Paylaşım Yap
Tüm Reklamları Kapat
Sorulara Dön
6

Yapay zekaya fizik öğretebilir miyiz? Ya da yapay zekanın bizim bulamadığımız doğa yasaları bulmasını sağlayabilir miyiz?

Geçen gün bilgisayar öğretmenimiz yapay zekanın tarihi gelişimi vs. konusunu işliyordu. Daha sonra yapay zekaya kimya öğretilerek yeni kimyasalların bulunduğu söyledi. Ne kadar doğru bilmiyorum. Daha sonradan peki bunu gerçekten yapabiliyorsak neden aynısını yapay zekaya fizik öğretip evrene dair yasaları bulmada kullanmıyoruz? sorusu aklıma geldi.
177 görüntülenme
  • Soruyu Takip Et
  • Raporla
Tüm Reklamları Kapat
1 Cevap
Cevap
Enes Demir
Enes Demir
33K UP
Araştırmacı ve düşünür

Makine Öğrenmesi (Machine Learning) Nedir?

Makine Öğrenmesi, matematiksel ve istatistiksel işlemler ile veriler üzerinden çıkarımlar yaparak tahminlerde bulunan sistemlerin bilgisayarlar ile modellemesidir.

Tüm Reklamları Kapat

Makine Nedir?

Makine, bilgisayarların algılayıcı verisi ya da veritabanları gibi veri türlerine dayalı öğrenimini olanaklı kılan algoritmalardır. Algoritmalar, makine öğrenimine güç veren motorlardır.

Tüm Reklamları Kapat

Temel kavramlar

• Bağımlı değişken: Makine öğrenmesi probleminde tahmin etmek için hedeflediğimiz ana değişkendir. (Araç fiyatı ve benzeri)

• Bağımsız değişken: Bağımlı değişkeni tahmin etmemize yardımcı olan değişkendir. (Vites türü, marka ve benzeri)

• Aşırı Öğrenme (Overfitting): Veri setinin ezberlenmeye yakın çok iyi öğrenilmiş olmasına rağmen yeni gördüğü veri setinde tahmin yapmak istendiğinde hata yapması durumudur.

• Underfitting: Aşırı öğrenmenin tam tersidir. Bu durumda da veri setimizdeki önemli özellikleri yakalayamayıp gerekli öğrenmeyi yapamamamız durumudur.

Denetimli (Gözetimli) Öğrenme (Supervised Learning)

Verileri ve o verilerden çıkan sonuçları makineye tekrar baştan vererek bu bilgilerden bir fonksiyon çıkartılmasını sağlamaktadır. Böylece makine veriler arasındaki ilişkiyi öğrenmektedir.

Bu tanımı bir örnekle pekiştirelim. Ikea’dan bir mobilya aldığınızı düşünün. Almış olduğunuz mobilya kutusundan bir sürü parça çıkacaktır. Bu parçalar bizim verilerimiz olsun. Bu parçalar ayrı ayrı durumdayken bizim için hiçbir şey ifade etmeyecektir. Yine aynı kutu içerisinden çıkan kâğıt parçasıyla mobilyayı sıfırdan yapmamız gerekmektedir. Makine öğrenmesinde de makineye parçaları yani verileri nasıl birleştireceğini söylemeyiz. Ona parçaları yani verileri verir, kâğıt parçasını da eline tutuştur mobilyayı tamamlamasını bekleriz.

Tüm Reklamları Kapat

Bu durum denetimli makine öğrenmesine bir örnektir çünkü makineye hem verileri hem de o verilerle neler yapabileceğini öğretiyoruz. Bunun için bir algoritma yazıyoruz. Her parçayı nasıl birleştireceğini anlatmaktan çok daha kısa bir kodla işi bitiriyoruz. İşin güzel tarafı da makinenin aynı algoritmayla farklı mobilya türleri üretebiliyor olması. Makine öğrenmesinin bu özelliği işimizi çok kolaylaştıracak olan bir kısmıdır.

Regresyon

Regresyon analizinde, iki ya da daha çok değişken yer aldığı istatiksel modellerde, genellikle neden-sonuç ilişkileri araştırılır. Yani değişkenlerden biri ya da birkaçının, diğer bir ya da birkaç değişkeni ne ölçüde etkilediği incelenir. Eğer değişkenler arasında ilişki varsa, ilişkinin derecesi matematiksel bir fonksiyon olarak ortaya konur. Bu fonksiyona regresyon fonksiyonu denir.

Regresyon analizi; bağımsız değişkenler (X1,X2…..Xn ) ile bağımlı değişken (Y)’deki değişimi açıklamayı hedefler. Örneğin; bir öğrencinin başarısı ve çalışma saati arasındaki ilişki araştırıldığında; bağımlı değişken Y olarak tanımlanır ve çalışma saati bağımsız değişkeni X olarak tanımlanır.

