Bir deprem ya da sel sırasında en kısa yol, her zaman en güvenli yol değildir. Normalde beş dakikada geçilen bir cadde yıkılmış binalar, yükselen su, yangın veya yoğun insan kalabalığı nedeniyle ölümcül hâle gelebilir. Tahliye rotası optimizasyonu; yol uzunluğunu, tehlike seviyesini, kapasiteyi ve sürekli değişen çevre koşullarını birlikte değerlendirerek insanları güvenli bölgelere yönlendirmeyi amaçlar. ``

Şehri bir graf olarak düşünmek

Algoritmik çözümün temelinde graf teorisi bulunur. Bir şehir haritası, düğümler ve kenarlardan oluşan bir graf şeklinde modellenebilir. Kavşaklar, binalar, toplanma alanları ve köprüler birer düğüm; bunları birbirine bağlayan yollar ise kenardır.

Her yolun yalnızca uzunluğu değil, afet koşullarındaki riski de hesaba katılmalıdır. Bir kenarın toplam maliyeti şu şekilde tanımlanabilir:

Burada $D(e)$ mesafeyi, $R(e)$ tehlike puanını, $T(e)$ tahmini geçiş süresini, $K(e)$ ise kalabalık veya kapasite maliyetini temsil eder. $\alpha$, $\beta$, $\gamma$ ve $\delta$ katsayıları hangi ölçütün daha önemli olduğunu belirler. Örneğin sel sırasında risk katsayısı yükseltilerek su basmış kısa yolların tercih edilmesi engellenebilir.

Hangi algoritma kullanılmalı?

Pozitif maliyetli yollar için Dijkstra algoritması, başlangıç noktasından en düşük toplam maliyetli rotayı bulabilir. A* algoritması ise hedefe olan tahmini uzaklığı sezgisel bilgi olarak kullanır ve büyük haritalarda aramayı hızlandırır. Ancak afet sırasında tek bir kişinin rotasını bulmak yeterli değildir. Binlerce kişinin aynı dar köprüye yönlendirilmesi, teoride güvenli görünen yolu pratikte kullanılamaz hâle getirebilir.

Bu nedenle çoklu tahliye problemlerinde maksimum akış, minimum maliyetli akış ve zaman bağımlı graf modelleri kullanılabilir. Yol kapasitesi doldukça maliyetin yükseltilmesi, algoritmanın insanları farklı güzergâhlara dağıtmasını sağlar.

Aşağıdaki Python örneği, tehlike puanını ve mesafeyi birleştirerek güvenli rotayı hesaplar:

import networkx as nx

G = nx.Graph()

# Mesafe kilometre, risk ise 0 ile 10 arasındadır.
yollar = [
    ("A", "B", 2.0, 1),
    ("B", "D", 2.5, 8),  # Hasarlı köprü
    ("A", "C", 3.0, 2),
    ("C", "D", 3.0, 1),
]

for baslangic, bitis, mesafe, risk in yollar:
    maliyet = mesafe + 4 * risk
    G.add_edge(baslangic, bitis, weight=maliyet)

rota = nx.shortest_path(G, "A", "D", weight="weight")
toplam = nx.shortest_path_length(G, "A", "D", weight="weight")

print("Güvenli rota:", " -> ".join(rota))
print("Toplam maliyet:", toplam)

Kodda risk, mesafeden dört kat daha etkili olacak biçimde ağırlıklandırılmıştır. Böylece kısa olmasına rağmen hasarlı köprüden geçen A-B-D rotası yerine daha uzun fakat güvenli A-C-D rotası seçilebilir.

Dinamik veriler neden önemlidir?

Afet haritaları sabit değildir. Deprem artçıları yeni yolları kapatabilir; sel suyu birkaç dakika içinde yükselebilir. Sensörler, uydu görüntüleri, dronlar, belediye verileri ve vatandaş bildirimleri grafın kenar maliyetlerini gerçek zamanlı güncelleyebilir. Bir yol kapanırsa kenar silinir; risk artarsa maliyeti yükseltilir ve rota yeniden hesaplanır.

Yine de sistem yalnızca algoritmadan ibaret değildir. Hatalı sensör verileri doğrulanmalı, internet kesintisine karşı çevrimdışı haritalar hazırlanmalı ve engelli bireyler için erişilebilir rotalar üretilmelidir. Başarılı bir tahliye sistemi, matematiksel olarak iyi bir yol bulmanın yanında belirsizliğe dayanıklı, anlaşılır ve adil olmalıdır. Çünkü afet anında algoritmanın gerçek başarısı birkaç saniye kazanmak değil, mümkün olduğunca çok insanı güvenle hedefe ulaştırmaktır.

``

Akıllı ev cihazları hangi verileri toplar?

Bir cihazın topladığı veri, sunduğu özellikle doğrudan ilişkilidir. Akıllı termostat sıcaklık tercihlerini öğrenirken robot süpürge evin haritasını çıkarabilir. Kapı sensörleri ise evde bulunulan saatlerin tahmin edilmesine yardımcı olabilir. Tek başına önemsiz görünen bu kayıtlar birleştirildiğinde ayrıntılı bir davranış profili ortaya çıkar.

