000-07:00

Merhabalar bu yazımda "Dev ekranlara hoş geldiniz." yazısıyla gündeme oturan yeni iPhone modellerini inceledim ve sonuçlara yönelik "Hangi iPhone modelini almalıyım?" sorusuna yanıt bulmaya çalıştım. Keyifli okumalar dilerim... :)

Apple, 12 Eylül akşamı gerçekleştirdiği lansmanla birlikte, “bugüne kadar en gelişmiş mobil işlemciye sahip” dediği 3 yeni iPhone modelini tanıttı. Aynı etkinlikte, Apple Watch Series 4 de lansmanda yerini aldı. iPhone X, tasarımıyla birlikte Apple’ın yeni vizyonu oldu ve bu yıl, aynı tasarım çizgilerine sahip, daha güçlü yeni iPhone modellerini tanıttı. iPhone Xs doğrudan iPhone X’un halefi konumundayken, bugüne kadar seride hiç görülmemiş kadar büyük ekranıyla iPhone Xs Max sahnede yerini aldı. Ayrıca Apple, daha düşük fiyatlı yeni nesil bir telefon isteyenler için iPhone XR’ı da tanıttı.

iPhone Xs veXs Max modellerinde "gümüş, uzay grisi, altın" olmak üzere 3 farklı renk seçeneği mevcut durumdayken XR modelinde çok farklı renk çeşitliliği sayesinde farklılık yaratarak pazarda yerini aldı diyebiliriz. Renk çeşitliliği yaratarak piyasada ki ürün çeşitliliğini arttırmış olmasıyla birlikte, müşteriye sunulan sıradan iPhone renklerinin yanında farklı renklerinin olması avantajlı ve geniş bir pazar payında olduğunu söylemek mümkün.

Yeni iPhone modelleri genel özellikleri;

Yeni nesil Neural Engine’e sahip A12 Bionic çip
Face ID
Suya dayanıklı tasarım
Kablosuz şarj (Qi şarj aygıtlarıyla çalışır)
1.000.000:1 kontrast oranı (tipik)
True Tone ekran
Geniş renk yelpazesine sahip ekran (P3)
625 cd/m2 maksimum parlaklık (tipik)
7 MP TrueDepth kamera

Farklı özelliklerinden bahsedecek olursak;

iPhone Xs:

5.8 inç Super Retina HD ekran
30 dakikaya kadar 2 metre derinlikte suya dayanıklı tasarım
64 GB, 256 GB, 512 GB hafıza kapasiteleri
Geniş açılı ve 12 MP telefoto çift kamera
HDR ekran
458 ppi yoğunlukta 2436 x 1125 piksel çözünürlük

iPhone Xs Max:

6.5 inç Super Retina HD ekran
30 dakikaya kadar 2 metre derinlikte suya dayanıklı tasarım
64 GB, 256 GB, 512 GB hafıza kapasiteleri
Geniş açılı ve 12 MP telefoto çift kamera
HDR ekran
458 ppi yoğunlukta 2688 x 1242 piksel çözünürlük

iPhone XR:

6.1 inç Liquid Retina HD ekran
30 dakikaya kadar 1 metre derinlikte suya dayanıklı tasarım
64 GB, 128 GB, 256 GB hafıza kapasiteleri
12 MP kamera
326 ppi yoğunlukta 1792 x 828 piksel çözünürlük

iPhone Xs, Xs Max ve XR modellerinin genel tanıtım videosu şu şekilde;

Bu 4 dakikalık uzun videoda konuşan, Apple’ın yeni vizyonuna destek sağlayan kişi Jony Ive. Cihazların teknik performanslarına, A12 Bionic işlemcisine ve kamera performanslarına değindiği konuşmasında, daha gelişmiş portre modu seçeneklerini ve alan derinliğini anlatıyor. Ayrıca yeni iPhone'ların en iyi fotoğrafı yakalamak için hareket halindeyken nasıl çalıştığını da gösteriyor. Face ID özelliği ise Apple Pay gibi hizmetlerin kullanımında hızlı ve güvenli bir seçenek oluşturuyor.

Apple, yeni ürünlerinin fiyatlarını geçtiğimiz yıl boyunca sürdürdüğü fiyat politikasına bağlı kalarak belirledi. Nitekim ülkemizdeki kur farkından dolayı, bugüne kadar göreceğimiz en pahalı Apple ürünlerini tanımış olduk. Türkiye fiyatları satışa çıkacağı zaman tahmini olarak Ekim ayı ile birlikte belli olur diye düşünüyorum. Hangi iPhone modelini almalıyım derseniz de benim tercihim çok büyük ekranları sevmediğim için Xs 'ten yana :) iPhone yaptı yine yapcağını, biz de böylece anlatmış olduk.

Saygılar sunar, esenlikler dilerim.

Mert Sever