Tüm Reklamları Kapat

Regresyon modeli iki ya da daha fazla değişken arasındaki ilişkinin fonksiyonel şeklini göstermekle kalmaz, değişkenlerden birinin değeri bilindiğinde diğeri hakkında tahmin yapılmasını da sağlar.

Aralarında ilişki araştırılması istenen değişkenler sayılabilir veya ölçülebilir nitelikte olabilir. Üzerinde durulan değişkenlerden bağımlı değişken y, bağımsız değişken x ise, y=f(x) şeklindeki fonksiyona regresyon modeli denir. f(x) fonksiyonu farklı şekiller alabilir.

Lineer Regresyon

Lineer regresyon, bağımlı değişkenin sürekli olduğu durumlarda tercih edilir. Değişkenler arasındaki ilişki lineer bir çıktı verir. Lineer regresyon modeli aykırı değerlere çok hassastır. Veri havuzu içerisinde ortalamadan fazlaca sapan değerler lineer regresyon eğrisinin görünümünü bütünüyle değiştirebilir. Bu yüksek hassasiyet incelenen duruma göre istenen veya istenmeyen bir özellik olabilir.

Tüm Reklamları Kapat

Lojistik Regresyon

Lojistik regresyon, bağımlı değişken çıktısının sadece iki olasılıklı sonuçlar (evet/hayır, 0/1, doğru/yanlış) verdiği durumlarda kullanılır. Bağımsız değişken davranışına göre bağımlı değişkende meydana gelen değişim net bir şekilde gözlenir. Özellikle sınıflandırma gerektiren problemlerde sıkça kullanılır.

Örneğin; makine öğrenmesini kullanan CRM yazılımları müşterilerin ilgi duydukları ürünler ile alım tercihleri arasındaki ilişkiyi kurarken lojistik regresyona başvurur. Güvenilirlik oranının yükseltilmesi için geniş bir veri örneği ile çalışmak lojistik regresyonda önemlidir. Modelin uygulandığı veri aralığının dar olması çıktının genellemeden uzak olmasına dolayısıyla kesinlikten uzaklaşmasına sebep olur.

Karar Ağacı/Şeması

Karar ağacı yöntemi, verileri sınıflandırmada kullanılan etkili yöntemlerden biridir. Kümeleme yönteminden farkı, denetimli makine öğrenmesi tarafından kullanılmasıdır. Yani elimizdeki verilerin etiketlenmiş olduğu durumlardaki ayrımlarını görmek için kullanıyoruz. Adından da anlaşılacağı üzere, veriler bir akış şeması halinde alt başlıklar veya ilişkili başlıklar olarak sınıflandırılır. Verileri yorumlamak ve veriler arası ilişki kurmak açısından avantajlı bir yöntemdir. Makine öğrenmesinde uygulandığı örneklerin arasında; karakter tanıma, kullanıcı davranışları belirleme, ses tanıma, hastalık teşhisi, kredi dolandırıcılığı tespiti gibi uygulamalar bulunur.

Rastlantısal Orman (Random Forest)

Karar ağacı algoritmasını hatırlarsak bir tane ağaç yapısı oluşturuyorduk. Daha sonra ağaç yapısı için bir kök ve değişkenlerin değerlerine göre dallar oluşturulup sonuca ulaşmaya çalışıyorduk. Elimizde olan veri setindeki değerleri rastgele olarak kullanarak, bu ağaçlardan n tane oluşturuyorsak buna rastgele orman algoritması deniyor. Yani rastgele değerlere göre oluşturulmuş dalları olan ağaçlar bütünüdür. Buna da haliyle orman deniyor. Hem sınıflandırma hem de regresyon için kullanılabilinir.

KNN (K En Yakın Komşu), Naive Bayes, Support Vector Machine, Yapay Sinir Ağları (Artificial Neural Networks), Convolutional Neural Networks, Recurrent Neural Networks vs. makine öğrenmesinde kullanılan birçok metot bulunmaktadır.

Denetimsiz (Gözetimsiz) Öğrenme (Unsupervised Learning)

Denetimsiz öğrenme, modeli denetlemenize gerek olmayan bir makine öğrenme tekniğidir. Bunun yerine, modelin bilgileri keşfetmek için kendi başına çalışmasına izin vermeniz gerekir.

Tüm Reklamları Kapat

Denetimsiz öğrenme algoritmaları, denetimli öğrenmeye kıyasla daha karmaşık işleme görevleri gerçekleştirmenizi sağlar.

Yine Ikea örneğini hatırlayacak olursak bir girdi ve bir de çıktı vardı. Parçalar girdi, mobilya çıktıydı. Denetimsiz öğrenmede çıktı bulunmamaktadır. Parçalar vardır ama mobilya üretilmeyecektir. Yani elimizde sadece etiketsiz veri vardır.

Denetimsiz Öğrenmenin temel görevi verileri sınırlandırmaktır. Google fotoğraflardaki yüzler, hayvanlar ve bitkiler sınıflandırması denetimsiz öğrenmeye örnek gösterilebilir.

