Yerel işleme nedir?

Klasik bulut mimarisinde sensörden alınan veri internete çıkar, sağlayıcının sunucusunda değerlendirilir ve sonuç tekrar eve gönderilir. Yerel mimaride ise karar; Home Assistant çalıştıran bir mini bilgisayar, Raspberry Pi, NAS ya da özel bir otomasyon merkezi tarafından evin içinde verilir.

Örneğin koridordaki hareket sensörü etkinleştiğinde ışığın açılması için bulut sunucusundan cevap beklemek gerekmez. Merkez, sensör olayını yerel ağ üzerinden alır ve lambaya anında komut yollar.

Toplam tepki süresini basitçe şöyle düşünebiliriz:

Bulut tabanlı sistemde internet yolculuğu nedeniyle $T_{iletim}$ ve $T_{cevap}$ büyür. Yerel işlemede veri yalnızca ev ağı içinde dolaştığından toplam gecikme çoğu zaman belirgin biçimde azalır.

Bulut ve edge computing karşılaştırması

Yerel yaklaşım her durumda bulutu çöpe atmak anlamına gelmez. Hava durumu tahmini veya ev dışından bildirim gönderme gibi hizmetlerde bulut yararlıdır. En dengeli çözüm, kritik kararları evde verip yalnızca gerekli verileri dış servislere aktaran hibrit mimaridir.

Bir otomasyon nasıl çalışır?

Yerel merkezler genellikle olay güdümlü bir model kullanır. Sensör bir olay üretir, sistem koşulları denetler ve uygun eylemi gerçekleştirir:

1. Hareket sensörü aktif durumuna geçer.
2. Merkez saatin gece olup olmadığını kontrol eder.
3. Işık seviyesi belirlenen eşikten düşükse lambayı açar.
4. Hareket kesildikten sonra zamanlayıcı başlatır.
5. Süre dolunca lambayı kapatır.

Aşağıdaki Home Assistant otomasyonu bu mantığın sade bir örneğidir:

alias: Gece koridor ışığı
trigger:
  - platform: state
    entity_id: binary_sensor.koridor_hareket
    to: "on"
condition:
  - condition: numeric_state
    entity_id: sensor.koridor_aydinlik
    below: 30
action:
  - service: light.turn_on
    target:
      entity_id: light.koridor
  - delay: "00:02:00"
  - service: light.turn_off
    target:
      entity_id: light.koridor

Bu kod, hareket algılandığında ortam aydınlığı 30 lüksün altındaysa ışığı açar ve iki dakika sonra kapatır. Sensörler ile merkez aynı yerel ağdaysa işlem internet kesildiğinde de devam edebilir.

Mahremiyet ve kaynak kullanımı

Kameralar yerel işlemenin değerini daha görünür hâle getirir. Görüntüyü buluta göndermek yerine cihaz üzerinde insan algılama modeli çalıştırılabilir. Böylece dışarıya video yerine yalnızca insan algılandı olayı çıkar.

Yerel donanım seçerken işlemci gücü, bellek ve enerji tüketimi birlikte değerlendirilmelidir. Verimlilik kabaca şu oranla yorumlanabilir:

Basit sensör otomasyonları için düşük güçlü bir Raspberry Pi yeterli olabilir. Birden fazla kamera üzerinde yapay zekâ çalıştırılacaksa mini PC veya donanım hızlandırıcısı gerekebilir.

Sonuç

Edge computing, akıllı evi yalnızca daha hızlı değil, aynı zamanda daha dayanıklı ve mahremiyet dostu hâle getirir. En iyi başlangıç yöntemi; ışık, sıcaklık ve hareket gibi basit otomasyonları yerelleştirmek, ardından kamera analizi gibi ağır işlemlere geçmektir. Böylece internet gittiğinde akıllı eviniz bir anda oldukça pahalı bir sıradan eve dönüşmez!

``

Bitkinin su ihtiyacı nasıl hesaplanır?

Sistemin temel girdilerinden biri referans evapotranspirasyon değeridir. Evapotranspirasyon, topraktan buharlaşan ve bitkinin yapraklarından atmosfere aktarılan toplam suyu ifade eder. Belirli bir bitkinin yaklaşık ihtiyacı şöyle bulunabilir:

Burada $ET_0$ hava koşullarına bağlı referans evapotranspirasyon, $K_c$ ise bitki katsayısıdır. Örneğin domatesin gelişim dönemindeki katsayısı, yeni ekilmiş bir bitkininkinden farklıdır.

Yağış ve mevcut toprak nemi de hesaba katıldığında net sulama ihtiyacı basitleştirilmiş biçimde şöyle modellenebilir:

$D$ verilecek suyu, $P_e$ etkili yağışı, $M$ ise kök bölgesinde kullanılabilir nem katkısını gösterir. max işlemi, yağış ihtiyacı zaten karşıladıysa negatif miktarda sulama yapılmasını engeller.

