Önceki derste gördüğümüz ortalama hata (MSE) formülü burada J harfi ile ifade edilecek. $$ J(w,b) = \frac{1}{n}\sum_{i=1}^{n}(w \cdot x^{(i)} + b - y^{(i)})^2 $$ Sabitler ve Değişkenler:Veri setimizdeki x(girdiler) ve y(gerçek cevaplar) her zaman sabittir.Bizim aradığımız ve değiştireceğimiz şeyler w ve b parametreleridir. 3 Boyutlu Kase(Çanak) Şekli:Bu formül karesel(quadratisch) bir fonksiyon olduğu için grafiği 3 boyutlu bir kaseye benzer. Amaç:Bu çanağın en dibine,yani maliyetin(J) en düşük olduğu noktaya ulaşmaktır. Lokal Gradyan ve Zincir Kuralı(Der Lokale Gradient) ...

Bir gün uyandığınızı ve şirketinizin tüm müşteri verilerinin, siparişlerinin ve ürün stoklarının tek bir Excel dosyasında, rastgele girildiğini hayal edin. Bir müşterinin adresini güncellemek için 500 satırı değiştirmeniz gerekiyor; bir satırı sildiğinizde ise o ayki tüm satış raporlarınız yok oluyor. İşte bu, veri anomalisinin tam kendisidir. Veritabanı dünyasında bu kaostan kurtulmanın yolu Normalizasyon basamaklarını tırmanmaktan geçer. Gelin, “Kabus Tablo” adını verdiğimiz bir yapıyı alalım ve onu modern bir veritabanı mimarisine dönüştürelim. ...

Veritabanı Yönetiminin Temelleri: Adım Adım SQL Rehberi Bir yazılım projesinin en kritik bileşeni veridir. Veriyi doğru bir şekilde saklamak, korumak ve işlemek için SQL (Structured Query Language) dilini bilmek hayati önem taşır. Bu rehberde, bir veritabanını sıfırdan nasıl inşa edeceğinizi adım adım öğreneceğiz. Adım 1: Temeli Atmak - Tablo Oluşturma (CREATE TABLE) Her şey bir tablo yapısı tasarlamakla başlar. Veritabanında her nesne (Kullanıcı, Ürün, Sipariş) bir tabloda saklanır. -- Bir personel tablosu oluşturalım CREATE TABLE Personel ( id SERIAL, -- Otomatik artan sayısal anahtar isim VARCHAR(100), -- Metin alanı (maksimum 100 karakter) departman VARCHAR(50), -- Departman bilgisi baslangic_tarihi DATE -- Tarih alanı ); Adım 2: Veri Güvenliği ve Kurallar - Kısıtlamalar (Constraints) Tabloyu oluşturmak yetmez; verinin “temiz” ve “doğru” olmasını sağlamalıyız. Bunun için kısıtlamaları kullanırız: ...

🗺️ Map (Harita) ve Hash Table (Karma Tablo) Kapsamlı Rehber: Veri yapılarının temel mantığı, implementasyon yöntemleri, avantajları, dezavantajları ve karmaşıklıkları 📋 İçindekiler Giriş: Map Nedir? Temel Map İşlemleri Implementasyon Yöntemleri Hash Table: Temel Yapı ve Adımlar Çakışmalar (Kollisionen) Zaman Karmaşıklığı Karşılaştırması Avantaj ve Dezavantajlar Sonuç ve Kullanım Önerileri 🎯 Giriş: Map (Harita) Nedir? Map (Harita), anahtar-değer (key-value) çiftlerini depolamak için kullanılan soyut bir veri yapısıdır. Bu yapıda en önemli kural: ...

📚 Ayrık Yapılar (Diskrete Strukturen) - Ders Notları Hafta 1-8 kapsamlı özet | Temel kavramlardan ileri seviye çizge teorisine Bu belge, Ayrık Yapılar dersinin sistematik bir özetini sunmaktadır. Her bölümde temel Türkçe açıklamalar ve önemli Almanca terimler birlikte verilmiştir. 📑 İçindekiler Temel Yapılar İlişkiler Tümevarım İspatları Çizge Teorisi 1. Temel Yapılar 1.1 Kümeler (Mengen) Kümeler, iyi tanımlanmış ve birbirinden farklı nesnelerin topluluğudur. Temel Kavramlar: Kardinalite (Mächtigkeit): |M| - Kümenin eleman sayısı Kuvvet Kümesi (Potenzmenge): P(M) veya 2^M - Tüm alt kümelerin kümesi n elemanlı bir kümenin kuvvet kümesi 2^n elemana sahiptir Temel İşlemler: Birleşim: A ∪ B - Her iki kümede de olan elemanlar Kesişim: A ∩ B - Her iki kümede ortak olan elemanlar Tümleyen: Ā - Evrensel kümede olup A’da olmayan elemanlar Özel Kavram - Ayrışım (Partition): ...