Kümeleme Yöntemi

Tüm Reklamları Kapat

Kümeleme yöntemi, makine öğrenmesinin bir çeşidi olan gözetimsiz öğrenmede kullanılan bir istatistiksel yaklaşımdır. Gözetimsiz öğrenmede kullanılan etiketlenmemiş veriler kümeleme yöntemi ile gösterdikleri özelliklere göre sınıflandırılır. Elinizde bir veri havuzu olduğunu düşünelim, binlerce veri benzer özelliklerine göre kümelere ayrılır sonuç olarak verilerin birbirine yakınlığına bağlı olmak üzere elinizde belli sayıda veri kümesi oluşur.

Temel Bileşenler Analizi (Principal Component Analysis)

Temel Bileşenler Analizi, çok değişkenli bir veri seti içerisindeki bilgiyi daha az değişkenle ve minimum bilgi kaybıyla açıklamanın bir matematiksel tekniğidir. Başka bir tanımla PCA, çok sayıda birbiri ile ilişkili değişkenler içeren veri setinin boyutunu, veri seti içerisindeki veriyi koruyarak daha küçük boyuta indirgenmesini sağlayan bir dönüşüm tekniğidir. PCA, büyük boyutlu veri setlerindeki boyutsallığı azaltır. Teknik, boyut küçültme işleminde veri seti içerisindeki değişken sayısını azaltmayı hedefler. Dönüşüm sonrasında elde edilen değişkenler ilk değişkenlerin temel bileşenleri olarak adlandırılır. İlk temel bileşen olarak varyans değeri en büyük olan seçilir ve diğer temel bileşenler varyans değerleri azalacak şekilde sıralanır.

PCA’nın Özellikleri

Tüm Reklamları Kapat

PCA, boyut azaltmada çok faydalı bir yöntemdir.

PCA, çok boyutlu verileri yaklaşık olarak ve daha az boyutlu veriyle temsil eder.

PCA, orijinal veriler için dik-olan-en-büyük-varyans-yönleri bulup orijinal verileri bu koordinat sisteminde gösterir.

PCA, çok boyutlu verilerin görsel gösterilmesi ve incelenmesi için kullanılabilir.

Tüm Reklamları Kapat

PCA, makine öğrenmesi olarak, verilerin boyutu azaltabilir–az değişen PCA özellikleri modelleme için önemsiz olabilir, bu şekilde modelleme ile ilgili hesaplama hızlandırabilir.

PCA, veri sıkıştırma içinde kullanılabilir.

PCA’nın üç temel amacı vardır:

Verilerin boyutunu azaltma

Tüm Reklamları Kapat

Tahminleme yapma

Veri setini, bazı analizler yapmak için görüntülemek.

Yarı Denetimli Öğrenme (Semi-supervised Learning)

Yarı denetimli öğrenme, denetimli ve denetimsiz öğrenmenin arasında yer alır. Çok fazla etiketlenmemiş veri ile etiketlenmiş küçük boyutlu verinin birlikte kullanılmasından oluşmaktadır. Daha çok genetik sıralama, ağ sayfası sınıflandırmada kullanılmaktadır.

Tüm Reklamları Kapat

Takviyeli (Pekiştirmeli) Öğrenme (Reinforcement Learning)

Takviyeli öğrenme denetimli-denetimsiz öğrenmeden farklıdır. Takviyeli öğrenmede, bir ödül-ceza sistemi bulunmaktadır. Burada makinenin amacı istenilen eyleme ulaşılan doğru yolu bulmaktır, doğru yola giderken yaptığı hatalardan çıkarımlar yapar ve belli bir ödül-ceza temeli üzerinde çalışır. Ardından çıkarımlarından en az hata ile doğru eylemi bulmaya çalışır.

Takviyeli öğrenmede asıl amaç çevreyle etkileşime girerek çevreden geri bildirim alıp ödülleri maksimuma çıkartarak hareket tarzı bulmasıdır.

Örneğin; bir bebeğin sıcak suya dokunup elinin yanması ve aynı sıcak suya elini sokmaktan çekinmesi takviyeli öğrenmedir. Bu durumda bebek çevreyle etkileşiminden negatif geri bildirim almıştır.

Tüm Reklamları Kapat

Toplu eğitimde eğitim kümesinin tamamı tek seferde ağa verilirken, tekil öğrenmede eğitim örnekleri birer birer ağa verilmektedir. Her iki yöntemin diğerine göre avantaj ve dezavantajları bulunmaktadır. Tekil eğitimin daha hızlı yakınsadığı, daha iyi lokal minimumları bulduğu, buna karşın birçok öğrenme algoritmasının sadece toplu eğitim için uygulanabildiği bilinmektedir. Toplu eğitim paralel hesaplama yapılabilirken, tekil eğitim

paralel hesaplama yapılamamaktadır.