Takvim tabanlı ve akıllı sulama karşılaştırması

Akıllı yaklaşım açıkça avantajlı görünse de sensör kalibrasyonu ihmal edilirse sistem son derece kararlı biçimde yanlış karar verebilir. Başka bir deyişle, kötü veri kullanan harika bir algoritma hâlâ kötü bir sulamacıdır.

Optimizasyon problemi

Bir tarlada birden fazla sulama bölgesi bulunduğunu düşünelim. Her bölgenin ihtiyacı farklıdır, fakat pompanın debisi ve depodaki su sınırlıdır. Hedef fonksiyonu, ihtiyaç ile verilen su arasındaki farkı küçültebilir:

Burada $D_i$ bölgenin ihtiyacı, $x_i$ tahsis edilen su ve $w_i$ öncelik katsayısıdır. Yeni dikilmiş veya su stresine hassas bitkilere daha yüksek ağırlık verilebilir. Model ayrıca şu kısıtları taşıyabilir:

• Toplam dağıtılan su depo kapasitesini aşmamalıdır.
• Bir vananın çalışma süresi teknik sınırlar içinde kalmalıdır.
• Yağmur olasılığı yüksekse tahsis azaltılmalıdır.
• Pompa aynı anda yalnızca belirli sayıda bölgeyi beslemelidir.

Basit bir Python karar mekanizması

Aşağıdaki fonksiyon, nem eşiklerini ve beklenen yağışı kullanarak sulama süresi üretir:

def sulama_suresi(nem, hedef_nem, alan_m2,
                   yagis_mm, debi_litre_dk):
    nem_acigi = max(0, hedef_nem - nem)

    # Beklenen yağmur arttıkça ihtiyaç azaltılır.
    gerekli_mm = max(0, nem_acigi * 0.5 - yagis_mm)

    # 1 mm yağış, 1 m² alanda yaklaşık 1 litre sudur.
    gerekli_litre = gerekli_mm * alan_m2
    dakika = gerekli_litre / debi_litre_dk

    return round(dakika, 1)

sure = sulama_suresi(
    nem=24,
    hedef_nem=35,
    alan_m2=120,
    yagis_mm=2,
    debi_litre_dk=18
)
print(f'Sulama süresi: {sure} dakika')

Bu örnek üretim sistemi için tek başına yeterli değildir; ancak sensör verisinin fiziksel su miktarına ve vana süresine nasıl dönüştürüldüğünü gösterir. Gerçek projede sensör okumaları filtrelenmeli, anormal değerler elenmeli ve vana komutları kayıt altına alınmalıdır.

Daha akıllı bir mimari

Uygulamada nem sensörleri MQTT gibi bir protokolle merkezi sunucuya veri gönderebilir. Sunucu hava tahminini alır, optimizasyonu çalıştırır ve vanalara komut iletir. Elektrik veya internet kesintisine karşı yerel denetleyicide güvenli bir varsayılan program bulunması önemlidir.

Sonuç olarak akıllı sulama; sensör, tarım bilgisi ve optimizasyonun ortak çalışmasıdır. Başarı yalnızca su tasarrufuyla değil, bitki sağlığı, enerji tüketimi ve ürün verimi birlikte izlenerek ölçülmelidir. En iyi sistem en çok sulayan değil, doğru damlayı doğru köke ulaştırandır.

``

Fiziksel zaman ve algılanan zaman

Fiziksel zaman ölçülebilirken algılanan zaman öznel bir deneyimdir. Bunu basitleştirilmiş bir modelle şöyle ifade edebiliriz:

Burada $T_a$ algılanan zamanı, $T_g$ gerçek süreyi, $B$ belirsizliği, $D$ dikkatin beklemeye yönelmesini, $E$ eğlenceyi ve $K$ kontrol hissini temsil eder. Bu bilimsel bir ölçüm formülü değil, tasarım kararlarını düşünmek için kullanışlı bir modeldir. Belirsizlik ve beklemeye odaklanma arttıkça süre uzamış gibi hissedilir. Eğlence ve kontrol hissi yükseldiğinde ise aynı süre daha kısa algılanır.

Örneğin yüzde göstergesi bulunmayan donmuş bir ekran, oyuncuya sistemin çalışıp çalışmadığını düşündürür. Belirsizlik yükselir ve oyuncu her saniyeyi izlemeye başlar. Hareketli bir ipucu, ilerleme çubuğu veya etkileşimli mini oyun ise dikkati dağıtır.

İlerleme çubuğunun küçük oyunları

İlerleme çubukları her zaman yüklemenin gerçek hızını birebir göstermez. Dosyaların boyutu, disk hızı ve ağ gecikmesi değişken olduğu için doğrusal ilerleme üretmek zordur. Çubuğun uzun süre yüzde 99’da kalması özellikle sinir bozucudur; çünkü arayüz, bitiş sözü vermiş gibi görünür.