Mahremiyet riski basitçe şu modelle düşünülebilir:

Burada $P$ saldırının gerçekleşme olasılığını, $E$ açığa çıkacak verinin miktarını, $V$ ise verinin hassasiyetini temsil eder. Çok güçlü şifrelenen bir sistemde $P$ azalır; cihaz gereksiz veri toplamıyorsa $E$ küçülür. Sağlık veya kamera verileri söz konusu olduğunda ise $V$ doğal olarak yüksektir.

Veriler nasıl kötüye kullanılabilir?

En yaygın tehlikelerden biri varsayılan parolaların değiştirilmemesidir. Saldırganlar internete açık cihazları tarayarak bilinen kullanıcı adı ve parola kombinasyonlarını deneyebilir. Güncellenmeyen yazılımlar, güvensiz bulut servisleri ve şifrelenmemiş bağlantılar da diğer giriş kapılarıdır.

Tehlike her zaman dışarıdan gelmez. Üretici firmalar kullanım verilerini reklam, analiz veya ürün geliştirme amacıyla üçüncü taraflarla paylaşabilir. Kullanıcı sözleşmesindeki belirsiz ifadeler, teknik olarak izin verilmiş fakat kullanıcı açısından beklenmeyen veri kullanımlarına yol açabilir.

Temel koruma katmanları

Güvenli bir akıllı ev, tek bir sihirli ayar yerine katmanlı savunma yaklaşımıyla kurulur.

1. Varsayılan parolaları değiştirin: Her cihaz için uzun ve benzersiz parola kullanın.
2. Çok faktörlü doğrulamayı açın: Hesap parolası sızsa bile ikinci bir kontrol katmanı oluşturur.
3. Cihazları ayrı ağa alın: IoT cihazlarını bilgisayar ve telefonlardan ayıran misafir ağı veya VLAN kullanın.
4. Güncellemeleri izleyin: Otomatik güncellemeyi açın; desteği sona ermiş cihazları değiştirin.
5. Gereksiz özellikleri kapatın: Kullanılmayan mikrofonu, uzaktan erişimi ve konum takibini devre dışı bırakın.
6. Gizlilik politikasını okuyun: Verinin nerede saklandığını ve nasıl silinebildiğini kontrol edin.

Ağınızdaki cihazları kontrol edin

Teknik kullanıcılar, yönlendirici kayıtlarını incelemenin yanında yerel ağdaki aktif cihazları Python ile listeleyebilir. Aşağıdaki örnek, sistemdeki ARP tablosunu göstererek ağa yakın zamanda bağlanmış cihazların IP ve MAC adreslerini görmeye yardımcı olur:

import subprocess

result = subprocess.run(
    ["arp", "-a"],
    capture_output=True,
    text=True,
    check=True
)

print("Ağda görülen cihazlar:")
print(result.stdout)

Bu kod bir güvenlik tarayıcısı değildir; yalnızca envanter çıkarmanın basit başlangıcıdır. Tanımadığınız bir cihaz görürseniz yönlendirici panelinden bağlantıyı engelleyebilir ve Wi-Fi parolanızı yenileyebilirsiniz.

Sonuç olarak akıllı ev güvenliği, cihaz satın alınırken başlamalıdır. Düzenli güncelleme sunan, açık gizlilik politikası bulunan ve yerel veri işleme seçenekleri sağlayan üreticiler tercih edilmelidir. Evinizi akıllandırırken temel ilke şu olmalı: Toplanmayan veri sızdırılamaz, erişilemeyen cihaz kolayca ele geçirilemez.

``

Akıllı sözleşme nedir?

Akıllı sözleşme, belirli koşullar gerçekleştiğinde önceden tanımlanmış işlemleri otomatik olarak yürüten blokzincir tabanlı bir programdır. Geleneksel sözleşmeler hukuki metinlerle “ne yapılacağını” söylerken akıllı sözleşmeler, uygun şartlar oluştuğunda işlemi doğrudan gerçekleştirir.

Temel mantık oldukça tanıdıktır:

Eğer X koşulu gerçekleşirse Y işlemini yap.

Örneğin bir borçlu, ödeme tarihine kadar gerekli tutarı gönderirse sistem borcu kapatabilir ve teminatı serbest bırakabilir. İşlem kayıtları blokzincire yazıldığı için tarafların aynı veri üzerinde uzlaşması kolaylaşır.

Basit bir kredinin toplam geri ödemesi şöyle modellenebilir:

Burada $A$ anapara, $r$ faiz oranı, $t$ süre ve $G$ toplam geri ödemedir. Akıllı sözleşme bu hesabı yalnızca göstermekle kalmaz; ödeme geldiğinde bakiyeleri kurallara göre değiştirebilir.

Geleneksel bankacılık ile karşılaştırma

Bu tablo, bankaların tamamen ortadan kalkacağı anlamına gelmez. Bankalar kimlik doğrulama, mevzuata uyum, risk değerlendirmesi ve müşteri desteği gibi görevleri sürdürürken operasyonlarının bir bölümünü akıllı sözleşmelere devredebilir.