Paralel hesaplama ya da Koşut hesaplama, aynı görevin, sonuçları daha hızlı elde etmek için çoklu işlemcilerde eş zamanlı olarak işletilmesidir. Bu fikir, problemlerin çözümünün ufak görev parçalarına bölünmesi ve bunların eş zamanlı olarak koordine edilmesine dayanır.

Yeni Veriyi Mevcutlarla Kıyaslama veya Model Oluşturmaya Göre Öğrenme Türleri

Tüm Reklamları Kapat

Model Tabanlı Öğrenme (Model-Based Learning)

Model gerçek dünyada (ör: robotlar) veya bilgisayarda (ör: oyunlar) eylem gerçekleştirir. Daha sonra ödülü olumlu ya da olumsuz olsun çevreden alırlar ve değer işlevlerini güncellerler.

Öğrenmeyi hızlandırma avantajına sahiptir, çünkü öğrenmeye devam etmek için çevrenin yanıt vermesini beklemenize veya çevreyi bir duruma sıfırlamaya gerek yoktur.

Makine Öğrenmesi Nerelerde Kullanılır?

Tüm Reklamları Kapat

Büyük markaların tavsiye sistemleri

e-postaların iyi kötü ayrıştırılması (istenmeyen e-postalar)

Mesajlarda kelime ve cümlelerin tamamlanması

İşverenlerin adayları tanımlaması ve nitelendirmesi

Tüm Reklamları Kapat

Sahtekarlıkların tespit edilmesi ve hisse senedi fiyatlarını tahmin edilmesi.

ERP/ERM (Kurumsal kaynak planlaması) uygulamaları: Varlık arızası ve bakımını tahmin etmek, kalite güvencesini geliştirmek ve üretim hattı performansını artırmak.

En kısa tanımıyla makine öğrenmesi nedir?

Özetleyecek olursak; makine öğrenmesi, kod yazmanıza gerek kalmadan veriler ile oluşturacağınız bir algoritmanın veriye dayanarak kendi mantığını oluşturması ve diğer işlemleri de aynı mantıkla yapmaya devam edebilmesi işlemidir.

[1]

Kaynaklar

  1. Veri Bilimi Okulu. Makineler Nasıl Öğrenir? - Veri Bilimi Okulu. (26 Nisan 2020). Alındığı Tarih: 16 Kasım 2022. Alındığı Yer: Veri Bilimi Okulu | Arşiv Bağlantısı
5
  • Raporla
Daha Fazla Cevap Göster
Cevap Ver
Evrim Ağacı Soru & Cevap Platformu, Türkiye'deki bilimseverler tarafından kolektif ve öz denetime dayalı bir şekilde sürdürülen, özgür bir ortamdır. Evrim Ağacı tarafından yayınlanan makalelerin aksine, bu platforma girilen soru ve cevapların içeriği veya gerçek/doğru olup olmadıkları Evrim Ağacı yönetimi tarafından denetlenmemektedir. Evrim Ağacı, bu platformda yayınlanan cevapları herhangi bir şekilde desteklememekte veya doğruluğunu garanti etmemektedir. Doğru olmadığını düşündüğünüz cevapları, size sunulan denetim araçlarıyla işaretleyebilir, daha doğru olan cevapları kaynaklarıyla girebilir ve oylama araçlarıyla platformun daha güvenilir bir ortama evrimleşmesine katkı sağlayabilirsiniz.
Sorulara Dön
Evrim Ağacı'na Destek Ol
Evrim Ağacı'nın %100 okur destekli bir bilim platformu olduğunu biliyor muydunuz? Evrim Ağacı'nın maddi destekçileri arasına katılarak Türkiye'de bilimin yayılmasına güç katmak için hemen buraya tıklayın.
Popüler Yazılar
30 gün
90 gün
1 yıl
EA Akademi
Evrim Ağacı Akademi (ya da kısaca EA Akademi), 2010 yılından beri ürettiğimiz makalelerden oluşan ve kendi kendinizi bilimin çeşitli dallarında eğitebileceğiniz bir çevirim içi eğitim girişimi! Evrim Ağacı Akademi'yi buraya tıklayarak görebilirsiniz. Daha fazla bilgi için buraya tıklayın.
Etkinlik & İlan
Bilim ile ilgili bir etkinlik mi düzenliyorsunuz? Yoksa bilim insanlarını veya bilimseverleri ilgilendiren bir iş, staj, çalıştay, makale çağrısı vb. bir duyurunuz mu var? Etkinlik & İlan Platformumuzda paylaşın, milyonlarca bilimsevere ulaşsın.
Podcast
Evrim Ağacı'nın birçok içeriğinin profesyonel ses sanatçıları tarafından seslendirildiğini biliyor muydunuz? Bunların hepsini Podcast Platformumuzda dinleyebilirsiniz. Ayrıca Spotify, iTunes, Google Podcast ve YouTube bağlantılarını da bir arada bulabilirsiniz.
Aklımdan Geçen
Komünite Seç
Aklımdan Geçen
Fark Ettim ki...
Bugün Öğrendim ki...
İşe Yarar İpucu
Bilim Haberleri
Hikaye Fikri
Video Konu Önerisi
Başlık
Kafana takılan neler var?
Bağlantı
Kurallar
Komünite Kuralları
Bu komünite, aklınızdan geçen düşünceleri Evrim Ağacı ailesiyle paylaşabilmeniz içindir. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu komünitenin ek kurallarına da uymanız gerekmektedir.
1
Bilim kimliğinizi önceleyin.
Evrim Ağacı bir bilim platformudur. Dolayısıyla aklınızdan geçen her şeyden ziyade, bilim veya yaşamla ilgili olabilecek düşüncelerinizle ilgileniyoruz.
2
Propaganda ve baskı amaçlı kullanmayın.
Herkesin aklından her şey geçebilir; fakat bu platformun amacı, insanların belli ideolojiler için propaganda yapmaları veya başkaları üzerinde baskı kurma amacıyla geliştirilmemiştir. Paylaştığınız fikirlerin değer kattığından emin olun.
3
Gerilim yaratmayın.
Gerilim, tersleme, tahrik, taciz, alay, dedikodu, trollük, vurdumduymazlık, duyarsızlık, ırkçılık, bağnazlık, nefret söylemi, azınlıklara saldırı, fanatizm, holiganlık, sloganlar yasaktır.
4
Değer katın; hassas konulardan ve öznel yoruma açık alanlardan uzak durun.
Bu komünitenin amacı okurlara hayatla ilgili keyifli farkındalıklar yaşatabilmektir. Din, politika, spor, aktüel konular gibi anlık tepkilere neden olabilecek konulardaki tespitlerden kaçının. Ayrıca aklınızdan geçenlerin Türkiye’deki bilim komünitesine değer katması beklenmektedir.
5
Cevap hakkı doğurmayın.
Bu platformda cevap veya yorum sistemi bulunmamaktadır. Dolayısıyla aklınızdan geçenlerin, tespit edilebilir kişilere cevap hakkı doğurmadığından emin olun.
Gönder
Ekle
Soru Sor