Daha dengeli bir gösterge için ölçülen ilerleme doğrudan ekrana verilmek yerine yumuşatılabilir:

$\alpha$ değeri 0 ile 1 arasındadır. Küçük değerler daha akıcı fakat daha yavaş tepki veren bir animasyon oluşturur. Aşağıdaki JavaScript örneği ani sıçramaları azaltır:

let displayedProgress = 0;

function updateLoading(realProgress) {
  const smoothing = 0.12;
  displayedProgress +=
    smoothing * (realProgress - displayedProgress);

  const percent = Math.floor(displayedProgress * 100);
  document.querySelector(".progress-bar").style.width = `${percent}%`;
  document.querySelector(".progress-label").textContent = `${percent}%`;
}

Kod, gerçek yükleme oranına bir anda atlamak yerine ona kademeli biçimde yaklaşır. Ancak gösterge kullanıcıyı kandırmamalıdır. Gerçek işlem tamamlanmadan yüzde 100 göstermek, kısa vadede hızlı görünse de güven kaybına yol açabilir.

Beklemeyi oynanışa dönüştürmek

Bazı oyunlar yüklemeyi dar geçitler, asansör yolculukları veya yavaş açılan kapılar içine saklar. Oyuncu hareket etmeye devam ettiği için teknik bekleme, kurgu dünyasının parçası olur. Buna karşılık aynı numara çok sık kullanılırsa oyuncular “Bu asansör aslında yükleme ekranı” diyerek perdenin arkasını görmeye başlar.

Respawn süreleri de bilinçli biçimde tasarlanır. Anında yeniden doğmak cezayı anlamsızlaştırabilir; aşırı uzun beklemek ise öfke yaratır. Takım oyunlarında bekleme süresi, oyuncuya haritayı izleme ve strateji kurma fırsatı veriyorsa pasif ceza olmaktan çıkar.

Başarılı zaman manipülasyonunun amacı oyuncuyu aldatmak değil, beklemeyi anlaşılır ve tahmin edilebilir kılmaktır. Geri bildirim verin, belirsizliği azaltın, mümkünse küçük bir kontrol alanı sunun. Saat aynı hızda ilerlese de oyuncunun zihnindeki kronometre böylece çok daha insaflı çalışır.

``

Director AI tam olarak nedir?

Director AI, tek bir düşmanın nasıl hareket edeceğini belirleyen klasik yapay zekâdan farklıdır. Bireysel düşman AI’ı hedef seçme, siper alma veya yol bulma gibi yerel kararlarla ilgilenirken yönetmen sistemi bütün oyun deneyimini denetler.

Amaç oyuncuyu sürekli cezalandırmak değildir. İyi bir yönetmen; stres, rahatlama ve yeniden yükselişten oluşan dramatik bir ritim üretir. Kesintisiz baskı yorucu, sürekli kolaylık ise sıkıcıdır.

Oyuncunun stresi nasıl ölçülür?

Sistem doğrudan oyuncunun heyecanını okuyamaz; bunun yerine ölçülebilir sinyaller kullanır. Can miktarı, takım üyeleri arasındaki mesafe, isabet oranı, alınan hasar, cephane ve son saldırıdan beri geçen süre bunlardan bazılarıdır.

Basitleştirilmiş bir stres puanı şöyle hesaplanabilir:

Burada $D$ normalize edilmiş hasarı, $H$ kalan sağlık oranını, $I$ takımın dağılma seviyesini ve $A$ aktif düşman yoğunluğunu temsil eder. Katsayıların toplamının $1$ olması yorumlamayı kolaylaştırır. Örneğin $S$ değeri $1$’e yaklaştıkça oyuncuların baskı altında olduğu varsayılır.

Tek karelik ölçümler yanıltıcı olabileceğinden üstel hareketli ortalama kullanılabilir:

Küçük bir $\alpha$, sistemin ani değişimlere aşırı tepki vermesini engeller. Böylece tek bir kötü nişan, hemen devasa bir zombi sürüsüyle sonuçlanmaz.

Gerilim döngüsü

Director AI genellikle deneyimi aşamalara böler:

1. Hazırlık: Oyuncular kaynak toplar ve çevreyi inceler.
2. Yükseliş: Düşman sayısı veya özel tehdit olasılığı artar.
3. Zirve: Yoğun bir saldırı ya da kritik karşılaşma yaşanır.
4. Rahatlama: Baskı azaltılır, oyuncuya toparlanma fırsatı verilir.

Bu döngü yalnızca düşman sayısını değiştirmez. Sağlık paketlerinin konumu, müzik, özel düşman türleri ve alternatif yollar da yönetilebilir. Ancak sistem oyuncuya açıkça yardım ederse yapaylık hissi doğar. Bu nedenle ayarlamalar çoğunlukla perde arkasında yapılır.

Basit bir yönetmen prototipi

Aşağıdaki Python örneği, stres puanına göre yönetmenin hangi aşamaya geçeceğini gösterir:

class Director:
    def __init__(self):
        self.stress = 0.0
        self.phase = "hazirlik"

    def update(self, damage, low_health, isolation, enemies):
        sample = (
            0.35 * damage
            + 0.25 * low_health
            + 0.20 * isolation
            + 0.20 * enemies
        )

        # Ölçümü yumuşatarak ani ve dengesiz kararları önler.
        self.stress = 0.2 * sample + 0.8 * self.stress

        if self.stress < 0.25:
            self.phase = "yukselis"
        elif self.stress > 0.75:
            self.phase = "rahatlama"
        else:
            self.phase = "denge"

        return self.phase

Buradaki önemli ayrıntı ters dengedir: stres düşükken tehdit artırılır, yüksekken oyuncuya nefes aldırılır. Gerçek projelerde eşiklerin sürekli aşılmasını önlemek için histerezis, aşamalar için minimum süre ve rastlantısal seçim ağırlıkları da eklenir.