Kodla çalışan küçük bir emanet hesabı

Aşağıdaki Solidity örneği, alıcının parasını teslim koşulu gerçekleşene kadar sözleşmede tutar:

// SPDX-License-Identifier: MIT
pragma solidity ^0.8.20;

contract Emanet {
    address public alici;
    address payable public satici;
    bool public tamamlandi;

    constructor(address payable _satici) payable {
        alici = msg.sender;
        satici = _satici;
    }

    function teslimiOnayla() external {
        require(msg.sender == alici, "Yalnizca alici onaylayabilir");
        require(!tamamlandi, "Islem zaten tamamlandi");

        tamamlandi = true;
        satici.transfer(address(this).balance);
    }
}

Kurucu fonksiyona gönderilen para sözleşmede kilitlenir. teslimiOnayla çağrıldığında önce çağrıyı yapan kişinin alıcı olup olmadığı kontrol edilir; ardından bakiye satıcıya aktarılır. Böylece basit bir emanet hizmetinin temel davranışı kodlanmış olur. Gerçek kullanımda iade süresi, anlaşmazlık çözümü ve güvenlik kontrolleri de eklenmelidir.

Finans dünyasında olası kullanım alanları

Akıllı sözleşmeler; otomatik kredi ödemeleri, sigorta tazminatları, uluslararası para transferleri, menkul kıymet takası ve dijital varlık yönetiminde kullanılabilir. Örneğin uçuş gecikme verisini güvenilir bir kaynaktan alan sigorta sözleşmesi, koşul sağlandığında müşteriye otomatik ödeme yapabilir.

Ancak blokzincir dışındaki bilgileri sisteme taşıyan oracle servisleri kritik bir risk oluşturur. Kod doğru olsa bile yanlış fiyat veya olay verisi, yanlış ödeme üretebilir. Ayrıca yazılım açıkları, özel anahtar kaybı, ağ ücretleri ve değişen düzenlemeler dikkatle yönetilmelidir.

Bankasız değil, programlanabilir bankacılık

Akıllı sözleşmelerin en güçlü etkisi bankaları yok etmekten çok finansal süreçleri programlanabilir hâle getirmektir. Mutabakat ve ödeme gibi tekrarlı işlemler otomatikleşirken kurumlar denetim, güvenlik ve müşteri ilişkilerine odaklanabilir. Geleceğin bankası muhtemelen yalnızca kasalar ve hesaplardan değil; denetlenmiş kodlardan, güvenilir veri kaynaklarından ve hukuki kurallarla uyumlu dijital protokollerden oluşacaktır.

``

Temel çalışma mantığı

Bir işlem algoritması genellikle dört aşamadan oluşur: veri toplama, sinyal üretme, risk kontrolü ve emir yürütme. Sistem önce fiyat, işlem hacmi, emir defteri veya ekonomik gösterge gibi verileri alır. Ardından bu verilerden alım ya da satım sinyali çıkarır. Risk motoru pozisyon büyüklüğünü sınırlar; yürütme katmanı ise emri borsaya iletir.

Basit bir hareketli ortalama stratejisinde kısa dönem ortalaması uzun dönem ortalamasını geçtiğinde alım sinyali üretilebilir:

Burada $P_t$ ilgili zamandaki fiyatı, $n$ ise incelenen dönem sayısını gösterir. Örneğin $SMA_{10} > SMA_{50}$ olduğunda algoritma yükseliş eğilimi varsayabilir. Ancak bu yalnızca bir hipotezdir; kesin kazanç garantisi değildir.

Sinyalden gerçek emre

Doğru sinyal üretmek tek başına yeterli değildir. Algoritma piyasa emri verdiğinde hızlı gerçekleşme elde eder, fakat beklenenden kötü bir fiyatla karşılaşabilir. Limit emri fiyatı kontrol eder, ancak hiç gerçekleşmeyebilir. Büyük emirler de piyasayı hareket ettirebilir. Bu nedenle bazı sistemler emri küçük parçalara ayırarak zamana yayar.

Gerçekleşme fiyatı ile karar anındaki beklenen fiyat arasındaki fark kayma olarak adlandırılır. Yaklaşık işlem sonucu şöyle modellenebilir:

Kâğıt üzerinde başarılı görünen pek çok strateji, bu maliyetler eklendiğinde cazibesini kaybeder.

Küçük bir Python örneği

Aşağıdaki kod, kısa ve uzun hareketli ortalamaları karşılaştırarak örnek sinyal üretir. Gerçek para ile emir göndermez; yalnızca stratejinin karar katmanını gösterir.

import pandas as pd

def sinyal_uret(fiyatlar: pd.Series) -> pd.DataFrame:
    sonuc = pd.DataFrame({"fiyat": fiyatlar})
    sonuc["kisa_ortalama"] = fiyatlar.rolling(10).mean()
    sonuc["uzun_ortalama"] = fiyatlar.rolling(50).mean()

    sonuc["sinyal"] = 0
    sonuc.loc[
        sonuc["kisa_ortalama"] > sonuc["uzun_ortalama"], "sinyal"
    ] = 1
    sonuc.loc[
        sonuc["kisa_ortalama"] < sonuc["uzun_ortalama"], "sinyal"
    ] = -1

    return sonuc

Burada 1 alım yönünü, -1 satış yönünü, 0 ise kararsız durumu temsil eder. Üretim ortamında veri eksikliği, bağlantı kopması, tekrar gönderilen emirler ve borsa reddi gibi durumlar ayrıca yönetilmelidir.

