0
yorum

19 Kasım 2018 Pazartesi

'Güncellenmiş' Fizik Lisans/Y.Lisans Tavsiyeleri

*Bu yazı yakın zamanda doktora çalışmalarım paralelinde yazılar yayınladığım 'Standart Model' blogunda da yayınlanmıştır.

Epey zaman oldu; fizik lisans hayatımın son sınav gecesi, tipik 'erteleme' sendorumundan muzdarip ınava çalışmak yerine yapacak daha 'ilginç' şeyler ararken fizik lisans hayatımı gözden geçirip ufak bir değerlendirme yazısı yazmaya niyetlenmiştim. Dört seneyi bir yazıda toparlayacağımı düşünürken ilk seneyi bitirdiğimde yazı bin kelimeye çoktan dayanmıştı; sonunda sonuç birkaç yazının birleşimi olarak 'Yeni Mezundan Lisans Fizik Tavsiyeleri' yazı dizisi oldu. Yazılar sosyal medyanın etkisiyle fena halde patladı ve üzerinden geçen dört seneye rağmen hala her ay, ortalama 300 kere okunuyorlar. Boğaziçi Ünv. Fizik Bölümü'ne verdiğim referanslarla da bölümü seçecek lise öğrencileri için de 'neyle karşılaşacaklarına' dair (bazen "moral bozucu" olmuş olsa da) fikir vermeye devam ediyor. Her sene tercih dönemlerinin başladığını, bu yazıları okuyup aklındakileri bana sormak için mail kutuma düşen epostalardan tahmin eder duruma geldim diyebilirim. Yazıların bu kadar etkisi olduğunu bilmek ve hala okunması beni fazlasıyla mutlu ediyor.

Bu süreçte ben de yüksek lisansa başladım; bölümde araştırma görevlisi olarak çalışmaya başladım; CERN'de projelere girdim, araştırmaya ilk adımlar, sonrasında doktora derken bu dönem itibariyle öğrencilik hayatımın son derslerini de verip 'tam anlamıyla' kendimi araştırmaya adayacağım zamana kadar geldim. Bu süreçte yazılarda bahsettiğim birçok noktayı haklı çıkaracak çok durumla karşılaştım; hatta bazılarını yeteri kadar vurgulamadığımı dahi fark ettim. Birçok yeni 'tavsiyeyi' de listeye mutlaka eklemem gerektiğini düşündüm. Bu vesileyle iki yeni yazı planlıyorum. Birincisi, bu yazıyla 'lisans tavsiyelerini' kendi y.lisans/doktora deneyimimle güncelleyip, ikinci yazıda da kendi çalıştığım alana biraz daha odaklanıp ileride deneysel parçacık fiziği çalışmayı hayal edenler için tavsiyelere yer vereceğim. Bu seferki tavsiyeleri sınıf sınıf ayırmadan, gerektiğinde geçmiştekilere referans ederek dile getirmek niyetim. [Bu arada tavsiyelerin gittikçe daha çok 'uygulamalı' alanlar tarafına meyil ettiğini göreceksiniz, bu 'bias' maalesef kaçınılmaz; yazdığım tavsiyeler büyük ölçekte ileride teori yapmak isteyen kişiler için de az-çok geçerli olsa da keşke bir teorici de ucundan tutup başka bir yazı ile tamamlasa keşke - gönüllü konuk yazarlara açığım bu arada!] Geçmiş tavsiyeler vesilesiyle epey 'samimi' olduğumuzu düşünüp, sevgili okura 'sen' olarak hitap edeceğim! Hadi başlayalım!

İlk başlayacağım nokta, bence bu tavsiyelerin en çok vurgulamak istediğim kısmı. Feynman'ın öldükten sonra odasında çekilen fotoğrafta, kara tahtanın köşesinde yazılı bir not vardır:

"Kendim oluşturamadığımı anla(ya)mam..."


diye... Gerçekten de bir şeyi anlayabilmenin en iyi yolu onu sıfırdan kendi kendinize 'inşa edebilmeniz'dir. Yani kitabı kapatıp, eline kalemi kağıdı alıp kavramları en temel prensiplerden oluşturmaya ("derive" etmeye) hatta henüz öğrenmediklerini de 'keşfetmeye' çalışmaya alışmalısın. Başka türlü öğrenmeye çalıştığın şeyler sana doğal/kendiliğinden hissi yaratmıyor. Aksi durum ders kitabı çıkarım ve çözümlerini ezberlemeye doğru götürüyor çünkü. Benim bunun için şöyle bir yaklaşımım var: Nasıl bir ressam, her zaman yanında küçük bir eskiz defteri taşır, sık sık çıkarıp gelen 'ilham' ile bir şeyler karalayarak en başta kabaca, sonrasında bir esere kadar gidecek pratikleri yılmadan gerçekleştirirse, bir fizikçinin de aynı şekilde 'bir eskiz defteri' pratiği kazanması gerek, derste gördüğü, kitaptan öğrendiği yeni şeyleri ve daha ötesini kendinin (tekrar) keşfe çıktığı, yeni şeylere dönüştürdüğü bir çalışma defteri. Elbette fizikteki eskiz çalışması bir sanatçının bir his karşısındaki 'ilhamından' epey fazlasını gerektiriyor. Bunun için de Feynman'ın karatahtasında yazdığı ikinci not diyor ki:

"Şu ana kadar çözülmüş her bir problemin nasıl çözüleceğini bil!"