Adil görünmek, adil olmaktan farklıdır

Dinamik zorluk sisteminin en büyük riski oyuncunun başarılarını değersizleştirmesidir. İyi oynayan kişiye durmadan daha güçlü düşman göndermek, ilerleme hissini yok edebilir. Çözüm; zorluğu yalnızca sayısal güçle değil, karşılaşma çeşitliliği ve tempo üzerinden düzenlemektir.

Başarılı bir Director AI, oyuncunun ne kazanacağını belirlemez; unutulmaz bir mücadele yaşayabileceği koşulları hazırlar. En iyi yönetmen de zaten varlığını hissettirmeden sahneyi yöneten yönetmendir.

Modern dizileme cihazları tek bir deneyde milyarlarca DNA bazı üretebilir. Ancak cihazdan çıkan A, T, G ve C harfleri tek başına pek anlamlı değildir. Bu devasa yapbozu çözmek; kısa DNA parçalarını referans genoma yerleştirmeyi, farklılıkları bulmayı ve sonuçların güvenilirliğini ölçmeyi gerektirir. İşte biyoinformatik, moleküler biyoloji ile algoritmaların el sıkıştığı noktada devreye girer. ``

Ham veriden genoma uzanan yol

Dizileme sonucu çoğunlukla FASTQ dosyaları elde edilir. Her okuma, yani read, bir DNA dizisiyle birlikte baz kalitesini belirten sayısal değerlere sahiptir. Phred kalite skoru şu ilişkiyle tanımlanır:

Buradaki $P$, bazın yanlış okunma olasılığıdır. Örneğin $Q=30$, yaklaşık $P=0.001$ hata olasılığına, yani %99,9 doğruluğa karşılık gelir. Analizin ilk aşamasında FastQC gibi araçlarla kalite dağılımı, GC oranı ve adaptör kalıntıları incelenir. Düşük kaliteli uçlar ve adaptörler temizlenmezse sonraki algoritmalar biyolojik olmayan eşleşmeler üretebilir.

Hizalama neden zordur?

İnsan genomu yaklaşık 3,2 milyar baz çifti içerir. Buna karşılık tipik bir kısa okuma yalnızca 100–150 baz uzunluğundadır. Üstelik genomda tekrar eden bölgeler, dizileme hataları, eklemeler ve silinmeler bulunur. Dolayısıyla amaç yalnızca aynı metni aramak değil, küçük farklılıklara izin veren en olası konumu bulmaktır.

İki diziyi karşılaştıran klasik dinamik programlama yaklaşımında genel süre karmaşıklığı $O(nm)$ seviyesindedir. Milyonlarca okumada bu maliyet kabul edilemez. Modern hizalayıcılar bu yüzden genomu indeksler ve yalnızca umut vadeden bölgeleri ayrıntılı olarak değerlendirir.

BWA ve Bowtie2 gibi araçlar Burrows–Wheeler Dönüşümü ile oluşturulan FM-index yapısından yararlanır. Böylece referans genomun tamamını her okuma için baştan taramak yerine eşleşme aralığı hızlı biçimde daraltılır. Uzun okumalar için Minimap2, dizilerden seçilmiş temsilci parçaları kullanarak aday konumları bulur.

Küçük bir dizi karşılaştırma örneği

Aşağıdaki Python kodu, iki eşit uzunluklu dizinin farklı olduğu konumları belirler. Gerçek hizalayıcıların yaptığı iş çok daha karmaşıktır; ancak varyant bulmanın temel fikrini gösterir:

reference = "ACGTTGCAACGT"
sample = "ACGTCGCAATGT"

variants = []
for position, (ref_base, sample_base) in enumerate(
    zip(reference, sample), start=1
):
    if ref_base != sample_base:
        variants.append({
            "position": position,
            "reference": ref_base,
            "sample": sample_base
        })

for variant in variants:
    print(variant)

Kod, referans ile örneği baz baz karşılaştırır ve değişen konumları kaydeder. Gerçek analizlerde GATK, FreeBayes veya DeepVariant gibi araçlar yalnızca harf farkına bakmaz; okuma derinliği, baz kalitesi ve hizalama güvenini de hesaba katar.

Bir varyantın destek oranı kabaca $f = a/d$ ile ifade edilebilir. Burada $a$ alternatif bazı destekleyen okuma sayısı, $d$ ise toplam kapsama derinliğidir. Örneğin 40 okumanın 20’si farklı bazı taşıyorsa $f=0.5$ olur; bu durum diploid bir genomda heterozigot varyanta işaret edebilir.

