Algoritmalar

Sosyal İkilem (The Social Dilemma) belgeseli, sosyal medya şirketlerinin eski çalışanlarının röportajlarına dayanarak, sosyal medyanın insanlar üzerindeki tehlikeli etkilerini ele alır. Belgeselde işlenen bazı konular: Manipülasyon ve bağımlılık: Algoritmalar aracılığıyla kullanıcıların ekranda kalma süresinin uzatılması ve bağımlılık oluşturulması. Yanlış bilgi yayılımı: Bilgi kirliliği ve dezenformasyonun şirketlerin çıkarlarına nasıl hizmet ettiği. Toplumsal kutuplaşma: Sosyal medyanın toplumu nasıl ayrıştırdığı. Gizlilik ihlalleri: Şirketlerin kullanıcı verilerini para kazanmak için nasıl kullandığı. Belgesel, sosyal medyanın "insanlığın en büyük varoluşsal tehdidini" oluşturduğunu öne sürer.

Kriptoloji soruları genellikle klasik şifreleme yöntemleri olan Caesar ve Route gibi yöntemlerle hazırlanmıştır. Bazı örnekler: Caesar şifrelemesi: "CEZES NĞNS LIÜ ES LIÜ ÇIÜHI" ifadesinin açık hali nedir? Caesar şifrelemesi: "MERHABA" kelimesi, anahtar 3 ile şifrelendiğinde neye dönüşür? Route şifrelemesi: "AİRERXXEDRANNVATÇEHEYNHİ" ifadesinin açık hali nedir? Şifreli metin: "MÇİRY İİNEE TNHHR VAEND ATRAE" metninde gizli olan mesaj nedir? Milli İstihbarat Teşkilatı (MİT), resmi internet sitesinde bu tür soruların örneklerini ve cevaplarını yayınlamıştır.

Planlama algoritmalarından bazıları şunlardır: İlk gelen, ilk hizmet (FCFS) algoritması. En kısa iş ilk (SJF) algoritması. Kalan en kısa süre (SRT) algoritması. Öncelik tabanlı algoritma. Round robin algoritması. Çok seviyeli kuyruk algoritması. Ayrıca, rota planlama algoritmaları da bir planlama algoritması olarak değerlendirilebilir. Bazı rota planlama algoritmaları şunlardır: Dijkstra algoritması. Hızlı keşfeden rastgele ağaçlar (RRT). Pekiştirmeli öğrenme (RL).

Veri yapıları için kullanılabilecek bazı algoritmalar: Sıralama algoritmaları (sorting algorithms). Arama algoritmaları (searching algorithms). Graf algoritmaları. Dinamik programlama. Böl ve yönet. Hangi algoritmanın kullanılacağı, verilerin özelliklerine ve çözülmek istenen problemin gereksinimlerine bağlıdır.

Büyük O (Big-Oh) notasyonu ile hesap yapmak için aşağıdaki adımlar izlenebilir: 1. Girdi uzunluğuna göre işlem sayısının belirlenmesi. 2. Algoritmanın zaman veya bellek gereksinimlerinin incelenmesi. 3. En verimli algoritmanın seçilmesi. Büyük O notasyonu ile ilgili daha fazla bilgi ve örnek için aşağıdaki kaynaklar kullanılabilir: youtube.com'da "Ayrık Matematik: Büyük O Tahmininde Temel Kurallar (Big-O Notation)" videosu; tr.wikipedia.org'da Büyük O gösterimi maddesi; serdartafrali.medium.com'da "Büyük-O Notasyonu" makalesi; mobilhanem.com'da "Algoritma Dersleri - Büyük O Notasyonu" makalesi.

Gradient-descent algoritması, makine öğrenimi ve yapay zeka modellerinin eğitiminde, hata fonksiyonunu minimize etmek için model parametrelerini sürekli güncelleyerek optimizasyon sağlar. Başlıca kullanım alanları: Yapay sinir ağları: Sinir ağlarının eğitiminde, katmanlar arasındaki parametreleri güncelleyerek modelin çıktısını optimize eder. Regresyon analizi: Doğrusal ve lojistik regresyon modellerinde parametrelerin optimize edilmesinde kullanılır. Doğal dil işleme: Büyük dil modelleri ve transformer tabanlı yapıların eğitiminde etkilidir. Gradient-descent algoritmasının türleri arasında Batch Gradient Descent, Stochastic Gradient Descent ve Mini-Batch Gradient Descent bulunur.

XGBoost (Extreme Gradient Boosting), gradient boosting algoritmasına dayanır. Gradient boosting, bir dizi zayıf öğreneni (genellikle karar ağaçları) aşamalı bir şekilde birleştirerek güçlü bir öğrenme algoritması oluşturmayı amaçlayan bir ensemble yöntemidir.