Backtest neden yeterli değildir?

Backtest, stratejiyi geçmiş veriler üzerinde çalıştırır. Fakat geçmişte iyi görünen sonuçlar aşırı uyumdan kaynaklanabilir. Algoritma piyasa davranışını değil, veri setindeki tesadüfleri ezberlemiş olabilir.

Risk yönetiminde maksimum pozisyon, günlük zarar limiti ve acil durdurma mekanizması bulunmalıdır. Sharpe oranı gibi ölçüler de getiri ile oynaklığı birlikte değerlendirir:

Sonuç olarak algoritmik işlem; finans, istatistik, yazılım mühendisliği ve operasyon disiplininin birleşimidir. En iyi algoritma en karmaşık olan değil, varsayımları anlaşılır, maliyetleri gerçekçi ve risk sınırları açık olandır. Kod hızlı olabilir; fakat kontrolsüz risk ondan da hızlıdır. Bu içerik yatırım tavsiyesi değil, teknolojik sürecin eğitim amaçlı açıklamasıdır.

Bir tedavinin işe yarayıp yaramayacağını hastaya uygulamadan önce görebildiğimizi düşünün. Dijital ikiz teknolojisi, bir organın veya fizyolojik sistemin verilerle beslenen sanal bir kopyasını oluşturarak bu fikri gerçeğe yaklaştırıyor. Böylece farklı ilaç dozları, cerrahi yaklaşımlar ya da yaşam tarzı değişiklikleri bilgisayar ortamında sınanabiliyor. Kısacası doktorlar, gerçek hastaya dokunmadan önce onun dijital benzeri üzerinde güvenli bir prova yapabiliyor. ``

Dijital ikiz tam olarak nedir?

Dijital ikiz, yalnızca üç boyutlu bir organ modeli değildir. Anatomik yapının yanında kan akışı, elektriksel aktivite, metabolizma ve ilaçlara verilen tepki gibi dinamik süreçleri de temsil eder. Manyetik rezonans görüntüleri, bilgisayarlı tomografi, laboratuvar sonuçları, genetik veriler ve giyilebilir sensör ölçümleri ortak bir modelde birleştirilebilir.

Modelin temelinde matematiksel denklemler bulunur. Örneğin kandaki ilaç yoğunluğunun zamanla değişimi basitleştirilmiş olarak şöyle gösterilebilir:

Burada $C$ ilaç konsantrasyonunu, $D$ uygulanan dozu, $V$ dağılım hacmini ve $k$ ilacın vücuttan uzaklaştırılma hızını temsil eder. Hastaya özgü böbrek fonksiyonu veya vücut ağırlığı değiştiğinde bu parametreler güncellenir. Böylece aynı ilacın iki kişide neden farklı sonuçlar doğurabileceği simüle edilir.

Sanal hasta nasıl oluşturulur?

Süreç genellikle dört aşamada ilerler:

1. Veri toplama: Görüntüleme, tahlil, sensör ve hasta geçmişi verileri alınır.
2. Model kurma: Organın geometrisi çıkarılır ve fizyolojik kurallar modele eklenir.
3. Kalibrasyon: Simülasyon sonuçları hastanın gerçek ölçümleriyle karşılaştırılır.
4. Senaryo denemeleri: Farklı dozlar ve tedavi seçenekleri sanal ortamda test edilir.

Basitleştirilmiş bir doz simülasyonu

Aşağıdaki Python örneği, farklı dozların kandaki tahmini ilaç yoğunluğunu nasıl değiştirdiğini hesaplar. Gerçek klinik modeller çok daha karmaşıktır; bu kod yalnızca temel mantığı gösterir.

import math

def konsantrasyon(doz, hacim, atilim_hizi, saat):
    # Tek doz sonrası üstel azalmayı yaklaşık olarak hesaplar.
    baslangic = doz / hacim
    return baslangic * math.exp(-atilim_hizi * saat)

hasta = {
    "dagilim_hacmi": 42,
    "atilim_hizi": 0.12
}

for doz in [50, 100, 150]:
    sonuc = konsantrasyon(
        doz,
        hasta["dagilim_hacmi"],
        hasta["atilim_hizi"],
        saat=8
    )
    print(f"{doz} mg için 8. saat: {sonuc:.2f} mg/L")

Bu simülasyonda dağılım hacmi ve atılım hızı hastaya göre değiştirilerek kişiselleştirme yapılır. Ardından sonuçlar, hedeflenen güvenli konsantrasyon aralığıyla karşılaştırılabilir. Ancak model çıktısı tek başına tedavi kararı değildir; doktor değerlendirmesi ve klinik kanıt gerekir.

Nerelerde kullanılabilir?

Kalbin dijital ikizi, ritim bozukluğunda elektrotların en uygun konumunu araştırabilir. Tümör modelleri, radyoterapi dozunun sağlıklı dokuya etkisini tahmin edebilir. Akciğer ikizleri ventilatör ayarlarını, damar modelleri ise stent yerleşimini değerlendirebilir. Sürekli sensör verisi geldiğinde ikiz de güncellenir; yani statik bir fotoğraf değil, hastayla birlikte değişen dijital bir yol arkadaşıdır.