Göster

Şifremi unuttum Üyelik Aktivasyonu

Göster

Şifrenizi mi unuttunuz? Lütfen e-posta adresinizi giriniz. E-posta adresinize şifrenizi sıfırlamak için bir bağlantı gönderilecektir.

Geri dön

Eğer aktivasyon kodunu almadıysanız lütfen e-posta adresinizi giriniz. Üyeliğinizi aktive etmek için e-posta adresinize bir bağlantı gönderilecektir.

Geri dön

Close
Geri Bildirim Gönder
Paylaş
Reklamsız Deneyim

Evrim Ağacı'ndaki reklamları, bütçenize uygun bir şekilde, kendi seçtiğiniz bir süre boyunca kapatabilirsiniz. Tek yapmanız gereken, kaç ay boyunca kapatmak istediğinizi aşağıdaki kutuya girip tek seferlik ödemenizi tamamlamak:

10₺/ay
x
ay
= 30
3 Aylık Reklamsız Deneyimi Başlat
Evrim Ağacı'nda ücretsiz üyelik oluşturan ve sitemizi üye girişi yaparak kullanan kullanıcılarımızdaki reklamların %50 daha az olduğunu, Kreosus/Patreon/YouTube destekçilerimizinse sitemizi tamamen reklamsız kullanabildiğini biliyor muydunuz? Size uygun seçeneği aşağıdan seçebilirsiniz:
Evrim Ağacı Destekçilerine Katıl
Zaten Kreosus/Patreon/Youtube Destekçisiyim
Reklamsız Deneyim
Kreosus

Kreosus'ta her 10₺'lik destek, 1 aylık reklamsız deneyime karşılık geliyor. Bu sayede, tek seferlik destekçilerimiz de, aylık destekçilerimiz de toplam destekleriyle doğru orantılı bir süre boyunca reklamsız deneyim elde edebiliyorlar.

Kreosus destekçilerimizin reklamsız deneyimi, destek olmaya başladıkları anda devreye girmektedir ve ek bir işleme gerek yoktur.

Patreon

Patreon destekçilerimiz, destek miktarından bağımsız olarak, Evrim Ağacı'na destek oldukları süre boyunca reklamsız deneyime erişmeyi sürdürebiliyorlar.

Patreon destekçilerimizin Patreon ile ilişkili e-posta hesapları, Evrim Ağacı'ndaki üyelik e-postaları ile birebir aynı olmalıdır. Patreon destekçilerimizin reklamsız deneyiminin devreye girmesi 24 saat alabilmektedir.

YouTube

YouTube destekçilerimizin hepsi otomatik olarak reklamsız deneyime şimdilik erişemiyorlar ve şu anda, YouTube üzerinden her destek seviyesine reklamsız deneyim ayrıcalığını sunamamaktayız. YouTube Destek Sistemi üzerinde sunulan farklı seviyelerin açıklamalarını okuyarak, hangi ayrıcalıklara erişebileceğinizi öğrenebilirsiniz.