🏗️ Veri Mimarisinin Dört Ayağı: Oluşturmadan Sorgulamaya SQL Aşamaları 1. 🧱 Yapılandırma Aşaması (DDL - Data Definition Language) Bu aşama, projenin temelini oluşturan veritabanının ve tabloların yapısını tanımladığımız yerdir. A. Veritabanı Oluşturma İlk olarak, tüm tablolarımızın içinde barınacağı çalışma alanını (veritabanını) oluştururuz. Komut: CREATE DATABASE CREATE DATABASE ProjeVeriTabani; Kullanım: Bu veritabanının aktif olarak kullanılacağını sisteme bildiririz. USE ProjeVeriTabani; B. Tablo Yapılarını Oluşturma Verileri organize edeceğimiz tabloları, her bir sütunun (alanın) veri tipini (metin, sayı, tarih) ve kısıtlamalarını (Primary Key, Not Null vb.) belirleyerek oluştururuz. ...

Linux’ta Genymotion Kurulumu: Android Studio’ya Hafif Bir Alternatif Android uygulama geliştirirken karşılaştığım en büyük sorunlardan biri sistem kaynaklarıydı. Android Studio’nun yerleşik emülatörleri özellikle RAM tüketimi konusunda oldukça ağır. 16GB RAM’le bile sistem performansında düşüşler yaşayınca alternatif aramaya başladım. Neden Genymotion? Genymotion, VirtualBox tabanlı bir Android emülatörü. Android Studio’nun AVD’sine (Android Virtual Device) göre çok daha az kaynak tüketiyor. Artı olarak, önceden yapılandırılmış cihaz şablonları ve hızlı performansı ile geliştirme sürecini oldukça kolaylaştırıyor. ...

Merhaba, bu benim ilk blog yazım. Burada Android geliştirme, oyun geliştirme,Python(Yapay zeka uygulamaları),Linux üzerine paylaşımlar yapacağım.

Makine öğrenmesi açıkça programlamadan bilgisayarlara öğrenme yeteneği kazandırmaktır. Klasik bilgisayar programlarında sisteme kesin kurallar verilir. Fonksiyonlar kullanılır (F(X)=>(Y)) Kesin kurallar tanımlayamadığımız yerde makine öğrenmesi devreye girer. Makine öğrenmesi kullanabilmek için 3 temel şart: Elimizde veri olmalıdır(mümkünse bolca). Verilerin içerisinde gizli bir örüntü olmalıdır. Bu örüntü matematiksel ifade edilemeyecek kadar karmaşık olmalıdır. Makineler veriden şu yollarla öğrenir: Gözetimli Öğrenme(Supervised Learning):Verilerin ==Etiketleri== bellidir. Gözetimsiz Öğrenme(Unsupervised Learning):==Etiket== yoktur Pekiştirmeli Öğrenme(Reinforcement Learning):==Deneme yanılma== ile öğrenmedir. Örnek Problem: Makine öğrenmesi için veri kullanılır. Celcius ile Fahrenheit arasındaki ilişki doğrusaldır. Çözüm için y=f(x)=wx+b şeklinde doğrusal bir fonksiyon aranır Model Seçimi ve Matematiksel Terimler Doğrusal model formülü:h(x)=wx+b x:girdi(Eingabe) y:çıktı/Tahmin(Ausgabe) w:Ağırlık(Gewichtsparameter):Modelin eğimi b:Sapma/Bias(Bias/Wert):Sabit değer Rasgele değerler atanarak başlanır.Değerler rastgele olduğundan dolayı tahminler yanlıştır ve maliyet(hata) çok yüksektir. Kayıp(Verlust):Modelin tek bir veri noktasında yaptığı hatadır.Genellikle karesel hata (Squared error )ile hesaplanır:(a-y)2 Maliyet Fonksiyonu(Kostenfunktion):Veri setindeki tüm hataların ortalamasıdır: $$ Kosten = MSE = \frac{1}{n}\sum_{i=1}^{n}(a^{(i)} - y^{(i)})^2 $$ Her defasında maliyet hesaplanır ve sayılar değiştirilir.Maliyet en aza inene kadar tekrarlanır.