Sonuçların biyolojik yorumu

Hizalama sonrasında SAM/BAM dosyaları düzenlenir, yinelenen okumalar işaretlenir ve varyantlar VCF biçiminde raporlanır. Ardından bulunan değişikliklerin genleri, proteinleri veya hastalık riskini etkileyip etkilemediği araştırılır. En hızlı algoritma bile kötü kaliteli veriyle güvenilir biyoloji üretemez. Bu nedenle genom analizi; doğru indeksleme, istatistiksel değerlendirme, kalite kontrolü ve biyolojik yorumun birlikte yürütüldüğü dikkatli bir süreçtir.

``

Zımni öğretim nedir?

Zımni öğretim, oyunun mekaniklerini metin kutuları veya uzun açıklamalar yerine seviye düzeni, görsel ipuçları, güvenli deneyler ve sonuçlar aracılığıyla öğretmesidir. Tasarımcı oyuncuya doğrudan ne yapacağını söylemez; doğru davranışı keşfedebileceği kontrollü bir durum hazırlar.

Bu yaklaşımın temel döngüsü şöyle modellenebilir:

Örneğin oyuncunun önüne küçük bir çukur yerleştirilir. İlerlemek için zıplaması gerekir; fakat çukur ölümcül değildir. Oyuncu düşse bile kolayca geri çıkabilir. Böylece oyun hem zıplama gereksinimini gösterir hem de hata yapmayı cezalandırmadan denemeye izin verir.

Açık ve zımni öğretimin farkı

Zımni öğretim her durumda üstün değildir. Karmaşık envanter sistemleri veya erişilebilirlik seçenekleri açık açıklamalar gerektirebilir. İyi tasarım, iki yaklaşımı rakip değil tamamlayıcı araçlar olarak görür.

Seviye tasarımı nasıl öğretmene dönüşür?

İlk yöntem odak yönetimidir. Işık, renk, hareket ve mimari çizgiler oyuncunun bakışını önemli noktaya taşır. Karanlık bir koridordaki tek parlak kapı, üzerinde “Buraya git” yazmasa da oldukça konuşkandır.

İkinci yöntem, yeni mekaniği güvenli bir ortamda tanıtmaktır. Oyuncu patlayan bir varili ilk kez düşmansız bir odada görürse ona ateş ederek sonucunu inceleyebilir. Daha sonra aynı varil düşmanların yanında kullanıldığında oyuncu bağlantıyı kendisi kurar.

Öğrenme başarısını basitçe şu şekilde düşünebiliriz:

Çarpanlardan biri sıfıra yaklaşırsa öğretim de zayıflar. Parlayan bir nesne dikkat çekebilir; ancak oyuncu onunla etkileşime giremiyorsa anlamlı öğrenme oluşmaz.

Küçük bir tasarım örneği

Bir platform oyununda duvardan zıplama mekaniğini tanıttığımızı varsayalım. Seviyenin davranışı aşağıdaki sözde kodla ifade edilebilir:

oyuncu öğretim_odasına_girince:
    çıkışı yüksek bir noktaya yerleştir
    iki zıplanabilir duvarı karşılıklı konumlandır
    düşülen zemini güvenli yap

oyuncu duvara temas edince:
    karakteri kısa süre duvara tutundur
    görsel parçacık ve ses geri bildirimi üret

oyuncu çıkışa ulaşınca:
    aynı mekaniği düşük riskli bir engelde tekrar kullan

Bu kod gerçek bir oyun motoruna bağlı değildir; tasarımın mantığını gösterir. Yüksek çıkış hedefi belirler, karşılıklı duvarlar çözüm alanını sınırlar, güvenli zemin ise korkmadan denemeyi sağlar. Parçacık ve ses, duvarın özel bir davranış sunduğunu bildirir.

Tasarımcının görünmez eli

Başarılı bir zımni öğretimde oyuncu “Tasarımcı bana bunu öğretti” demez; “Ben bunu çözdüm!” der. Bu sahiplenme duygusu motivasyonu artırır. Ancak ipuçları fazla belirgin olursa keşif hissi kaybolur, fazla belirsiz olursa oyuncu sıkışır.

Bu nedenle iyi bir seviye önce mekaniği gösterir, sonra güvenle denetir, ardından farklı bir bağlamda sınar. Oyuncu kuralları okumak yerine yaşar. Görünmez öğretmenin en büyük başarısı da ders verdiğini hiç belli etmemesidir.

Hücresel otomata nedir?

Hücresel otomata, uzayı hücrelerden oluşan bir ızgaraya bölen ayrık bir modeldir. Her hücre belirli bir durumda bulunur ve bir sonraki zaman adımındaki durumu, kendi mevcut durumuna ve komşularına göre hesaplanır.

Kentsel büyüme modelinde hücreler arazi parçalarını temsil edebilir:

En yaygın iki komşuluk yaklaşımı şunlardır:

Moore komşuluğu, şehrin daha yuvarlak ve yaygın biçimde büyümesine izin verir. Von Neumann komşuluğu ise daha köşeli desenler oluşturabilir.

