Şehri bir grafa dönüştürmek

Graf, düğümlerden ve bu düğümleri bağlayan kenarlardan oluşur. Yol ağı modelinde kavşaklar veya yol başlangıçları düğüm, yollar ise kenar olarak temsil edilir. Matematiksel gösterimle bir graf:

şeklinde tanımlanır. Burada $V$ düğüm kümesini, $E$ ise yol bağlantılarını ifade eder. Tek yönlü yolların bulunduğu şehirlerde yönlü graf; bütün yolların iki yönde kullanılabildiği basitleştirilmiş modellerde yönsüz graf tercih edilir.

Kenarlar yalnızca bağlantı anlamına gelmek zorunda değildir. Her yola uzunluk, seyahat süresi veya kapasite gibi bir ağırlık atanabilir:

Zayıf nokta ne demektir?

Bir yolun kalabalık olması, onun mutlaka yapısal bir zayıflık olduğu anlamına gelmez. Zayıf nokta; devre dışı kaldığında ağın parçalanmasına, seyahat sürelerinin ciddi biçimde artmasına veya alternatif yolların aşırı yüklenmesine neden olan bileşendir.

Bu noktaları belirlemek için çeşitli merkezilik ölçüleri kullanılır:

• Derece merkeziliği: Bir kavşağın kaç doğrudan bağlantısı bulunduğunu ölçer.
• Aradalık merkeziliği: En kısa rotaların ne kadarının ilgili düğümden geçtiğini gösterir.
• Yakınlık merkeziliği: Bir düğümden diğer noktalara ortalama erişim kolaylığını ölçer.
• Özvektör merkeziliği: Önemli kavşaklara bağlı olan kavşakları öne çıkarır.

Aradalık merkeziliği kabaca şöyle hesaplanır:

Burada $\sigma_{st}$, $s$ ile $t$ arasındaki en kısa yolların sayısı; $\sigma_{st}(v)$ ise bunlardan $v$ düğümünden geçenlerin sayısıdır. Değeri yüksek bir kavşak, şehrin trafik dünyasındaki “herkesin tanıdığı aracı kişi” gibidir.

Python ve NetworkX ile küçük bir deney

Aşağıdaki kod örnek bir yol ağı oluşturur, aradalık merkeziliğini hesaplar ve kaldırıldığında ağı bölen kritik yolları bulur:

import networkx as nx

G = nx.Graph()
G.add_weighted_edges_from([
    ('A', 'B', 4),
    ('B', 'C', 2),
    ('C', 'D', 3),
    ('B', 'D', 6),
    ('D', 'E', 2),
    ('E', 'F', 3)
])

centrality = nx.betweenness_centrality(G, weight='weight')
critical_nodes = sorted(
    centrality.items(),
    key=lambda item: item[1],
    reverse=True
)

print('Kritik kavşaklar:', critical_nodes)
print('Kritik yollar:', list(nx.bridges(G)))

betweenness_centrality, kısa rotalarda sık kullanılan kavşakları sıralar. bridges ise kaldırıldığında ağın bağlı bileşen sayısını artıran kenarları döndürür. Gerçek bir projede yol verileri OpenStreetMap üzerinden alınabilir; osmnx kütüphanesiyle indirilen ağ doğrudan NetworkX grafına dönüştürülebilir.

Dayanıklılığı sınamak

Analizin en eğlenceli kısmı kontrollü kaostur: Kritik bir düğümü silip sonuçları yeniden hesaplayın. Ortalama en kısa yol uzuyor mu? Bazı mahalleler tamamen kopuyor mu? Alternatif yollar kapasiteyi karşılıyor mu?

Rastgele kapanmalar ile yüksek merkezilikli yolların hedefli kapanmalarını karşılaştırmak da önemlidir. Ağ rastgele arızalara dayanırken tek bir stratejik köprüye bağımlı olabilir. Böylece yeni bağlantıların nereye yapılacağı, acil durum rotalarının nasıl tasarlanacağı ve bakım önceliğinin hangi yollara verileceği sezgiyle değil, ölçülebilir verilerle belirlenir. Kısacası graf teorisi, şehir haritasını sadece göstermez; haritanın nereden çatlayabileceğini de anlatır.

Kameradan davranış verisine giden yol

Sistem yalnızca video kaydetmez; her kareyi analiz ederek önce hayvanları bulur, ardından aynı hayvanı kareler boyunca takip eder. Genel işlem hattı şu adımlardan oluşur:

1. Kamera görüntüsünün alınması ve zaman damgasıyla kaydedilmesi
2. Gürültü azaltma, parlaklık düzeltme ve perspektif dönüşümü
3. Hayvanların nesne tespit modeliyle belirlenmesi
4. Her hayvana geçici veya kalıcı bir kimlik atanması
5. Konum, hız, yatma süresi ve yemlik ziyareti gibi özelliklerin çıkarılması
6. Olağan dışı davranışlar için uyarı üretilmesi

Nesne tespiti, görüntüdeki her hayvanı bir sınırlayıcı kutuyla gösterir. Takip algoritması ise bu kutunun sonraki karede hangi kutuyla eşleştiğini belirler. Böylece sistem “karede üç inek var” demekle kalmaz; “17 numaralı inek son iki saatte yalnızca 40 metre yürüdü” diyebilir.