Yani elinin altında alet çantan ve bu alet çantasını defalarca kullanarak ya da kullanılmasına şahit olarak biriktirdiğin deneyimler olması şart. Olabildiğince problem çözen birisi ol ve problemleri çözerken 'kendi yollarını' geliştir. Kitabın arkasındaki ve internetteki çözümlere sakın bakma, kendine en büyük kötülüğü yapmış olursun! Derslerde verilen ödevlere böyle yaklaş hep. Eğer bir derste hoca ödev vermiyorsa isyan et, hocanın (herkesin iyiliği için) mutlaka ödev vermesi için uğraş. Yine de vermiyorsa o dersin dünyanın en iyi okullarında verilen eşdeğerlerinin sitelerini bul ve haftalık ödevlerini indirip çözmeye çalış. Yeter ki çöz! Bu noktada çalışma, anlama ve en önemlisi bunun psikolojisine matematik perspektifinden değinen Ali Nesin'in müthiş "Müstakbel Matematikçiye Öğütler'deki altın değerindeki tavsiyeler yazısını paylaşmaktan kendimi alamıyorum.

                     

Fizik keşiflerine çıkabilmek ve 'çözülmüş her problemi' çözmeye yeltenmek için alet çantanın epey dolu olması gerekiyor. Bu çantanın içeriği Galileo'nun zamanında açık bir şekilde ifade ettiğinden  beri, yani doğanın dilini anlamak için gerekenin matematik olduğu gerçeğini her adımda bizzat deneyimleyeceksin. Matematiksel Metodlar dersini alırken her bir metodu fiziksel bağlamından çıkarılmış bir şekilde gösterilmesinin çok anlamlı olmadığını düşünüyor olabilirsin; haklı olabilirsin ama bu durum bu konuların senin tüm fizik hayatın boyunca elinin altında olması gereken ve gerektiği özeni zamanında vermediğin takdirde başına bela olacağı gerçeğini değiştirmiyor. Ne yapıp edip genel metodları yalayıp yutmalısın. Bunların başında Lineer Cebir geliyor (bunun için ayrı bir tavsiye daha olacak), ayrıca kompleks analiz, tensor analizi (Einstein notasyonu ile), temel diferansiyel operatorlerin eigenvalue-eigenvektor problemi çözümleri (Laplace, Poisson, Dalga ve Isı Denklemleri), Perturbasyon Teorisi... Bu konuları fizik bağlamından koparmadan, konulara gerektiği ve hak ettiği ağırlığı vererek işleyen yegane bir kitaba rastladım, o da Byron & Fuller'in "Mathematics of Classical and Quantum Physics" (Dover Pub.) kitabı. Ayrıca bir klasik seviyesindeki Balakrishnan'ın 'Selected Topics in Mathematical Physics' video dersleri ve yakın zamanda yayınlanan aynı isimli kitabı da çok çok iyi kaynaklar.

Feynman'ın 'Kendim yaratamadığımı anlayamam..."'ın biraz daha modern versiyonu olarak kendi geliştirdiğim "Kendim kodlayamadığımı anlayamam!" yaklaşımından biraz bahsedeyim sana. Bilgisayar, yapısı itibariyle en temelde ikilik sistemde 1 ve 0'ndan başka bir şeyi anlamıyor; elbette üzerine kurduğum karmaşık 'veri yapıları' ile günümüzde etrafımızda gördüğümüz her şeyi borçlu olduğumuz bir alete dönüşüyor olsa da, aslında bilgisayara bir problemi çözmesi için programlarken fark ediyorsun ki sanki bir yaşından bile küçük bir çocuğa bir şeyi yapmasını öğretiyorsun: "Öncelikle bir sayı var, üstelik büyüklüğü bu kadar. Sonra başka bir sayı daha var, o da hafızanın bak şurasında yazıyor. Hah, şimdi o iki sayıyı topla, eğer büyükse ekrana toplamını yaz, tamam?" Bilgisayarlar ne kadar karmaşıklaşsa da tüm karışık programlar temelde bu tip basit yapıların üzerine inşa edilecek gibi duruyor şimdilik. Dolayısıyla herhangi bir fizik problemini bilgisayar yoluyla çözmeye çalışırken problemi öyle detaylı formüle etmeniz, her durumu öyle ince eleyip sık dokuyarak düşünmüş olmalısınız ki sonunda 'bilgisayar bile anlayabilsin'. Bu sürecin en güzel tarafı bilgisayara probleminizi, yazdığınız kodla anlatırken probleme dair siz de müthiş bir içgörü ve fikir elde ediyorsunuz; hiç düşünmediğiniz tarafları keşfediyor ve başka durumları düşünürken buluyorsunuz kendinizi. Dolayısıyla buradan yola çıkarak mutlaka bir programlama dili öğrenip, basit mekanik problemlerdeki diferansiyel denklemleri çözdürmekten, elinizdeki süreci simule etmeye kadar elinizdeki problemleri bilgisayar ile çözmeyi öğrenmelisin. Bunun için geçmişte yazdığım 'Doğayı Bilgisayarla Modelleme' yazısındaki kaynak ve önerilerime göz atmanı tavsiye ederim.