Güçlü fakat kusursuz değil

Eksik veri, hatalı sensörler ve aşırı basitleştirilmiş biyolojik varsayımlar güvenilmez sonuçlar üretebilir. Ayrıca sağlık verilerinin mahremiyeti, algoritmik önyargı ve modelin kararından kimin sorumlu olacağı önemli tartışma alanlarıdır. Bu nedenle dijital ikizler doktorların yerini alan makineler olarak değil, kararlarını sayısal deneylerle destekleyen araçlar olarak görülmelidir.

Gelecekte daha hızlı hesaplama, gelişmiş yapay zekâ ve standartlaştırılmış sağlık verileri sayesinde kişiye özel sanal denemeler yaygınlaşabilir. Belki de reçete yazılmadan önce dijital ikizimiz kısa bir prova yapacak; fakat son sözü yine klinik uzmanlık, etik ilkeler ve gerçek dünya kanıtları söyleyecek.

``

Finansal zaman serisi nedir?

Bir varlığın belirli zamanlarda ölçülen fiyatları bir zaman serisi oluşturur:

Burada $P_t$, varlığın $t$ anındaki fiyatıdır. Fakat doğrudan fiyatları modellemek çoğu zaman yanıltıcıdır. Fiyat serileri genellikle durağan değildir; ortalamaları ve oynaklıkları zamanla değişebilir. Bu nedenle analistler çoğunlukla getiri kullanır:

Logaritmik getiri ise farklı dönemleri toplamayı kolaylaştırır:

Örneğin fiyat 100’den 103’e çıkarsa basit getiri yaklaşık yüzde 3’tür. Bilgisayar açısından asıl soru şudur: Önceki getiriler, sıradaki getiri hakkında anlamlı bilgi taşıyor mu?

Bilgisayar hangi sinyalleri arar?

Algoritmalar trend, momentum, mevsimsellik, işlem hacmi ve oynaklık gibi özellikleri araştırabilir. Ancak bulunan her ilişki gerçek bir ekonomik mekanizma değildir. Bazen model, verideki rastlantısal gürültüyü öğrenir; buna aşırı öğrenme denir.

Basit bir hareketli ortalama, son $n$ fiyatın ortalamasıdır:

Kısa dönemli ortalama uzun dönemli ortalamayı geçtiğinde yükseliş sinyali üretilebilir. Ne var ki bu, geleceğin kesin yükseleceği anlamına gelmez; yalnızca geçmiş hareketin belirli bir özetidir.

Python ile küçük bir deney

Aşağıdaki kod fiyatlardan getiri üretir, beş günlük hareketli ortalamayı hesaplar ve bir sonraki günün yönünü tahmin etmek için lojistik regresyon kullanır:

import pandas as pd
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import accuracy_score

# CSV dosyasında Date ve Close sütunları bulunduğunu varsayıyoruz.
df = pd.read_csv("prices.csv", parse_dates=["Date"])
df = df.sort_values("Date")

df["return"] = df["Close"].pct_change()
df["ma5"] = df["Close"].rolling(5).mean()
df["distance"] = df["Close"] / df["ma5"] - 1
df["target"] = (df["return"].shift(-1) > 0).astype(int)
df = df.dropna()

split = int(len(df) * 0.8)
train, test = df.iloc[:split], df.iloc[split:]

features = ["return", "distance"]
model = LogisticRegression()
model.fit(train[features], train["target"])

prediction = model.predict(test[features])
print("Doğruluk:", accuracy_score(test["target"], prediction))

Buradaki kronolojik ayırma kritik önemdedir. Veriyi rastgele karıştırmak, gelecekteki bilgilerin eğitim kümesine sızmasına yol açabilir. Bu durum modelin gerçekte sahip olamayacağı bir avantaj kazanmasıdır.

Tahmin başarısı nasıl değerlendirilir?

Yüzde 52 doğruluk ilk bakışta etkileyici görünmeyebilir; ancak işlem maliyetleri düşükse değerli olabilir. Tersine, yüzde 60 doğruluk yüksek komisyonlar ve büyük kayıplar nedeniyle zararla sonuçlanabilir. Bu yüzden doğruluğun yanında getiri, maksimum düşüş, Sharpe oranı ve işlem maliyetleri incelenmelidir.

Bilgisayar geçmişten olasılıksal ilişkiler öğrenebilir; fakat savaşlar, düzenlemeler, şirket haberleri ve yatırımcı psikolojisindeki kırılmalar geçmişte bulunmayabilir. En iyi yaklaşım, modeli bir kâhin değil, belirsizlik altında karar vermeye yardımcı olan ölçüm aracı olarak görmektir. Finansal tahminin asıl başarısı geleceği kusursuz bilmekten değil, yanlış çıkıldığında riski yönetebilmekten gelir.

Bir oyuna her başladığınızda dağların yer değiştirdiğini, koridorların başka yönlere uzandığını ve hazinelerin hiç beklemediğiniz köşelerde belirdiğini düşünün. Prosedürel üretim, içerikleri geliştiricinin tek tek tasarlaması yerine belirli kurallar ve algoritmalar yardımıyla oluşturan tekniktir. Böylece küçük bir kod parçası, keşfedilecek binlerce farklı dünya üretebilir.