Eğer seçtiğiniz seviye reklamsız deneyim ayrıcalığı sunuyorsa, destek olduktan sonra YouTube tarafından gösterilecek olan bağlantıdaki formu doldurarak reklamsız deneyime erişebilirsiniz. YouTube destekçilerimizin reklamsız deneyiminin devreye girmesi, formu doldurduktan sonra 24 saat alabilmektedir.

Diğer Platformlar

Bu 3 platform haricinde destek olan destekçilerimize ne yazık ki reklamsız deneyim ayrıcalığını sunamamaktayız. Destekleriniz sayesinde sistemlerimizi geliştirmeyi sürdürüyoruz ve umuyoruz bu ayrıcalıkları zamanla genişletebileceğiz.

Giriş yapmayı unutmayın!

Reklamsız deneyim için, maddi desteğiniz ile ilişkilendirilmiş olan Evrim Ağacı hesabınıza yapmanız gerekmektedir. Giriş yapmadığınız takdirde reklamları görmeye devam edeceksinizdir.

Destek Ol

Devamını Oku
Evrim Ağacı Uygulamasını
İndir
Chromium Tabanlı Mobil Tarayıcılar (Chrome, Edge, Brave vb.)
İlk birkaç girişinizde zaten tarayıcınız size uygulamamızı indirmeyi önerecek. Önerideki tuşa tıklayarak uygulamamızı kurabilirsiniz. Bu öneriyi, yukarıdaki videoda görebilirsiniz. Eğer bu öneri artık gözükmüyorsa, Ayarlar/Seçenekler (⋮) ikonuna tıklayıp, Uygulamayı Yükle seçeneğini kullanabilirsiniz.
Chromium Tabanlı Masaüstü Tarayıcılar (Chrome, Edge, Brave vb.)
Yeni uygulamamızı kurmak için tarayıcı çubuğundaki kurulum tuşuna tıklayın. "Yükle" (Install) tuşuna basarak kurulumu tamamlayın. Dilerseniz, Evrim Ağacı İleri Web Uygulaması'nı görev çubuğunuza sabitleyin. Uygulama logosuna sağ tıklayıp, "Görev Çubuğuna Sabitle" seçeneğine tıklayabilirsiniz. Eğer bu seçenek gözükmüyorsa, tarayıcının Ayarlar/Seçenekler (⋮) ikonuna tıklayıp, Uygulamayı Yükle seçeneğini kullanabilirsiniz.
Safari Mobil Uygulama
Sırasıyla Paylaş -> Ana Ekrana Ekle -> Ekle tuşlarına basarak yeni mobil uygulamamızı kurabilirsiniz. Bu basamakları görmek için yukarıdaki videoyu izleyebilirsiniz.

Daha fazla bilgi almak için tıklayın

Önizleme
Görseli Kaydet
Sıfırla
Vazgeç
Ara
Raporla

Raporlama sisteminin amacı, platformu uygunsuz biçimde kullananların önüne geçmektir. Lütfen bir içeriği, sadece düşük kaliteli olduğunu veya soruya cevap olmadığını düşündüğünüz raporlamayınız; bu raporlar kabul edilmeyecektir. Bunun yerine daha kaliteli cevapları kendiniz girmeye çalışın veya diğer kullanıcıları oylama, teşekkür ve en iyi cevap araçları ile daha kaliteli cevaplara teşvik edin. Kalitesiz bulduğunuz içerikleri eleyebileceğiniz, kalitelileri daha ön plana çıkarabileceğiniz yeni araçlar geliştirmekteyiz.