Artımlı akış algoritması, verileri çevrimiçi olarak, yani alındığı anda öğrenmeyi ifade eder. Artımlı akış işleme, Apache Spark Yapılandırılmış Akış gibi teknolojiler tarafından desteklenir ve iki ana desenle gerçekleştirilir: 1. Akış alımı: Verilerin sürekli olarak kaynaktan havuza alınması. 2. Artımlı toplu alım: Yeni kayıtların belirli bir zamanlamaya göre veya dosya gelişine bağlı olarak işlenmesi. Artımlı akış işleme, yinelenen toplu işlerin tuzaklarından kaçınmayı sağlar ve veri işleme süreçlerini daha verimli hale getirir.

Karar ağaçlarında en iyi bölme kriteri, kullanılan algoritmaya ve problemin türüne göre değişiklik gösterebilir. İşte bazı yaygın bölme kriterleri: Gini Katsayısı. Bilgi Kazancı (Information Gain). Entropi. Kazanç Oranı (Gain Ratio). Ayrıca, Ortalama Kare Hatası (Mean Squared Error, MSE) ve Ortalama Mutlak Hata (Mean Absolute Error, MAE) gibi ölçütler de regresyon problemlerinde kullanılır. Karar ağaçlarında en iyi bölme kriterini belirlemek için, problemin gereksinimlerine ve veri setinin özelliklerine göre değerlendirme yapılması önerilir.

Kırmızı-siyah ağaç, bilgisayar biliminde bir çeşit kendini dengeleyen ikili arama ağacı veri yapısıdır. Kırmızı-siyah ağacın çalışma şekli: Renklendirme: Ağaçtaki her düğüm, değeri kırmızı veya siyah olabilen bir renk niteliğine sahiptir. Kurallar: Her düğüm ya kırmızı ya da siyah olmalıdır. Kök düğüm siyah olmalıdır. Bütün yapraklar siyah olmalıdır. Kırmızı bir düğümün her iki çocuğu da siyah olmalıdır. Bir düğümden atalarına doğru giden tüm basit yollar aynı sayıda siyah düğüm içermelidir. Dengeleme: Veri ekleme veya silme sırasında kurallar ihlal edilirse, ağacı dengelemek için döndürme işlemleri ve düğüm renklerinin değiştirilmesi yapılır. Bu özellikler sayesinde, veri ekleme, silme ve arama işlemleri büyük veri setlerinde bile O(log n) zaman karmaşıklığı ile hızlı bir şekilde gerçekleşir.

Veri yapıları ve algoritmalar, yazılım geliştirme sürecinde kritik bir rol oynar ve önemli olmasının bazı nedenleri şunlardır: Verimlilik: Doğru veri yapıları ve algoritmalar, işlemleri daha hızlı ve az kaynak kullanarak gerçekleştirmeyi sağlar, bu da yazılımların performansını doğrudan etkiler. Problem çözme: Karmaşık problemler, veri yapıları ve algoritmaların doğru kullanımı ile verimli bir şekilde çözülebilir. Kod okunabilirliği: Uygun veri yapıları ve algoritmalar seçildiğinde, kod daha okunabilir ve sürdürülebilir bir hale gelir. Ölçeklenebilirlik: İyi tasarlanmış bir veri yapısı, uygulamaların genişletilmesini destekleyebilir ve yazılımın duyarlı ve kararlı kalmasını sağlayabilir. Yazılım tasarımı: Veri yapıları ve algoritmalar, yazılımın temel tasarım kararlarını etkiler.

"Algoritmaların Gölgesinde Toplum ve İletişim" kitabı, algoritmaların toplum üzerindeki etkilerini eleştirel bir perspektiften ele alır. Kitapta, algoritmaların: Sahte haberler üzerindeki etkileri, toplumsal cinsiyet eşitsizliği, göç ve mülteciler gibi konulardaki rolleri, çalışma hayatı ve iş dünyası üzerindeki yansımaları tartışılır. Bireylerin kararlarını nasıl etkilediği ve manipüle ettiği incelenir. Gözetim toplumu ve polis devleti uygulamalarına dair değerlendirmeler yapılır. Kitap, algoritmik yanlılıkların toplumsal sorunlara yol açabileceğini ve bu etkileri en aza indirmek için çözüm önerileri sunar.

Harmoni arama algoritması (HAA), ilk olarak 2001 yılında Z. W. Geem tarafından önerilen, müzikteki doğaçlama ve armoni arayışından esinlenen bir meta-sezgisel popülasyon tabanlı global optimizasyon algoritmasıdır. HAA'nın bazı özellikleri: Basit ve verimli. Geniş kullanım alanı. Hem sürekli hem de ayrık değişkenli problemlere uygunluk. Yerel optimumlardan kurtulma. HAA'nın çalışma prensibi, bir müzisyenin daha iyi bir armoni bulmak için notaları deneme-yanılma yoluyla ayarlamasına benzer.