Büyüme kuralını kurmak

Boş bir hücrenin kentleşme olasılığını, çevresindeki kentsel hücrelerin oranıyla ilişkilendirebiliriz. Hücrenin sekiz komşusundan $n$ tanesi kentleşmişse temel olasılık şöyle tanımlanabilir:

Burada $b$ kendiliğinden büyüme olasılığı, $w$ ise komşuluk etkisinin ağırlığıdır. Örneğin $b=0.01$ ve $w=0.6$ olduğunda, mevcut şehre yakın araziler daha hızlı yapılaşırken uzakta küçük uydu yerleşimler de doğabilir. Olasılığın 1’i aşmaması için $P = min(1, P)$ kullanılır.

Bu basit denklem önemli bir fikri yakalar: Kentsel alanlar altyapı, ulaşım ve hizmetlere yakınlık nedeniyle çoğunlukla mevcut yerleşimlerin çevresinde gelişir.

Python ile küçük bir simülasyon

Aşağıdaki kod, 50x50 hücrelik bir haritada Moore komşuluğunu kullanarak büyümeyi simüle eder:

import numpy as np
import matplotlib.pyplot as plt

size = 50
city = np.zeros((size, size), dtype=int)
city[24:27, 24:27] = 1  # Başlangıçtaki kent merkezi

base_probability = 0.01
neighbor_weight = 0.60

def step(grid):
    new_grid = grid.copy()

    for row in range(1, size - 1):
        for col in range(1, size - 1):
            if grid[row, col] != 0:
                continue

            neighborhood = grid[row-1:row+2, col-1:col+2]
            urban_neighbors = np.count_nonzero(neighborhood == 1)
            probability = min(1, base_probability +
                              neighbor_weight * urban_neighbors / 8)

            if np.random.random() < probability:
                new_grid[row, col] = 1

    return new_grid

for _ in range(30):
    city = step(city)

plt.imshow(city, cmap='Greys', interpolation='nearest')
plt.title('30 Adım Sonra Kentsel Yayılım')
plt.axis('off')
plt.show()

step fonksiyonu her boş araziyi inceler, kentleşmiş komşuları sayar ve hesaplanan olasılığa göre hücrenin durumunu değiştirir. Güncelleme sırasında ayrı bir kopya kullanılması kritiktir; aksi hâlde aynı turda yeni kentleşen hücreler hemen komşularını etkiler ve zaman mantığı bozulur.

Modeli daha gerçekçi yapmak

Basit modeli yükselti, yol ve koruma alanı katmanlarıyla geliştirebiliriz. Bir hücrenin toplam uygunluğu örneğin $S = 0.5N + 0.3R - 0.2E$ biçiminde hesaplanabilir. Burada $N$ komşuluk etkisini, $R$ yola yakınlığı, $E$ ise eğim maliyetini temsil eder.

Farklı parametrelerle çok sayıda deney yapmak, tek bir kesin gelecek üretmekten daha değerlidir. Çünkü model bir kehanet makinesi değil, “Bu kurallar geçerliyse ne olabilir?” sorusuna cevap veren bir düşünme laboratuvarıdır. Birkaç satırlık kodla plansız yayılımı, uydu kentleri veya koruma politikalarının etkisini karşılaştırabilir; şehirlerin karmaşık görünümünün basit yerel kararlardan nasıl doğabildiğini gözlemleyebilirsiniz.

``

Temel güven modeli: İstemciye güvenme

En önemli prensip şudur: İstemci niyet bildirir, sonucu sunucu hesaplar. Oyuncunun bilgisayarı “Rakibe 100 hasar verdim” dememeli; yalnızca “Şu yönde ateş ettim” bilgisini göndermelidir. Mermi yolu, çarpışma ve hasar sunucuda doğrulanmalıdır.

Oyuncunun azami hızı $v_{max}$, iki güncelleme arasındaki süre $\Delta t$ ise izin verilen yaklaşık hareket mesafesi şu şekilde hesaplanabilir:

Buradaki $\epsilon$, ağ gecikmesi ve kayan nokta hataları için bırakılan toleranstır. Bildirilen mesafe sürekli olarak $d_{max}$ değerini aşıyorsa hız hilesi, ışınlanma veya bozuk senkronizasyon şüphesi oluşur.

Tahmin, uzlaştırma ve gecikme telafisi

Her tuş vuruşunda sunucuyu beklemek oyunu hantallaştırır. Bu yüzden istemci, client-side prediction ile girdinin sonucunu anında gösterir. Sunucu daha sonra gerçek durumu yollar. İki durum farklıysa istemci, onaylanmamış girdileri yeniden uygulayarak server reconciliation gerçekleştirir.

Nişancı oyunlarında sunucu ayrıca geçmiş konumların kısa bir kaydını tutabilir. Ateş paketinin zamanı geldiğinde dünya, oyuncunun gecikmesine göre geçmişteki hâline döndürülür. Buna lag compensation denir. Ancak istemcinin bildirdiği zaman sınırsız kabul edilirse saldırganlar geçmişte avantajlı bir ana ateş etmiş gibi davranabilir. Bu nedenle zaman damgaları makul bir pencere içinde sınırlandırılmalıdır.