Hareket nasıl sayıya dönüşür?

Bir hayvanın görüntü üzerindeki merkezi $(x_t, y_t)$ ve bir sonraki karedeki merkezi $(x_{t+1}, y_{t+1})$ olsun. Piksel cinsinden yer değiştirme Öklid uzaklığıyla hesaplanabilir:

Kamera kalibrasyonu sayesinde piksel-metre dönüşümü yapılırsa ortalama hız yaklaşık olarak $v=d/\Delta t$ ile bulunur. Fakat tek bir düşük hız değeri hastalık anlamına gelmez. Yaş, sıcaklık, sağım zamanı ve sürünün günlük düzeni de hesaba katılmalıdır. Bu nedenle güvenilir sistemler tek kare yerine zaman serilerini değerlendirir.

Basit bir hareket ölçümü

Aşağıdaki Python örneği, takip modelinden geldiği varsayılan merkez noktaları arasındaki toplam piksel mesafesini hesaplar:

from math import hypot

def toplam_hareket(konumlar, metre_per_piksel=0.02):
    toplam_piksel = 0.0

    for onceki, simdiki in zip(konumlar, konumlar[1:]):
        dx = simdiki[0] - onceki[0]
        dy = simdiki[1] - onceki[1]
        toplam_piksel += hypot(dx, dy)

    return toplam_piksel * metre_per_piksel

iz = [(120, 80), (124, 83), (130, 85), (131, 90)]
print(f"Tahmini hareket: {toplam_hareket(iz):.2f} metre")

Bu kod tespiti kendisi yapmaz; YOLO gibi bir model ve ByteTrack benzeri bir takipçi tarafından üretilen koordinatları anlamlı bir mesafeye çevirir. Gerçek uygulamada kamera açısının yol açtığı perspektif hatası kalibrasyonla düzeltilmelidir.

Sağlık uyarısı nasıl oluşturulur?

Her hayvan için geçmiş davranışlardan bir normal aralık öğrenilebilir. Günlük hareket miktarı $X$, geçmiş ortalama $\mu$ ve standart sapma $\sigma$ kullanılarak standartlaştırılır:

Örneğin $z<-2$ olması, hareketin alışılmış seviyenin belirgin biçimde altına düştüğünü gösterebilir. Yine de bu sonuç doğrudan teşhis değildir; veteriner incelemesini tetikleyen bir erken uyarıdır. Yanlış alarmları azaltmak için hareket, yem tüketimi, vücut sıcaklığı ve sağım verisi birlikte değerlendirilebilir.

Sahadaki gerçek zorluklar

Toz, gece karanlığı, hayvanların birbirini kapatması ve kirlenen kamera lensleri model başarısını düşürür. Kızılötesi kamera, uygun aydınlatma ve farklı açılardan çekim bu sorunları azaltabilir. Ayrıca verilerin güvenli saklanması, çalışan mahremiyeti ve algoritmanın farklı ırklar üzerinde doğrulanması unutulmamalıdır.

Sonuç olarak görüntü işleme, yetiştiricinin deneyiminin yerini almak yerine dikkatini doğru hayvana yönlendirir. Doğru kurulan bir sistem; hastalıkları daha erken fark etmeye, refahı artırmaya ve işletme kaynaklarını daha bilinçli kullanmaya yardımcı olur.

Akıllı saatler yalnızca saati gösteren cihazlar olmaktan çıkıp bileğimizde çalışan küçük sağlık laboratuvarlarına dönüştü. Nabız, hareket, kandaki oksijen oranı ve uyku gibi ölçümler; doğru algoritmalarla işlendiğinde anlamlı eğilimlere ve erken uyarılara dönüştürülebilir. Ancak ham sensör verisini doğrudan yorumlamak, rüzgârlı havada fısıltı dinlemeye benzer: Önce gürültüyü temizlemek gerekir. ``

Sensörden anlamlı veriye

Akıllı saatler nabzı çoğunlukla fotopletismografi (PPG) yöntemiyle ölçer. Cihazın altındaki LED cilde ışık gönderir; fotodiyot ise geri yansıyan ışığın şiddetini ölçer. Kalp her attığında damarlardaki kan hacmi değiştiği için yansıma sinyalinde tepe noktaları oluşur.

Ardışık iki tepe arasındaki süre $\Delta t$ saniye ise yaklaşık nabız şu şekilde hesaplanır:

Örneğin iki tepe arasındaki süre $0.8$ saniyeyse nabız $75$ BPM olur. Gerçek dünyada hareket, gevşek kayış, ter ve ortam ışığı sinyali bozabilir. Bu nedenle filtreleme, tepe tespiti ve güven puanı hesaplama aşamaları önemlidir.