``

Rastgelelik Aslında Ne Kadar Rastgele?

Bilgisayarlar çoğunlukla gerçek anlamda rastgele davranmaz. Bunun yerine sözde rastgele sayı üreteci (PRNG) kullanırlar. Üretece verilen başlangıç değerine seed, yani tohum denir. Aynı algoritma ve aynı tohum kullanıldığında aynı sayı dizisi, dolayısıyla aynı dünya ortaya çıkar.

Bunu basitçe şöyle ifade edebiliriz:

Bu doğrusal eşlik üreteci formülünde $x_n$ mevcut sayı, $a$ çarpan, $c$ artış ve $m$ mod değeridir. İlk $x_0$ değeri ise tohumdur. Bir oyuncu arkadaşına yalnızca 4271 tohumunu göndererek aynı zindanı ziyaret etmesini sağlayabilir. Kısacası seed, koskoca dünyanın sıkıştırılmış adresi gibidir.

Zindanlar Nasıl Kurulur?

En temel yaklaşım, haritayı duvarlarla doldurup rastgele odalar açmak ve bu odaları koridorlarla bağlamaktır. Ancak tamamen rastgele seçim yapmak; ulaşılamayan odalar, anlamsız geçitler veya kapının arkasında duvar gibi komik sonuçlar doğurabilir. Bu nedenle üretim, doğrulama kurallarıyla birlikte çalışmalıdır.

BSP yönteminde harita dikdörtgen bölgelere tekrar tekrar ayrılır. Her yaprak bölgeye bir oda yerleştirilir ve kardeş bölgeler koridorlarla bağlanır. Hücresel otomatta ise her karo, komşularının durumuna göre duvar veya zemin olur. Örneğin bir karonun çevresinde beşten fazla duvar varsa sonraki adımda onun da duvara dönüşmesi mağara benzeri kümeler üretir.

Küçük Bir Oda Üreticisi

Aşağıdaki Python örneği, sabit bir tohumla çakışmayan dikdörtgen odalar yerleştirir:

import random

WIDTH, HEIGHT = 40, 20
random.seed(4271)
rooms = []

def overlaps(candidate):
    x, y, w, h = candidate
    for rx, ry, rw, rh in rooms:
        separated = (x + w < rx or rx + rw < x or
                     y + h < ry or ry + rh < y)
        if not separated:
            return True
    return False

for _ in range(30):
    w, h = random.randint(4, 9), random.randint(3, 6)
    x = random.randint(1, WIDTH - w - 1)
    y = random.randint(1, HEIGHT - h - 1)
    candidate = (x, y, w, h)
    if not overlaps(candidate):
        rooms.append(candidate)

print(f"Üretilen oda sayısı: {len(rooms)}")

Kod, otuz yerleştirme denemesi yapar. overlaps fonksiyonu yeni odanın mevcut odalarla kesişip kesişmediğini denetler. Bu yalnızca ilk adımdır; odaların merkezlerini hesaplayıp en yakın komşuları koridorlarla birleştirmek, zindanı gerçekten oynanabilir hâle getirir.

Eğlenceyi Algoritmaya Bırakmamak

Prosedürel üretimin hedefi yalnızca çeşitlilik değildir. Bir seviyenin kalitesi kabaca şu dengeyle düşünülebilir:

Burada $V$ çeşitlilik, $O$ oynanabilirlik ve $F$ adaletsizliktir. Katsayılar oyunun önceliklerini temsil eder. Her harita farklı olsa bile oyuncu çıkışa ulaşamıyorsa algoritma görevini başaramamıştır.

Bu nedenle üretilen içerik; bağlantılılık, zorluk, kaynak dağılımı ve başlangıç güvenliği bakımından test edilmelidir. Başarılı sistemler insan tasarımını ortadan kaldırmaz; tasarımcının kurallarını çoğaltır. Algoritma zarları atar, fakat zarların hangi masada ve hangi kurallarla atılacağına hâlâ geliştirici karar verir.

``

Randomizasyon neden önemlidir?

Randomize kontrollü çalışmada katılımcılar genellikle yeni tedavi ve kontrol gruplarına rastgele atanır. Randomizasyonun amacı yaş, hastalık şiddeti ve yaşam tarzı gibi sonucu etkileyebilecek özellikleri gruplar arasında dengelemektir. Böylece gözlenen farkın tedaviden kaynaklandığı iddiası daha güvenilir hâle gelir.

Basit bir sürekli sonuç için tedavi etkisi şöyle ifade edilebilir:

Burada $\Delta$, iki grubun ortalama sonuçları arasındaki farktır. Örneğin düşük skorun daha iyi olduğu bir ağrı ölçeğinde negatif bir $\Delta$, yeni tedavinin lehine olabilir. Bununla birlikte etki büyüklüğü tek başına yeterli değildir; belirsizliği göstermek için güven aralığı da raporlanmalıdır:

Güven aralığı hem etkinin olası yönünü hem de klinik açıdan anlamlı değerlerle uyumunu değerlendirmeye yardımcı olur.

Hangi yazılım ne sunar?

Araç seçimi yalnızca popülerliğe göre yapılmamalıdır. Düzenleyici gereksinimler, ekibin deneyimi, denetlenebilirlik ve analizlerin yeniden üretilebilmesi birlikte değerlendirilmelidir.