Kaynak: xkcd

Geçmiş yazılarda her sene üstüne basa basa 'bilgisayarı en az programlama seviyesinde' öğrenmeni tavsiye etmiştim; bunu bu tavsiyelerde"iyi bir programcı seviyesinde öğren"e arttırıyorum (Araştırmaya başladığında kimse sana "Programlama biliyor musun?" diye sormayacak, bilgin olsun. Muhtemelen soru "Hangi dilde yazabiliyorsun?" olacak!). Programlama için C gibi bir dille başlayıp hızlıca Python'a geçmeni önermiştim. Bunun yerine hızlıca Python'a girişmeni fakat bu dilin hızlı öğrenme eğrisine aldanmayıp temel işlevlerin bir an önce ötesine geçmeni tavsiye ederim. Bundan kastım tipik 'script' yazmanın ötesine geçip, veri yapıları, basit algoritmalar, class ve 'object oriented programming' gibi girişin bir tık üstü şeyleri de gözden kaçırma. Sadece 'çalışan' bir kod yazmanın ötesinde iyi bir 'kod geliştirici' becerileri edinmeyi en başından itibaren öncelik olarak al. Yazdığın kodu nasıl test edeceğin, nasıl dokumante edeceğin, versiyon kontrolünü nasıl yapacağın gibi 'iyi alışkanlıkları' süreç içerisinde kazanmaya bak. Çünkü ilk başta üç-beş satır, iç içe geçmiş 'for döngüleri' ile çözdüğün problemlerden, araştırmaya giriştiğin anda binlerce satır, aynı anda birçok kişinin üzerinde çalıştığı karmaşık programların arasına daldığında kaybolmaman işten bile değil. Ayrıca Python günümüzün parlayan programlama dili fakat bir fizikçi için ileride muhtemelen yazdığın kodun çalışma performansı gibi kaygıların mutlaka olacak. Bu durumda mutlaka C++ gibi bir dile ihtiyaç duyacaksın (Python ile de bir noktaya kadar ilerleyebilirsin ama yapacağın çalışmanın ölçeği büyüdükçe performans gereksinimleri kaçınılmaz olarak seni C++'a sürükleyecek.) Dolayısıyla Python'da biraz ilerleyip alet çantana C++ gibi derlenen bir dili eklemeni de kesinlikle öneririm. Bu iki yol için de önereceğim iki şahane modern kitap var:  C++ için: Applied Computational Physics -Oxford University Press (Joseph F. Boudreau, Eric S. Swanson, 2018), Pyton için ise Effective Computation in Physics - Field Guide to Research in Python - Oreilly ( A. Scopatz, K. D. Huff, 2018). Her iki kitap da size sadece programlamayı değil, onun ötesinde iyi bir bilimsel programlama becerilerini kazandırmayı hedefliyor. Baştan sona okunabilecek, güncel kitaplar ikisi de.