Gerçek zamanlı nabız işleme

Aşağıdaki Python sınıfı, saatten geldiği varsayılan BPM değerlerini kayan pencereye ekler. Medyan kullanarak aykırı ölçümlerin etkisini azaltır ve son değerlerin değişkenliğine göre basit bir güven puanı üretir.

from collections import deque
from statistics import median, pstdev

class HeartRateStream:
    def __init__(self, window_size=10):
        self.values = deque(maxlen=window_size)

    def update(self, bpm):
        if not 30 <= bpm <= 220:
            return {'status': 'invalid'}

        self.values.append(bpm)
        filtered = median(self.values)
        deviation = pstdev(self.values) if len(self.values) > 1 else 0
        confidence = max(0.0, 1.0 - deviation / 20)

        return {
            'status': 'ok',
            'bpm': round(filtered, 1),
            'confidence': round(confidence, 2)
        }

stream = HeartRateStream()
for measurement in [74, 76, 75, 140, 77, 76]:
    print(stream.update(measurement))

Buradaki 140 değeri tek başına geldiğinde medyanı dramatik biçimde değiştirmez. Bununla birlikte gerçek bir egzersiz sırasında yükselen nabzın yanlışlıkla gürültü sayılmaması için ivmeölçer verisi de kullanılmalıdır. Kullanıcı koşuyorsa yüksek nabız beklenebilir; koltukta oturuyorsa aynı ölçüm daha dikkat çekicidir.

Uyku nasıl tahmin edilir?

Uyku analizi genellikle ivmeölçer hareketleri, nabız ve kalp atışları arasındaki değişkenliği birleştirir. Basit bir modelde düşük hareket ve düşen nabız uykuya işaret eder. Daha gelişmiş sistemler uyanıklık, hafif uyku, derin uyku ve REM sınıflarını tahmin eder.

Bir özellik vektörü şöyle tanımlanabilir:

Bu değerler karar ağacı, lojistik regresyon veya sinir ağına verilebilir. Başlangıç projesinde açıklanabilir olduğu için karar ağacı iyi bir seçimdir. Veriler 30 saniyelik ya da bir dakikalık pencerelere bölünerek her pencere için ortalama, standart sapma ve hareket toplamı hesaplanabilir.

Sağlık verisinde kritik ayrıntılar

Gerçek zamanlı sistem, eksik paketleri ve Bluetooth kopmalarını yönetmelidir. Ölçümlere zaman damgası eklenmeli, veriler aktarımda ve depolamada şifrelenmeli, kullanıcıdan açık izin alınmalıdır. Ayrıca bu algoritmalar tıbbi teşhis koymamalıdır. “Düzensiz ölçüm algılandı” demek, “Kalp hastalığınız var” demekten hem teknik hem etik açıdan daha doğrudur.

Bu projeyi büyütmek için FastAPI ile veri kabul eden bir servis, WebSocket ile canlı panel ve kişiye özel normal değerleri öğrenen bir anomali modeli ekleyebilirsiniz. Böylece bilekte başlayan küçük sinyal, güvenli ve açıklanabilir bir sağlık analizi sistemine dönüşür.

``

Akıllı sayaç verisi nedir?

Akıllı sayaçlar elektrik tüketimini genellikle 1, 5, 15 veya 30 dakikalık aralıklarla kaydeder. Her ölçüm; zaman damgası, tüketilen enerji, gerilim, akım ve bazı sistemlerde güç faktörü gibi alanlar içerebilir. Veriler güvenli iletişim ağları üzerinden merkezi bir yönetim platformuna gönderilir.

Bir sayacın belirli bir aralıktaki ortalama gücü basitçe şöyle hesaplanabilir:

Burada $E$ tüketilen enerji, $t$ ölçüm süresi ve $P$ ortalama güçtür. Şehir genelindeki toplam talep ise $N$ sayacın katkısıyla bulunur:

Bu toplam, santrallerin ve bataryaların karşılaması gereken anlık yükü temsil eder. Üretim ile tüketim dengelenemezse frekans sapmaları, kesintiler veya ekipman hasarları ortaya çıkabilir.

Geleneksel ve akıllı yaklaşım

Akıllı sistem, yalnızca daha fazla veri toplamaz; şehrin davranış kalıplarını görünür hâle getirir. Örneğin sıcaklık yükseldiğinde klima tüketiminin ne kadar artacağı veya bir futbol maçı bittiğinde talebin nasıl sıçrayacağı tahmin edilebilir.

Veriden dengelemeye giden yol

İlk aşama veri temizliğidir. Eksik ölçümler enterpolasyonla tamamlanabilir, fiziksel olarak imkânsız değerler aykırı veri olarak işaretlenebilir. Ardından hava durumu, takvim, resmi tatiller ve geçmiş tüketim gibi değişkenlerle talep tahmini yapılır.

Basitleştirilmiş bir Python örneği, hareketli ortalama kullanarak kısa vadeli yük tahmini üretir:

import pandas as pd

veri = pd.read_csv("sayac_verisi.csv", parse_dates=["zaman"])
veri = veri.sort_values("zaman")

# Son dört ölçümün ortalaması kısa vadeli tahmin olarak kullanılır.
veri["tahmin_kw"] = veri["tuketim_kw"].rolling(4).mean()

# Gerçek tüketim ile tahmin arasındaki fark hesaplanır.
veri["denge_ihtiyaci_kw"] = (
    veri["tuketim_kw"] - veri["tahmin_kw"]
)

print(veri.tail())

Bu yöntem öğretici olsa da gerçek sistemlerde ARIMA, gradyan artırma, LSTM veya Transformer tabanlı modeller kullanılabilir. Tahmin edilen talep üretim planına aktarılır. Beklenmedik bir artış varsa bataryalar devreye alınabilir; düşüş varsa üretim azaltılabilir ya da fazla enerji depolanabilir.