MAX_SPEED = 7.0
TOLERANCE = 0.35


def validate_movement(old_pos, new_pos, delta_time):
    distance = new_pos.distance_to(old_pos)
    allowed = MAX_SPEED * delta_time + TOLERANCE

    if distance > allowed:
        return False, "olağandışı hareket"

    return True, "geçerli"

Bu örnek tek başına kusursuz değildir; zıplama, araçlar, geri tepme ve sunucu takılması gibi durumlar için bağlamsal kurallar gerekir. Yine de sunucu tarafındaki temel doğrulama katmanını gösterir.

Hile tespit yöntemleri

Hile önleme genellikle birden fazla sinyali birleştirir:

• Kural tabanlı doğrulama: İmkânsız hız, atış sıklığı, cephane veya görüş açısı aranır.
• İstatistiksel analiz: İsabet oranı, hedef değiştirme süresi ve fare hareketleri oyuncu geçmişiyle karşılaştırılır.
• Davranışsal modeller: Aimbot benzeri araçların aşırı düzgün ya da anlık dönüşleri sınıflandırılır.
• Bütünlük kontrolleri: Oyun dosyaları ve kritik kod bölümleri imza veya özet değerleriyle denetlenir.
• Tekrar incelemesi: Şüpheli karşılaşmalar kaydedilerek otomatik ya da insan destekli değerlendirme yapılır.

Yanlış pozitiflerden kaçınmak

Tek bir anormallik yüzünden oyuncuyu yasaklamak tehlikelidir. Bunun yerine her sinyale ağırlık verilip bir risk puanı üretilebilir:

Düşük puan yalnızca kayda alınabilir, orta puan ek doğrulama başlatabilir, yüksek ve tekrarlanan puan ise inceleme kuyruğuna gönderilebilir. Böylece kötü bağlantıya sahip masum oyuncular cezalandırılmaz.

Sonuç olarak güçlü koruma; sunucu otoritesi, hareket ve eylem doğrulaması, davranış analizi, güvenli telemetri ve kontrollü yaptırımların birleşimidir. Amaç istemciyi bütünüyle kontrol etmek değil, istemciden gelen hiçbir kritik iddiayı doğrulamadan kabul etmemektir.

``

EKG sinyalinde ne görüyoruz?

Tipik bir kalp atımı P dalgası, QRS kompleksi ve T dalgasından oluşur. P dalgası kulakçıkların, QRS kompleksi karıncıkların elektriksel aktivasyonunu temsil eder. T dalgası ise karıncıkların elektriksel olarak toparlanmasıyla ilişkilidir.

R tepeleri tespit edildiğinde yaklaşık kalp hızı şöyle hesaplanabilir:

Burada $RR$ saniye cinsinden iki atım arasındaki süredir. Örneğin $RR = 0.8$ saniyeyse kalp hızı yaklaşık $75$ atım/dakikadır.

Ham sinyal neden doğrudan kullanılamaz?

EKG kayıtları kusursuz değildir. Solunum, kas hareketleri, elektrot temassızlığı ve elektrik şebekesi sinyale gürültü ekler. Bu nedenle ilk aşama genellikle ön işlemedir.

Filtreleme dengeli yapılmalıdır. Çok zayıf filtre gürültüyü bırakırken aşırı güçlü filtre tıbbi açıdan önemli dalgaları bozabilir.

Bilgisayar atımları nasıl buluyor?

Klasik yöntemler QRS kompleksinin keskinliğinden yararlanır. Sinyalin türevi alınarak hızlı değişimler belirginleştirilir, değerler karesel dönüşümden geçirilir ve hareketli pencereyle enerji hesaplanır. Ardından uyarlanabilir bir eşik, gerçek R tepelerini gürültüden ayırır.

Aşağıdaki Python örneği, filtrelenmiş bir EKG sinyalinde olası R tepelerini bulur:

from scipy.signal import find_peaks
import numpy as np

# ecg: filtrelenmiş EKG dizisi
# fs: saniyedeki örnek sayısı
minimum_distance = int(0.3 * fs)
threshold = np.mean(ecg) + 0.8 * np.std(ecg)

peaks, properties = find_peaks(
    ecg,
    distance=minimum_distance,
    height=threshold
)

rr_intervals = np.diff(peaks) / fs
heart_rates = 60 / rr_intervals

distance parametresi birbirine fizyolojik olarak fazla yakın tepelerin iki ayrı atım sayılmasını engeller. Eşik ise sinyalin ortalaması ve standart sapmasına göre belirlenir. Gerçek klinik sistemlerde ters QRS kompleksleri, farklı derivasyonlar ve değişken sinyal kalitesi de hesaba katılır.

Anormallik kararı nasıl veriliyor?

R tepeleri bulunduktan sonra R-R aralıkları, QRS genişliği, dalga şekli ve kalp hızı değişkenliği gibi özellikler çıkarılır. Örneğin R-R sürelerinin belirgin biçimde düzensiz olması bazı ritim bozukluklarıyla ilişkili olabilir. Ancak tek başına düzensizlik kesin tanı anlamına gelmez.