Soru Sor
Aşağıdaki "Soru" kutusunu sadece soru sormak için kullanınız. Bu kutuya soru formatında olmayan hiçbir cümle girmeyiniz. Sorunuzla ilgili ek bilgiler vermek isterseniz, "Açıklama" kısmına girebilirsiniz. Soru kısmının soru cümlesi haricindeki kullanımları sorunuzun silinmesine ve UP kaybetmenize neden olabilir.
Görsel Ekle
Kurallar
Platform Kuralları
Bu platform, aklınıza takılan soruları sorabilmeniz ve diğerlerinin sorularını yanıtlayabilmeniz içindir. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu platformun ek kurallarına da uymanız gerekmektedir.
1
Gerçekten soru sorun, imâdan ve yüklü sorulardan kaçının.
Sorularınızın amacı nesnel olarak gerçeği öğrenmek veya fikir almak olmalıdır. Şahsi kanaatinizle ilgili mesaj vermek için kullanmayın; yüklü soru sormayın.
2
Bilim kimliğinizi kullanın.
Evrim Ağacı bir bilim platformudur. Dolayısıyla sorular ve cevaplar, bilimsel perspektifi yansıtmalıdır. Geçerli bilimsel kaynaklarla doğrulanamayan bilgiler veya reklamlar silinebilir.
3
Düzgün ve insanca iletişim kurun.
Gerilim, tersleme, tahrik, taciz, alay, dedikodu, trollük, vurdumduymazlık, duyarsızlık, ırkçılık, bağnazlık, nefret söylemi, azınlıklara saldırı, fanatizm, holiganlık, sloganlar yasaktır.
4
Sahtebilimi desteklemek yasaktır.
Sahtebilim kategorisi altında konuyla ilgili sorular sorabilirsiniz; ancak bilimsel geçerliliği bulunmayan sahtebilim konularını destekleyen sorular veya cevaplar paylaşmayın.
5
Türkçeyi düzgün kullanın.
Şair olmanızı beklemiyoruz; ancak yazdığınız içeriğin anlaşılır olması ve temel düzeyde yazım ve dil bilgisi kurallarına uyması gerekmektedir.
Soru Ara
Aradığınız soruyu bulamadıysanız buraya tıklayarak sorabilirsiniz.
Alıntı Ekle
Eser Ekle
Kurallar
Komünite Kuralları
Bu komünite, fark edildiğinde ufku genişleten tespitler içindir. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu komünitenin ek kurallarına da uymanız gerekmektedir.
1
Formu olabildiğince eksiksiz doldurun.
Girdiğiniz sözün/alıntının kaynağı ne kadar açıksa o kadar iyi. Açıklama kısmına kitabın sayfa sayısını veya filmin saat/dakika/saniye bilgisini girebilirsiniz.
2
Anonimden kaçının.
Bazı sözler/alıntılar anonim olabilir. Fakat sözün anonimliğini doğrulamaksızın, bilmediğiniz her söze/alıntıya anonim yazmayın. Bu tür girdiler silinebilir.
3
Kaynağı araştırın ve sorgulayın.
Sayısız söz/alıntı, gerçekte o sözü hiçbir zaman söylememiş/yazmamış kişilere, hatalı bir şekilde atfediliyor. Paylaşımınızın site geneline yayılabilmesi için kaliteli kaynaklar kullanın ve kaynaklarınızı sorgulayın.
4
Ofansif ve entelektüel düşünceden uzak sözler yasaktır.
Gerilim, tersleme, tahrik, taciz, alay, dedikodu, trollük, vurdumduymazlık, duyarsızlık, ırkçılık, bağnazlık, nefret söylemi, azınlıklara saldırı, fanatizm, holiganlık, sloganlar yasaktır.
5
Sözlerinizi tırnak (") içine almayın.
Sistemimiz formatı otomatik olarak ayarlayacaktır.
Gönder
Tavsiye Et
Aşağıdaki kutuya, [ESER ADI] isimli [KİTABI/FİLMİ] neden tavsiye ettiğini girebilirsin. Ne kadar detaylı ve kapsamlı bir analiz yaparsan, bu eseri [OKUMAK/İZLEMEK] isteyenleri o kadar doğru ve fazla bilgilendirmiş olacaksın. Tavsiyenin sadece negatif içerikte olamayacağını, eğer bu sistemi kullanıyorsan tavsiye ettiğin içeriğin pozitif taraflarından bahsetmek zorunda olduğunu lütfen unutma. Yapıcı eleştiri hakkında daha fazla bilgi almak için burayı okuyabilirsin.
Kurallar
Platform Kuralları
Bu platform; okuduğunuz kitaplara, izlediğiniz filmlere/belgesellere veya takip ettiğiniz YouTube kanallarına yönelik tavsiylerinizi ve/veya yapıcı eleştirel fikirlerinizi girebilmeniz içindir. Tavsiye etmek istediğiniz eseri bulamazsanız, buradan yeni bir kayıt oluşturabilirsiniz. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu platformun ek kurallarına da uymanız gerekmektedir.
1
Önceliğimiz pozitif tavsiyelerdir.
Bu platformu, beğenmediğiniz eserleri yermek için değil, beğendiğiniz eserleri başkalarına tanıtmak için kullanmaya öncelik veriniz. Sadece negatif girdileri olduğu tespit edilenler platformdan geçici veya kalıcı olarak engellenebilirler.
2
Tavsiyenizin içeriği sadece negatif olamaz.