Talep tarafı yönetimi

Optimizasyon yalnızca daha fazla elektrik üretmek anlamına gelmez. Yoğun saatlerde elektrikli araç şarjını ertelemek, ticari binaların klimalarını küçük ölçüde ayarlamak veya tüketicilere indirim sunmak da denge sağlar. Amaç maliyeti ifade eden $C$, emisyonu ifade eden $M$ ve kesinti riskini ifade eden $R$ değerlerini birlikte küçültmektir:

Katsayılar şehrin önceliklerini temsil eder. Çevreci bir yönetim $\beta$ değerini, kesintiye karşı hassas bir hastane bölgesi ise $\gamma$ değerini yükseltebilir.

Güvenlik ve mahremiyet

Ayrıntılı tüketim verisi, insanların evde olup olmadığına dair ipuçları verebilir. Bu nedenle veriler şifrelenmeli, mümkün olduğunda anonimleştirilmeli ve yalnızca gerekli süre boyunca saklanmalıdır. Ayrıca sayaç yazılımları güncel tutulmalı ve sahte ölçümlere karşı doğrulama mekanizmaları kullanılmalıdır.

Sonuç olarak akıllı sayaçlar, elektrik faturasını dijitalleştiren cihazlardan çok daha fazlasıdır. Doğru veri mühendisliği ve optimizasyon yöntemleriyle şehirler daha az kayıp yaşayan, yenilenebilir kaynakları daha iyi kullanan ve talep sıçramalarına daha çevik tepki veren enerji sistemleri kurabilir.

``

Termostat hangi verileri toplar?

Öğrenme süreci, düzenli olarak ölçüm yapılmasıyla başlar. Temel veri noktaları oda sıcaklığı, hedef sıcaklık, saat, gün ve kullanıcının yaptığı manuel değişikliklerdir. Daha gelişmiş cihazlar hareket sensörlerinden, telefon konumundan, nem ölçümlerinden ve hava durumu servislerinden de yararlanabilir.

Burada kritik nokta şudur: Tek bir değişiklik alışkanlık sayılmaz. Kullanıcının sıcaklığı bir akşam yükseltmesi tesadüf olabilir. Algoritma, tekrar eden örüntülere daha fazla güvenmelidir.

Öğrenmenin temel mantığı

Basit bir sistem, benzer zaman dilimlerindeki tercihlerin hareketli ortalamasını kullanabilir. Son $n$ günde aynı saatte seçilen sıcaklıklar $T_1, T_2, \ldots, T_n$ ise tahmin şöyle hesaplanır:

Yeni davranışların daha önemli olması istenirse üstel düzeltme uygulanabilir:

Buradaki $\alpha$, algoritmanın değişime ne kadar hızlı tepki verdiğini belirler. Büyük bir $\alpha$ yeni tercihlere hızla uyum sağlar; küçük değer ise geçmiş alışkanlıkları daha uzun süre korur.

Küçük bir öğrenme örneği

Aşağıdaki Python kodu, belirli bir saat için son sıcaklık tercihlerine daha yüksek ağırlık verir. Böylece termostat eski alışkanlıkları tamamen unutmadan yeni davranışlara uyum sağlar.

def sicaklik_tahmini(tercihler, alpha=0.35):
    """Geçmiş tercihlerden üstel düzeltilmiş hedef üretir."""
    if not tercihler:
        return 20.0  # Veri yoksa güvenli varsayılan

    tahmin = tercihler[0]
    for sicaklik in tercihler[1:]:
        tahmin = alpha * sicaklik + (1 - alpha) * tahmin

    return round(tahmin, 1)

aksam_tercihleri = [21, 21.5, 22, 22, 22.5]
print(sicaklik_tahmini(aksam_tercihleri))

Gerçek bir cihaz yalnızca sıcaklığı tahmin etmez. Evin termal davranışını da öğrenir. Örneğin salonun 19°C’den 22°C’ye ulaşması 30 dakika sürüyorsa sistem, hedef saate kadar beklemek yerine kombiyi önceden çalıştırır.

Konfor ile tasarruf arasındaki denge

Termostatın amacı evi sürekli sıcak tutmak değildir. Daha mantıklı hedef, konfor kaybı ile enerji tüketimini birlikte azaltmaktır:

Burada $E$ enerji maliyetini, $C$ hedef sıcaklıktan sapmayı, $\lambda$ ise tasarrufa verilen önemi temsil eder. Kullanıcı üşüyüp ayarı sürekli değiştiriyorsa algoritma konfora daha fazla ağırlık vermeyi öğrenebilir.

Elbette öğrenen cihazlarda mahremiyet önemlidir. Evde bulunma saatleri hassas bilgi sayılmalı; veriler mümkünse cihaz üzerinde işlenmeli, şifrelenmeli ve kullanıcı tarafından silinebilmelidir. Ayrıca donma riski veya aşırı ısınma gibi durumlarda öğrenilmiş kararlar güvenlik sınırlarını aşmamalıdır.