Modern sistemler özellik tabanlı makine öğrenmesi veya ham sinyali işleyen evrişimsel sinir ağları kullanabilir. Model, uzmanlar tarafından etiketlenmiş çok sayıda kayıt üzerinden normal ve anormal örüntüleri öğrenir. Başarı yalnızca doğrulukla değil; duyarlılık, özgüllük ve yanlış alarm oranıyla da ölçülür.

EKG analizi güçlü bir karar destek aracıdır, fakat kayıt kalitesi, hastanın yaşı, ilaçları ve klinik durumu sonucu etkiler. Bu nedenle bilgisayarın çıktısı tanı değil, uzman değerlendirmesine yardımcı olan bir uyarı olarak görülmelidir.

``

Önceden kaydedilmiş animasyon mu, prosedürel hareket mi?

Geleneksel sistemlerde sanatçı; yürüme, koşma ve zıplama gibi hareketleri önceden üretir. Oyun motoru uygun klibi seçerek kemiklere uygular. Prosedürel yaklaşımda ise kemiklerin konum ve dönüşleri; hedefler, fizik kuralları, arazi verileri ve karakterin mevcut durumu kullanılarak hesaplanır.

Bu iki yöntem rakip olmak zorunda değildir. Modern oyunlar çoğunlukla temel yürüyüş klibini oynatır, ardından ayakları zemine yerleştirmek veya karakterin başını hedefe çevirmek için prosedürel düzeltmeler uygular.

Matematiksel temel

Karakter iskeleti, birbirine bağlı dönüşümlerden oluşan bir hiyerarşidir. Bir kemiğin dünya uzayındaki dönüşümü, ebeveynlerinin dönüşümleriyle çarpılarak bulunur:

Buradaki her $T$, konum, dönüş ve ölçek bilgisi taşıyan bir dönüşüm matrisidir. El veya ayak gibi uç noktanın istenen hedefe ulaşması gerektiğinde ters kinematik (Inverse Kinematics, IK) kullanılır. İleri kinematik eklem açılarını kullanarak elin yerini bulurken ters kinematik, hedef konumdan yola çıkarak gerekli eklem açılarını arar.

İki kemikli bir bacakta kosinüs teoremi önemli bir rol oynar:

$a$ ve $b$ kemik uzunluklarını, $c$ kalça ile ayak hedefi arasındaki mesafeyi temsil eder. Buradan elde edilen $\theta$, dizin ne kadar büküleceğini belirlemeye yardım eder. Hedef erişim alanının dışındaysa sistem mesafeyi sınırlandırmalıdır; aksi hâlde bacak lastik gibi uzayabilir.

Zemine uyum sağlayan ayaklar

Basit bir ayak yerleştirme sistemi, ayağın üstünden aşağı doğru ışın göndererek zemini bulur. Çarpışma noktası ayağın hedef konumu, yüzey normali ise yaklaşık yönelimi olur.

void UpdateFoot(Transform foot, Vector3 hipPosition)
{
    Vector3 origin = foot.position + Vector3.up * 0.5f;

    if (Physics.Raycast(origin, Vector3.down, out RaycastHit hit, 1.5f))
    {
        Vector3 target = hit.point + hit.normal * 0.05f;
        foot.position = Vector3.Lerp(
            foot.position,
            target,
            Time.deltaTime * 12f
        );

        Quaternion rotation = Quaternion.FromToRotation(
            foot.up,
            hit.normal
        ) * foot.rotation;

        foot.rotation = Quaternion.Slerp(
            foot.rotation,
            rotation,
            Time.deltaTime * 10f
        );
    }
}

Bu Unity örneği zemini Raycast ile algılar, ayağı çarpışma noktasına yaklaştırır ve yüzey normaline göre döndürür. Lerp ile Slerp kullanılması ani sıçramaları azaltır. Üretim ortamında doğrudan kemik dönüşümünü değiştirmek yerine motorun IK katmanı kullanılmalı; ayrıca ayağın havada olduğu adım evresi kontrol edilmelidir.

Sistemi doğal gösteren ayrıntılar

Tamamen doğru hesaplanan hareket her zaman doğal görünmez. Karakterin ağırlık merkezi, adım ritmi ve küçük gecikmeler algıyı ciddi biçimde etkiler. Hedefler arasında yumuşak geçiş yapmak için şu karışım kullanılabilir:

Ancak sabit hızla ilerleyen $t$, robotik sonuç verebilir. Yumuşatma eğrileri, yay modelleri ve gürültü fonksiyonları harekete canlılık katar. Örneğin nefes alma için düşük frekanslı sinüs, robot anteni için Perlin gürültüsü uygulanabilir.

Prosedürel animasyon güçlüdür fakat hata ayıklaması zordur. Hedef noktalarını, ışınları ve eklem sınırlarını sahnede renkli çizgilerle göstermek büyük kolaylık sağlar. En başarılı çözüm genellikle hibrittir: Sanatçının hazırladığı güçlü pozlar temel alınır, matematik ise karakteri dünyaya bağlayan görünmez animatör olur.