Random Forest (Rastgele Orman) algoritması, çeşitli durumlarda kullanılır: Finans: Kredi riski değerlendirmesi, dolandırıcılık tespiti ve opsiyon fiyatlandırma problemlerinde kullanılır. Sağlık: Tıbbi görüntü analizinde anormallikleri tespit etmek veya klinik verilere dayanarak hasta sonuçlarını tahmin etmek için kullanılır. E-ticaret: Kullanıcı tercihlerini tahmin etmek ve ürün önermek için tavsiye sistemlerinde kullanılır. Tarım: Çevresel faktörlere dayalı olarak mahsul verimini tahmin etmek için kullanılır. Diğer Alanlar: Bankacılık, perakende ve ilaç endüstrisi gibi alanlarda, müşteri aktivitelerini, hasta geçmişini ve güvenliğini analiz etmek için kullanılır. Random Forest, hem sınıflandırma hem de regresyon görevlerinde yüksek doğruluk ve sağlamlık sağlar.

Veri yapıları final sınavında çıkabilecek bazı konular: Hash fonksiyonları ve çakışma çözümleri. Ağaç veri yapıları. Sıralama algoritmaları. Yığın veri yapısı. Bağlı liste veri yapısı. Final sınavında çıkabilecek sorular, üniversiteye ve eğitim programına göre değişiklik gösterebilir. Örnek final soruları için aşağıdaki kaynaklar kullanılabilir: quizlet.com. ceng2.ktu.edu.tr. lolonolo.com.

Gri Kurt Algoritması (GWO), 2014 yılında Mirjalili ve arkadaşları tarafından geliştirilen, gri kurtların sosyal hiyerarşisini ve avlanma mekanizmalarını taklit eden bir meta-sezgisel optimizasyon algoritmasıdır. Algoritmanın temel özellikleri: Kurt Türleri: Alfa (α) kurtlar sürüdeki baskın kurtlardır, beta (β) kurtlar karar vermede alfaya yardımcı olur, delta (δ) kurtlar gözcü, avcı ve hasta bakıcı gibi roller üstlenir, omega (ω) kurtlar ise sürünün en alt seviyesinde yer alır. Avlanma Aşamaları: Arama, çevreleme ve saldırı aşamalarını içerir. Uygulama Kolaylığı: Algoritmanın uygulanması basittir ve çözüm kalitesi açısından başarılıdır. GWO algoritması, görüntü eşikleme, transformatör ağırlık optimizasyonu gibi çeşitli alanlarda kullanılmaktadır.

DSP (Dijital Sinyal İşlemcisi) algoritmaları genellikle şu işlemleri gerçekleştirir: Analog-dijital dönüşüm (ADC). Dijital sinyal işleme. Dijital-analog dönüşüm (DAC). DSP algoritmalarının bazı türleri: Fourier dönüşümü. Paralel işlem algoritmaları. DSP algoritmaları, assembly dilinde veya C, Java gibi yüksek seviyeli programlama dillerinde programlanır.

Quantitative developer (nicel geliştirici), yatırım bankaları, hedge fonlar ve diğer finansal firmalarda nicel modeller geliştirmek, uygulamak ve sürdürmek için çalışan bir yazılım geliştiricisi ve mühendisidir. Başlıca görevleri şunlardır: Ticaret algoritmaları geliştirme. Risk yönetimi araçları oluşturma. Ticaret stratejilerini optimize etme. Büyük verilerle çalışma. Tüccarlar ve analistlerle işbirliği yapma. Nicel geliştiriciler, finans, matematik ve kodlama becerilerini birleştirerek piyasa verilerini analiz eden, ticareti otomatikleştiren ve finansal stratejileri optimize eden algoritmalar geliştirir.

Veri yapıları, özellikle bilgisayar bilimi ve yazılım geliştirme dersleri için önemlidir. Veri yapılarının önemli olduğu bazı dersler şunlardır: BLG221 Veri Yapıları. Veri Yapıları ve Algoritmalar. Veri yapıları, yazılım geliştirmede şu nedenlerden dolayı önemlidir: Verimlilik. Ölçeklenebilirlik. Kod bakımı. Algoritma tasarımı.

Binary search tree'nin (BST) yüksekliği, ağaçtaki düğümlerin ekleme sırasına bağlı olarak değişebilir. En kötü durumda, BST'de arama, ekleme ve silme işlemleri O(n) zaman karmaşıklığına sahip olur, burada n ağaçtaki düğüm sayısını temsil eder. Ortalama durumda ise bu işlemler O(log n) zaman karmaşıklığına sahiptir. En iyi durumda, BST'de arama, ekleme ve silme işlemleri O(1) zaman karmaşıklığına sahip olur. Ağacın yüksekliğini sınırlamak için AVL ağaçları, red-black ağaçları gibi kendi kendini dengeleyen BST çeşitleri geliştirilmiştir.