Sonuç olarak akıllı termostat, yalnızca uzaktan kontrol edilen bir düğme değildir. Tekrarlanan davranışları istatistiksel örüntülere dönüştüren, evin fiziksel tepkisini modelleyen ve konfor ile maliyet arasında sürekli pazarlık yapan küçük bir karar sistemidir. Üstelik siz rutininizi değiştirdikçe o da ders programını günceller.

``

Her şey emir defterinde başlar

Borsa, alıcılarla satıcıları eşleştiren merkezi bir pazar gibi çalışır. Yatırımcıların gönderdiği alış ve satış emirleri emir defterinde tutulur. Örneğin en yüksek alış emri 99,90 TL, en düşük satış emri 100 TL ise alış-satış farkı, yani spread, şöyledir:

Bir alış emri mevcut satış emriyle eşleştiğinde işlem gerçekleşir. Borsanın eşleştirme motoru bu işlemi kaydeder ve yeni fiyat, hacim ya da emir defteri değişikliği hakkında bir piyasa verisi mesajı üretir.

Veri hangi duraklardan geçer?

Tipik akış şu şekildedir:

1. Aracı kurum, yatırımcının emrini borsaya gönderir.
2. Borsanın eşleştirme motoru uygun karşı emri bulur.
3. İşlem veya defter güncellemesi oluşturulur.
4. Borsa, veriyi doğrudan bağlantılara ve veri dağıtıcılarına yayınlar.
5. Aracı kurumun sunucusu mesajı işler.
6. WebSocket gibi sürekli bir bağlantı üzerinden uygulamaya iletir.
7. Arayüz yeni fiyatı ekranda gösterir.

Burada görülen fiyat çoğu zaman tek başına gelmez. Mesaj; sembol, zaman damgası, fiyat, miktar, işlem kimliği ve mesaj sıra numarası gibi alanlar taşır.

Gerçek zamanlı demek sıfır gecikme değildir

Verinin yolculuğu mutlaka zaman alır. Toplam gecikme yaklaşık olarak bileşenlerine ayrılabilir:

Borsaya fiziksel olarak yakın veri merkezlerinde çalışan profesyonel sistemler mikrosaniyeleri önemser. Evdeki yatırımcı içinse internet rotası, aracı kurum altyapısı ve tarayıcının çizim süresi nedeniyle gecikme daha yüksek olabilir. Bu nedenle iki uygulamada aynı sembolün fiyatı kısa süreliğine farklı görünebilir.

Bilgisayarda akışı dinlemek

Aşağıdaki Python örneği, temsili bir WebSocket kanalından mesajları alır. Gerçek kullanımda adres, kimlik doğrulama ve mesaj biçimi veri sağlayıcısına göre değişir.

import asyncio
import json
import websockets

async def fiyatlari_dinle():
    adres = "wss://ornek-veri-saglayici.test/stream"

    async with websockets.connect(adres) as baglanti:
        abonelik = {"type": "subscribe", "symbol": "XYZ"}
        await baglanti.send(json.dumps(abonelik))

        async for mesaj in baglanti:
            veri = json.loads(mesaj)
            fiyat = veri.get("price")
            zaman = veri.get("timestamp")
            print(f"{zaman} | XYZ: {fiyat}")

asyncio.run(fiyatlari_dinle())

Kod bağlantıyı açık tutar, sembole abone olur ve sunucu yeni mesaj gönderdikçe fiyatı yazdırır. REST API ile her saniye “Yeni fiyat var mı?” diye sormak yerine WebSocket sunucusu değişikliği kendisi iletir.

Paket kaybı ve sıra numaraları

Hız kadar doğruluk da önemlidir. Her mesaja artan bir sıra numarası eklenebilir. Sistem 105 numaralı mesajdan sonra 107’yi görürse 106’nın kaybolduğunu anlar. Ardından eksik veriyi yeniden ister veya güncel emir defteri görüntüsünü indirir. Aksi hâlde uygulama hızlı ama yanlış bir piyasa resmi gösterebilir.

Kısacası gerçek zamanlı borsa verisi, yalnızca internetten gelen bir sayı değildir. Eşleştirme motorundan başlayan; protokoller, ağlar, sıra kontrolleri ve kullanıcı arayüzüyle tamamlanan hassas bir veri zinciridir. Ekrandaki minicik fiyat hareketinin arkasında oldukça hareketli bir mühendislik piyasası vardır.

Bir sandığı açıyorsunuz: sıradan bir kılıç. Bir tane daha: yine sıradan. Tam bırakacakken ekranda altın renkli bir parıltı beliriyor ve nadir karakter çıkıyor! Loot kutularının çekiciliği yalnızca ödülün kendisinden değil, ödülün ne zaman geleceğini bilememekten doğar. Değişken oran ödüllendirme adı verilen bu mekanik; oyun tasarımını, davranış psikolojisini ve beynin ödül öğrenme sistemini aynı noktada buluşturur. ``

Değişken oran ödüllendirme nedir?

Davranış biliminde ödüllendirme programları, bir davranışın hangi koşulda pekiştirileceğini açıklar. Sabit oranlı sistemde oyuncu, örneğin her 10 görevden sonra ödül kazanır. Değişken oranlı sistemdeyse ödül, öngörülemeyen sayıda denemeden sonra gelir.