Tavsiye yazdığınız eserleri olabildiğince objektif bir gözlükle anlatmanız beklenmektedir. Dolayısıyla bir eseri beğenmediyseniz bile, tavsiyenizde eserin pozitif taraflarından da bahsetmeniz gerekmektedir.
3
Negatif eleştiriler yapıcı olmak zorundadır.
Eğer tavsiyenizin ana tonu negatif olacaksa, tüm eleştirileriniz yapıcı nitelikte olmak zorundadır. Yapıcı eleştiri kurallarını buradan öğrenebilirsiniz. Yapıcı bir tarafı olmayan veya tamamen yıkıcı içerikte olan eleştiriler silinebilir ve yazarlar geçici veya kalıcı olarak engellenebilirler.
4
Düzgün ve insanca iletişim kurun.
Gerilim, tersleme, tahrik, taciz, alay, dedikodu, trollük, vurdumduymazlık, duyarsızlık, ırkçılık, bağnazlık, nefret söylemi, azınlıklara saldırı, fanatizm, holiganlık, sloganlar yasaktır.
5
Türkçeyi düzgün kullanın.
Şair olmanızı beklemiyoruz; ancak yazdığınız içeriğin anlaşılır olması ve temel düzeyde yazım ve dil bilgisi kurallarına uyması gerekmektedir.
Eser Ara
Aradığınız eseri bulamadıysanız buraya tıklayarak ekleyebilirsiniz.
Tür Ekle
Üst Takson Seç
Kurallar
Komünite Kuralları
Bu platform, yaşamış ve yaşayan bütün türleri filogenetik olarak sınıflandırdığımız ve tanıttığımız Yaşam Ağacı projemize, henüz girilmemiş taksonları girebilmeniz için geliştirdiğimiz bir platformdur. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu komünitenin ek kurallarına da uymanız gerekmektedir.
1
Takson adlarını doğru yazdığınızdan emin olun.
Taksonların sadece ilk harfleri büyük yazılmalıdır. Latince tür adlarında, cins adının ilk harfi büyük, diğer bütün harfler küçük olmalıdır (Örn: Canis lupus domesticus). Türkçe adlarda da sadece ilk harf büyük yazılmalıdır (Örn: Evcil köpek).
2
Taksonlar arası bağlantıları doğru girin.
Girdiğiniz taksonun üst taksonunu girmeniz zorunludur. Eğer üst takson yoksa, mümkün olduğunca öncelikle üst taksonları girmeye çalışın; sonrasında daha alt taksonları girin.
3
Birden fazla kaynaktan kontrol edin.
Mümkün olduğunca ezbere iş yapmayın, girdiğiniz taksonların isimlerinin birden fazla kaynaktan kontrol edin. Alternatif (sinonim) takson adlarını girmeyi unutmayın.
4
Tekrara düşmeyin.
Aynı taksonu birden fazla defa girmediğinizden emin olun. Otomatik tamamlama sistemimiz size bu konuda yardımcı olacaktır.
5
Mümkünse, takson tanıtım yazısı (Taksonomi yazısı) girin.
Bu araç sadece taksonları sisteme girmek için geliştirilmiştir. Dolayısıyla taksonlara ait minimal bilgiye yer vermektedir. Evrim Ağacı olarak amacımız, taksonlara dair detaylı girdilerle bu projeyi zenginleştirmektir. Girdiğiniz türü daha kapsamlı tanıtmak için Taksonomi yazısı girin.
Gönder
Tür Gözlemi Ekle
Tür Seç
Fotoğraf Ekle
Kurallar
Komünite Kuralları
Bu platform, bizzat gözlediğiniz türlerin fotoğraflarını paylaşabilmeniz için geliştirilmiştir. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu komünitenin ek kurallarına da uymanız gerekmektedir.
1
Net ve anlaşılır görseller yükleyin.
Her zaman bir türü kusursuz netlikte fotoğraflamanız mümkün olmayabilir; ancak buraya yüklediğiniz fotoğraflardaki türlerin özellikle de vücut deseni gibi özelliklerinin rahatlıkla ayırt edilecek kadar net olması gerekmektedir.
2
Özgün olun, telif ihlali yapmayın.
Yüklediğiniz fotoğrafların telif hakları size ait olmalıdır. Başkası tarafından çekilen fotoğrafları yükleyemezsiniz. Wikimedia gibi açık kaynak organizasyonlarda yayınlanan telifsiz fotoğrafları yükleyebilirsiniz.
3
Paylaştığınız fotoğrafların telif hakkını isteyemezsiniz.
Yüklediğiniz fotoğraflar tamamen halka açık bir şekilde, sınırsız ve süresiz kullanım izniyle paylaşılacaktır. Bu fotoğraflar nedeniyle Evrim Ağacı’ndan telif veya ödeme talep etmeniz mümkün olmayacaktır. Kendi fotoğraflarınızı başka yerlerde istediğiniz gibi kullanabilirsiniz.
4
Etik kurallarına uyun.
Yüklediğiniz fotoğrafların uygunsuz olmadığından ve başkalarının haklarını ihlâl etmediğinden emin olun.
5
Takson teşhisini doğru yapın.
Yaptığınız gözlemler, spesifik taksonlarla ilişkilendirilmektedir. Takson teşhisini doğru yapmanız beklenmektedir. Taksonu bilemediğinizde, olabildiğince genel bir taksonla ilişkilendirin; örneğin türü bilmiyorsanız cins ile, cinsi bilmiyorsanız aile ile, aileyi bilmiyorsanız takım ile, vs.
Gönder
Tür Ara
Aradığınız türü bulamadıysanız buraya tıklayarak ekleyebilirsiniz.