R ile örnek etkinlik analizi

Aşağıdaki örnekte sonuc değişkeninin yüksek olması daha iyi klinik sonucu temsil etsin. Kod, grupları özetler ve bağımsız iki örneklem t-testi uygular:

library(dplyr)

veri <- read.csv("klinik_deney.csv")

veri %>%
  group_by(grup) %>%
  summarise(
    katilimci = n(),
    ortalama = mean(sonuc, na.rm = TRUE),
    standart_sapma = sd(sonuc, na.rm = TRUE)
  )

model <- t.test(sonuc ~ grup, data = veri)
print(model)

Özet tablo her gruptaki katılımcı sayısını, ortalamayı ve değişkenliği gösterir. t.test() ise ortalama farkına ilişkin hipotez testini ve güven aralığını üretir. Fakat normal dağılım, bağımsızlık ve aykırı değerler gibi varsayımlar kontrol edilmeden sonuçlara güvenilmemelidir.

ITT, eksik veri ve güvenlik

Birincil analiz çoğunlukla tedavi niyetine göre analiz (ITT) yaklaşımını izler: Katılımcılar, tedaviyi tamamlamasalar bile randomize edildikleri grupta değerlendirilir. Bu yaklaşım randomizasyonun sağladığı dengeyi korur. Eksik sonuçların silinmesi ise yanlılığa yol açabileceğinden çoklu atama veya karma etkili modeller gibi yöntemler önceden hazırlanmış analiz planında tanımlanmalıdır.

Etkinlik kadar advers olaylar, tedaviyi bırakma oranları ve ciddi güvenlik sinyalleri de incelenir. Sonuç olarak iyi bir klinik analiz; doğru yazılım, önceden kayıtlı hipotezler, şeffaf kod, uygun istatistiksel model ve klinik uzmanlığın ortak ürünüdür. Bilgisayar hesabı hızlandırır, fakat bilimsel muhakemenin yerini alamaz.

``

Radyo teleskop gerçekte ne kaydeder?

Bir radyo teleskop, belirli zamanlarda ölçülen elektriksel gerilim örnekleri üretir. Ham zaman serisini kabaca şöyle modelleyebiliriz:

Burada $s(t)$ aradığımız göksel sinyal, $n(t)$ doğal ve elektronik gürültü, $r(t)$ ise radyo frekansı girişimidir (RFI). Cep telefonu baz istasyonları, GPS uyduları ve radar sistemleri RFI oluşturabilir. İşin eğlenceli kısmı şudur: İlk bakışta “uzaylı mesajı” gibi görünen güçlü bir çizgi, yakındaki bir cihazın paraziti çıkabilir.

Sinyalin gücünü değerlendirmek için sinyal-gürültü oranı kullanılır:

SNR yükseldikçe algılama kolaylaşır; ancak zayıf bir sinyal, uzun süre gözlemlenip örnekler birleştirilerek görünür hâle getirilebilir.

Zaman alanından frekans alanına

Ham örneklerde düzen görmek zordur. Bu nedenle Hızlı Fourier Dönüşümü (FFT), sinyali zaman alanından frekans alanına taşır. Sonuç çoğunlukla zaman, frekans ve güç eksenlerinden oluşan bir spektrogram olarak incelenir.

Uzak bir verici tek frekansta yayın yapsa bile gezegenlerin dönmesi ve yörünge hareketleri Doppler kaymasına yol açar. Gözlenen frekans yaklaşık olarak

biçiminde değişir. Burada $v$ göreli radyal hız, $c$ ışık hızıdır. Spektrogramda bu etki düz bir çizgi yerine eğimli bir iz oluşturabilir.

Basit bir dar bant sinyali arama

Aşağıdaki Python örneği, gürültülü bir zaman serisinin spektrumunu hesaplar ve en güçlü frekans bileşenini bulur:

import numpy as np

ornekleme_hizi = 4096
sure = 2
t = np.arange(ornekleme_hizi * sure) / ornekleme_hizi

# 730 Hz yapay sinyali beyaz gürültü içine saklıyoruz.
veri = 0.25 * np.sin(2 * np.pi * 730 * t)
veri += np.random.normal(0, 1, len(t))

# Pencereleme, spektral sızıntıyı azaltır.
pencere = np.hanning(len(veri))
spektrum = np.abs(np.fft.rfft(veri * pencere)) ** 2
frekanslar = np.fft.rfftfreq(len(veri), 1 / ornekleme_hizi)

tepe = np.argmax(spektrum[1:]) + 1
print(f"Aday frekans: {frekanslar[tepe]:.2f} Hz")

Bu yöntem öğretici olsa da gerçek gözlemlerde milyonlarca frekans kanalı ve saatlerce kayıt bulunur. Ayrıca tek bir güçlü tepe, keşif ilan etmek için kesinlikle yeterli değildir.

Bir sinyal ne zaman aday olur?