Bir loot kutusundan nadir eşya çıkma olasılığı $p$ ise, ilk başarıya kadar gereken ortalama deneme sayısı yaklaşık olarak şöyledir:

Örneğin nadir eşya olasılığı $p=0.02$ olduğunda beklenen değer 50 denemedir. Ancak bu, eşyanın kesinlikle 50. kutuda çıkacağı anlamına gelmez. İlk kutuda da çıkabilir, 150 kutu boyunca hiç çıkmayabilir. Belirsizliği güçlü kılan tam olarak bu dağılımdır.

Dopamin yalnızca haz kimyasalı değildir

Dopamin çoğu zaman basitçe haz hormonu diye anlatılır; fakat daha doğru yaklaşım, onun motivasyon, dikkat ve ödül öğrenmesiyle ilişkili bir nörotransmiter olduğunu söylemektir. Beyin yalnızca ödüle değil, beklenen sonuç ile gerçekleşen sonuç arasındaki farka da tepki verir. Buna ödül tahmin hatası denir:

Burada $r$ alınan gerçek ödülü, $V$ ise beklenen değeri temsil eder. Sonuç beklenenden iyiyse $\delta$ pozitiftir ve beyin, ödülden önceki ipuçlarını öğrenmeye başlar. Sandığın sallanması, özel sesler, renkli animasyonlar ve kısa bekleme anı böylece güçlü beklenti sinyallerine dönüşebilir.

Önemli bir ayrım var: Dopamin, oyuncunun mutlaka bağımlı olduğu anlamına gelmez. Problemli davranış; kişisel yatkınlık, harcama kolaylığı, sosyal baskı, kayıp telafisi düşüncesi ve oyunun tasarımı gibi birçok etkenin birleşmesiyle gelişir.

Rastgeleliği kodla görmek

Aşağıdaki JavaScript örneği, yüzde 2 olasılıkla nadir eşya veren basit bir kutu sistemini simüle eder:

function kutuAc() {
  const nadirlikOlasiligi = 0.02;
  return Math.random() < nadirlikOlasiligi
    ? 'Nadir eşya'
    : 'Sıradan eşya';
}

let deneme = 0;
let sonuc;

do {
  deneme++;
  sonuc = kutuAc();
} while (sonuc !== 'Nadir eşya');

console.log(`Nadir eşya ${deneme}. kutuda çıktı.`);

Kod her çalıştırıldığında farklı sonuç üretir. Bu basit döngü, oyuncunun bir sonraki denemenin kazandırabileceği düşüncesiyle neden devam edebildiğini gösterir. Gerçek sistemlerde buna sınırlı süreli etkinlikler, yakın ıskalama efektleri ve ücretsiz başlangıç kutuları da eklenebilir.

Tasarım ile manipülasyon arasındaki çizgi

Rastgele ödüller başlı başına kötü değildir; sürpriz ve tekrar oynanabilirlik sağlayabilir. Risk, gerçek para harcamasının belirsiz sonuçlarla birleştiği ve olasılıkların gizlendiği noktada büyür. Etik bir sistem; çıkma oranlarını açıkça göstermeli, harcama sınırları sunmalı, çocukları korumalı ve belirli sayıda denemeden sonra garanti ödül veren pity sistemi kullanmalıdır.

İyi oyun tasarımı oyuncuyu eğlendirmeyi hedefler; karanlık tasarım ise bilişsel zayıflıkları gelir aracına dönüştürür. Bir sonraki kutu gerçekten efsanevi eşya içerebilir—butonu tıklamadan önce sorulması gereken soru şudur: Kararı ben mi veriyorum, yoksa belirsizlik mi?

``

Evrişimli sinir ağı neyi öğrenir?

Klasik makine öğrenmesinde renk, kenar veya doku gibi özellikleri elle çıkarmamız gerekir. Evrişimli sinir ağları, yani CNN’ler, uygun özellikleri eğitim verisinden kendileri öğrenir. İlk katmanlar yaprak kenarlarını ve renk geçişlerini; daha derin katmanlar ise pas lekesi, küf dokusu veya damar bozulması gibi karmaşık yapıları yakalayabilir.

Bir evrişim filtresinin görüntü üzerindeki temel işlemi şöyle gösterilebilir:

Burada $X$ giriş görüntüsünü, $K$ öğrenilen filtreyi, $b$ sapmayı ve $Y$ özellik haritasını temsil eder. Modelin son katmanındaki softmax, her hastalık için olasılık üretir:

Küçük ve orta ölçekli tarım veri kümelerinde transfer öğrenme genellikle en pratik seçenektir. ImageNet üzerinde eğitilmiş ResNet veya EfficientNet gibi bir model, görsel dünyaya ilişkin temel bilgisini yapraklara aktarabilir.

Veri hazırlığı: Modelin gerçek besini

Fotoğraflar hastalık sınıflarına göre klasörlenebilir. Veri; eğitim, doğrulama ve test kümelerine ayrılmalıdır. Aynı yaprağın farklı çekimlerinin iki ayrı kümeye düşmesi veri sızıntısına yol açar ve gerçekte başarısız olan modeli kâğıt üzerinde dâhi gibi gösterebilir.

Döndürme, kırpma, parlaklık değiştirme ve yatay çevirme gibi veri artırma işlemleri modeli farklı çekim koşullarına hazırlar. Ancak yaprağın doğal görünümünü bozacak aşırı renk dönüşümleri kullanılmamalıdır. Ayrıca sınıflar dengesizse ağırlıklı kayıp fonksiyonu veya örnekleme yöntemleri düşünülmelidir.

PyTorch ile transfer öğrenme

Aşağıdaki örnek, önceden eğitilmiş ResNet18 modelinin son katmanını hastalık sınıflarına uyarlayarak tek bir eğitim adımı gerçekleştirir:

import torch
from torch import nn
from torchvision.models import resnet18, ResNet18_Weights

sinif_sayisi = 5
model = resnet18(weights=ResNet18_Weights.DEFAULT)
model.fc = nn.Linear(model.fc.in_features, sinif_sayisi)

kayip_fonksiyonu = nn.CrossEntropyLoss()
optimizasyon = torch.optim.Adam(model.parameters(), lr=1e-4)

model.train()
gorseller, etiketler = next(iter(egitim_yukleyici))
optimizasyon.zero_grad()
tahminler = model(gorseller)
kayip = kayip_fonksiyonu(tahminler, etiketler)
kayip.backward()
optimizasyon.step()

CrossEntropyLoss, doğru sınıfın olasılığını yükseltmesi için modeli cezalandırır; backward() gradyanları hesaplar, step() ise ağırlıkları günceller. Görsellerin modelin beklediği boyuta ve normalizasyon değerlerine dönüştürülmesi gerektiği unutulmamalıdır.

Başarıyı doğru ölçmek

Yalnızca doğruluk değerine bakmak yanıltıcı olabilir. Özellikle nadir hastalıklarda precision, recall, F1 skoru ve karmaşıklık matrisi birlikte incelenmelidir. Yanlış negatif sonuç, hasta bitkinin sağlıklı ilan edilmesi anlamına geldiğinden tarımsal kullanımda çoğu zaman daha kritiktir.

Model farklı telefonlar, ışık koşulları, arka planlar ve bitki çeşitleri üzerinde de sınanmalıdır. Grad-CAM gibi açıklanabilirlik teknikleri, ağın gerçekten lekeye mi yoksa arka plandaki saksıya mı baktığını gösterir. Böylece proje yalnızca yüksek puan alan bir deney olmaktan çıkar, tarlada güvenilebilecek kullanışlı bir yardımcıya dönüşür.

``

EKG dalgası bize ne anlatır?

Tipik bir EKG çevrimi P dalgası, QRS kompleksi ve T dalgasından oluşur. P dalgası kulakçıkların, QRS kompleksi karıncıkların depolarizasyonunu; T dalgası ise karıncıkların toparlanmasını temsil eder. Aritmi tespitinde özellikle yüksek ve keskin R tepeleri önemlidir. Ardışık iki R tepesi arasındaki süreye RR aralığı denir.

RR aralığı saniye cinsindense yaklaşık kalp hızı şöyle hesaplanır:

Örneğin RR aralığı $0.8$ saniye olduğunda kalp hızı $75$ BPM olur. Ancak yalnızca BPM yeterli değildir. Atımlar arasındaki düzensizlik, QRS genişliği ve beklenmeyen erken vuruşlar da incelenmelidir.

Önce gürültüyü susturalım

Bir EKG sistemi, analog sinyali $f_s$ örnekleme frekansıyla sayısallaştırır. Nyquist ilkesine göre incelenmek istenen en yüksek frekans $f_{max}$ ise $f_s > 2f_{max}$ olmalıdır. Uygulamada 250 Hz veya 500 Hz gibi hızlar sık kullanılır.

Ham sinyalde üç yaygın sorun bulunur: yavaş taban çizgisi kayması, yüksek frekanslı kas gürültüsü ve 50/60 Hz elektrik şebekesi paraziti. Bunlar sırasıyla yüksek geçiren, alçak geçiren ve çentik filtrelerle azaltılabilir.

Basit bir sonlu dürtü yanıtlı filtrenin çıkışı şu biçimdedir:

Burada $x[n]$ ham EKG’yi, $b_k$ filtre katsayılarını, $y[n]$ ise temizlenmiş sinyali temsil eder.

Python ile R tepelerini yakalamak

Aşağıdaki örnek, EKG’yi bant geçiren filtreyle temizler ve R tepelerini bulur. distance parametresi, fizyolojik olarak imkânsız derecede yakın tepelerin seçilmesini önler.

import numpy as np
from scipy.signal import butter, filtfilt, find_peaks

fs = 250  # Örnekleme frekansı

def bandpass(ecg, low=5, high=20):
    nyquist = fs / 2
    b, a = butter(4, [low / nyquist, high / nyquist], btype='band')
    return filtfilt(b, a, ecg)

filtered = bandpass(ecg)
threshold = np.mean(filtered) + 0.8 * np.std(filtered)
peaks, _ = find_peaks(
    filtered,
    height=threshold,
    distance=int(0.25 * fs)
)

rr = np.diff(peaks) / fs
bpm = 60 / rr
print('Ortalama BPM:', np.mean(bpm))

Bu yaklaşım öğretici olsa da gerçek verilerde ters QRS kompleksleri veya hareket artefaktları nedeniyle uyarlanabilir eşikler gerekebilir. Pan–Tompkins algoritması; bant geçiren filtreleme, türev alma, karesini hesaplama ve hareketli pencere integrasyonu adımlarını birleştirerek daha dayanıklı R tepesi tespiti sunar.