SETI işlem hatları adayları çeşitli testlerden geçirir:

1. Sinyal teleskop gökyüzünden ayrıldığında kaybolmalı, hedefe dönüldüğünde tekrar görünmelidir.
2. Aynı sinyal farklı yönlerde eşzamanlı görülüyorsa muhtemelen yerel RFI’dır.
3. Doppler sürüklenmesi fiziksel olarak makul olmalıdır.
4. Bağımsız teleskopların doğrulaması aranmalıdır.
5. Tekrarlanabilirlik, tek seferlik heyecandan daha değerlidir.

Makine öğrenmesi de spektrogram görüntülerini sınıflandırmak ve alışılmadık örüntüleri sıralamak için kullanılabilir. Fakat model, eğitim verisindeki insan yapımı parazitleri öğrenip önyargılı sonuçlar üretebilir. Bu yüzden otomasyon adayları azaltır; nihai bilimsel yorumun yerini almaz.

SETI, sabır ile istatistiğin buluştuğu bir alandır. Anlamlı bir sinyal bulunmasa bile geliştirilen FFT, filtreleme, anomali tespiti ve büyük veri teknikleri astronomiden haberleşmeye kadar pek çok alana katkı sağlar. Kozmik samanlık çok büyük olabilir; fakat arama araçlarımız her geçen gün daha keskin hâle geliyor.

``

Segmentasyon neden gereklidir?

Segmentasyon, görüntüdeki her pikselin hücreye mi yoksa arka plana mı ait olduğuna karar verme işlemidir. Gri tonlu bir görüntü matematiksel olarak $I(x,y)$ yoğunluk fonksiyonuyla temsil edilebilir. En basit yaklaşımda bir eşik değeri $T$ seçilir:

Burada $M$, ikili hücre maskesidir. Kan hücreleri arka plandan daha koyu görünüyorsa eşikten küçük pikseller hücre kabul edilir. Ancak sabit eşik, düzensiz aydınlatmada başarısız olabilir. Otsu yöntemi, sınıf içi varyansı küçülten eşiği otomatik seçer; adaptif eşikleme ise görüntünün farklı bölgeleri için farklı eşikler hesaplar.

İşlem hattı nasıl çalışır?

Tipik bir hücre sayım sistemi şu adımları izler:

1. Ön işleme: Görüntü yeniden boyutlandırılır, gri tona çevrilir ve Gauss filtresiyle gürültü azaltılır.
2. Segmentasyon: Otsu, adaptif eşikleme veya renk uzayı analiziyle hücre maskesi üretilir.
3. Morfolojik düzeltme: Açma işlemi küçük lekeleri temizler; kapama işlemi hücre içindeki boşlukları doldurur.
4. Hücreleri ayırma: Birbirine temas eden hücreler distance transform ve watershed algoritmasıyla ayrılır.
5. Sayım: Bağlı bileşenler veya konturlar bulunur; alanı makul aralıkta olan nesneler hücre kabul edilir.

İkili maskede hücre alanı, hücreye ait piksellerin toplamıdır:

Bir konturun alanı $A$, çevresi $P$ ise dairesellik $C=\frac{4\pi A}{P^2}$ ile ölçülebilir. Kusursuz çemberde $C=1$ olur. Böylece uzun çizikler veya boya kalıntıları hücrelerden ayrılabilir.

Python ve OpenCV ile örnek sayım

Aşağıdaki kod, hücreleri koyu nesneler olarak kabul eder. Gürültüyü temizler, dış konturları bulur ve çok küçük parçaları sayım dışında bırakır:

import cv2
import numpy as np

image = cv2.imread("kan_ornegi.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)

# Koyu hücreleri beyaz maskeye dönüştürür.
_, mask = cv2.threshold(
    blurred, 0, 255,
    cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU
)

# Küçük gürültüleri morfolojik açma ile temizler.
kernel = np.ones((3, 3), np.uint8)
mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=2)

contours, _ = cv2.findContours(
    mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
)

cells = []
for contour in contours:
    area = cv2.contourArea(contour)
    if 150 < area < 5000:
        cells.append(contour)
        cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)

print(f"Tahmini hücre sayısı: {len(cells)}")
cv2.imwrite("sonuc.jpg", image)

Alan sınırları mikroskobun büyütmesine ve görüntü çözünürlüğüne göre kalibre edilmelidir. Sabit 150 değeri her laboratuvar görüntüsünde sihirli biçimde çalışmaz; ne yazık ki algoritmaların da mikroskop ayarı vardır!

Üst üste binen hücreler ve doğrulama

Basit kontur sayımı, temas eden üç hücreyi tek nesne sanabilir. Watershed yaklaşımı, distance transform üzerindeki yerel tepeleri hücre merkezleri olarak kullanıp birleşik bölgeleri ayırır. Daha karmaşık örneklerde U-Net veya Mask R-CNN gibi modeller, piksel düzeyinde segmentasyon sağlayabilir.

Sistemin başarısı yalnızca tahmini sayıya bakılarak ölçülmemelidir. Uzman tarafından hazırlanmış gerçek maske ile karşılaştırma yapılabilir. Kesişim-birleşim oranı

şeklindedir. Ayrıca sayım hatası için $MAE=\frac{1}{n}\sum \vert y_i-\hat{y}_i\vert $ kullanılabilir. Yüksek IoU doğru sınırları, düşük MAE ise doğru hücre sayısını gösterir. Böylece sistem sadece hızlı değil, ölçülebilir biçimde güvenilir hâle gelir.