Aritmi kararı nasıl verilir?

Kural tabanlı sistem, BPM ve RR değişkenliğine eşikler uygulayabilir. Daha gelişmiş sistemlerde RR istatistikleri, QRS süresi, dalga morfolojisi ve frekans özellikleri bir özellik vektörüne dönüştürülür. Ardından SVM, rastgele orman veya sinir ağı kullanılarak normal ritim ile aritmi sınıflandırılır.

Yine de algoritmanın verdiği sonuç tıbbi tanı değildir. Model; farklı yaş grupları, cihazlar ve hasta kayıtları üzerinde doğrulanmalı, duyarlılık ve özgüllük birlikte değerlendirilmelidir. Kısacası bilgisayar kalbin ritmini dikkatle dinler, fakat son sözü klinik uzmanlık söyler.

Bir oyunda kazandığınız 100 altın sizi mutlu ederken aynı miktarı kaybetmek neden çok daha ağır hissettirir? Cevap, davranışsal ekonominin en güçlü kavramlarından biri olan kayıp aversiyonunda saklıdır. Oyun tasarımcıları bu psikolojik eğilimi görevlerden günlük ödüllere kadar pek çok sistemde kullanır. Ancak oyuncuyu motive etmek ile onu kaybetme korkusuyla baskı altında tutmak arasında dikkatle korunması gereken etik bir sınır vardır. ``

Kayıp aversiyonu nedir?

Kayıp aversiyonu, insanların kayıplara eşit büyüklükteki kazançlardan daha güçlü tepki vermesidir. Örneğin 50 TL bulmanın yarattığı sevinç, 50 TL kaybetmenin oluşturduğu üzüntüyü genellikle dengelemez. Daniel Kahneman ve Amos Tversky tarafından geliştirilen Beklenti Teorisi, kararlarımızın mutlak sonuçlardan çok mevcut referans noktasına göre şekillendiğini söyler.

Bu düşünce basitleştirilmiş bir değer fonksiyonuyla gösterilebilir:

Burada $x$ kazanç veya kaybı, $\alpha$ ve $\beta$ duyarlılığı, $\lambda$ ise kayıpların psikolojik ağırlığını temsil eder. Çoğu modelde $\lambda > 1$ kabul edilir. Örneğin $\lambda=2$ olduğunda 100 puanlık kayıp, yaklaşık 200 puanlık psikolojik etki yaratabilir.

Oyunlarda nasıl karşımıza çıkar?

Galibiyet serileri, kayıp aversiyonunun en görünür örneklerindendir. Oyuncu üç maç kazandığında sadece yeni bir ödüle yaklaşmaz; aynı zamanda oluşturduğu serinin sahibi gibi hissetmeye başlar. Sonraki maça girmesinin nedeni ödül kazanmak kadar seriyi kaybetmemektir.

Günlük giriş serileri de benzer çalışır. Yirmi gün boyunca oyuna giren biri, yirmi birinci günün ödülünden çok önceki yirmi günün boşa gitmesinden endişe edebilir. Süreli etkinlikler, sezon biletleri, düşebilen lig puanları ve kaybolabilen kaynaklar da aynı psikolojik düğmeye basar.

Basit bir mekanik örneği

Aşağıdaki JavaScript fonksiyonu, galibiyet serisinin tamamen silinmesi yerine bir miktar korunmasını sağlar. Böylece kayıp hâlâ anlamlıdır fakat oyuncunun emeği bütünüyle yok olmaz:

function updateStreak(currentStreak, didWin, shieldCount) {
  if (didWin) {
    return {
      streak: currentStreak + 1,
      shields: shieldCount
    };
  }

  if (shieldCount > 0) {
    return {
      streak: currentStreak,
      shields: shieldCount - 1
    };
  }

  return {
    streak: Math.floor(currentStreak / 2),
    shields: 0
  };
}

Buradaki koruma kalkanı, kaybı tamamen kaldırmaz; yalnızca sertliğini azaltır. Kalkan yoksa seri yarıya iner. Bu yaklaşım, oyuncuya başarısızlığın bir sonucu olduğunu hissettirirken uzun süreli emeği de korur.

Etik tasarım neden önemli?

Kayıp aversiyonu tek başına kötü bir mekanik değildir. Gerilim oluşturabilir, kararları anlamlı hâle getirebilir ve oyuncunun başarılarına değer katabilir. Sorun, sistemin eğlence yerine suçluluk, stres veya kaçırma korkusu üretmeye başlamasıdır.

İyi bir tasarımcı şu soruyu sormalıdır: Oyuncu devam etmek istediği için mi oynuyor, yoksa bırakırsa cezalandırılacağını düşündüğü için mi? Şeffaf kurallar, makul telafi seçenekleri, bildirim kontrolleri ve mola hakları bu ayrımı belirler. En başarılı oyun döngüsü, oyuncuyu korkuyla ekrana zincirleyen değil; kayıpları öğretici, adil ve geri dönülebilir deneyimlere dönüştüren döngüdür.