Lineer Cebir demiştik bir önceki maddelerde. Bunun için ayrı bir madde açıp, konuyu biraz daha açmak istiyorum. Standart fizik eğitimi ilk dönem alınan derslerden itibaren matematikte 'calculus' ağırlıklı olarak ilerler, yani her şeyin sürekli ve türevli olduğu fikriyle çoğu konuyu bununla modellersiniz. İkinci sınıfta çok standart bir ders olarak alarak alınan, 'dış kapının mandalı' konumuna itilen 'Lineer Cebir' ise aslında fark etmesen de hemen hemen her şeyin altında bir şekilde gizlidir. Diferansiyel denklem çözümlerini 'lineer' topladığında yine bir çözüm vermesi; 'coupled' oscillator'lerin birbirine 'dik' modlarını hesapladığında, ya da Schrödinger Denklemini çözdüğünde aslında hep lineer cebir yapıyorsun, hem de en hasından. Fakat gelenek icabı olsa gerek, Lineer Cebir'in calculus'un tersine, 'ayrık' (discrete) yapısı sebebiyle bambaşka düşünme ve hesap yapma yöntemleri yeteri kadar vurgulanmaz. Buna ek olarak da 'ayrık' yapısıyla calculus'un karşı tarafına koyulabilecek istatistik ve olasılık gibi kavramlar da kendine yer bulamaz lisans müfredatında. Gel gör ki, bıraktım dördüncü sınıfta kuantum mekaniğinde yaptığımız her şeyin lineer cebir olmasını, araştırmaya giriştiğinde yukarıda da bahsettiğim gibi bilgisayara elini sürmeye, simulasyon yada bilgisayarla hesap yapmaya başladığında bilgisayarın 'sürekli' yapılar yerine ancak 'ayrık' yapılarla işlem yapabileceğini fark edeceksin. İşte o zaman sudan çıkmış balığın hislerini paylaşmak yerine, kaçınılmaz olarak gelecek o zamanlar için hazırlıklarını yapmaya şimdiden başla. Burada bahsettiğim fikri daha radikal (ve çok daha güzel) bir şekilde anlatan üstad G. Strang'in "Too Much Calculus" ve "Linear Algebra: Happy Chance to Apply Mathmatics" makalelerine göz atabilirsin. Bu tip konuların giriş seviyesinde genel olarak ele alındığı, matematikçiler ve bilgisayarcıların ilk senelerde aldığı 'Ayrık Matematik' (Discrete Mathematics) derslerinden birine girip dinle yada konuyla ilgili de birkaç kaynak okumaya çalış. [Lineer Cebir'in bir de hesaplamalı kısmı var ki işin en keyifli tarafları da burada bence; günümüz modern problemlerinden görüntü tanımadan, ses/sinyal işlemeye, kendi araştırma alanım veri analizi ve yapay öğrenmeye (machine learning) birçok enterasan konu için 'Computational Linear Algebra' kavramlarına aşina olmak da her zaman avantajına - bu konulardan ikinci yazıda parçacık fiziğinde veri analizi altında detaylı olarak bahsedeceğim.)

Diğer bir konu, ilk sınıftan itibaren önerdiğim 'zarf arkası hesap yapma' becerisi. Bu konunun bir fizikçi için ne kadar önemli olduğunu defalarca deneyimledim. Herhangi bir deneysel işe/projeye/hesaplamaya girişmeden önce, öncelikle 'order of magnitude' hesap yaparak beklediğin ölçümü, sinyali alıp alamayacağını, alsan arkaplandaki süreçlerin içinde kaybolup kaybolmayacağını; ölçümünü iyileştirmek için ne kadar çaba sarf etmen gerektiğini hızlıca hesaplayıp kabaca bir fikrinin olması çok önemli. Sadece deneysel olarak değil, teori yapıyor olsan dahi elindeki teorinin hangi ölçekte (scale) çalıştığını, nerede 'patladığını' bir şekilde kestirmek durumunda kalacaksın. Bu anlamda ilk sene verdiğim önerilerin yanında, S. Mahajan'ın yeni kitabı "The Art of Insight in Science and Engineering" (kitap açık-kaynak; PDF için) tek kelimeyle muhteşem! Ayrıca John A. Adam'ın "Guesstimation: Solving the World's Problems on the Back of a Cocktail Napkin" kitabını da tavsiye ederim (aynı yazarın geçen aylarda Tübitak'tan çıkan 'Matematiksel bir Doğa Yürüyüşü' kitabını da es geçme derim). 

Bir diğer tavsiyem, üçüncü sınıftan itibaren görmeye başladığın Klasik Mekaniği ve içindeki yöntemleri 'eğik düzlemden yuvarlanan ve bir yaya bağlı top"un hareketinin ötesinde kavramaya ve anlamaya gayret sarf et. Klasik yöntemle anlatıldığında ve standart ders kitaplarında okuduğunda bu konunun epey renksiz ve sıkıcı olduğunu fark edeceksin ki haksız değilsin. Fakat Klasik Mekanik'in içindeki "mekanik" kısmını "Elindeki belirli dinamik değişkenlere sahip bir sistemin çalışma şekli" olarak düşünme alışkanlığı edinirsen ve altta yatan diferansiyel denklemleri bir "dinamik sistem" olarak görmeye başlarsan önüne oldukça enteresan ve hayal gücünü zorlayan konular açılacak. Bunların arasında birbiriyle etkileşen sistemlerin 'evrimsel' dinamiklerinden, ekonominin fiziksel fikirlerle modellenmesine, sosyal ağların yapıları ile ilişkili olarak salgın bir hastalığın nasıl yayılacağına kadar günümüz modern araştırmalarına konu olan fakat altta yatan prensipleri ile temel 'mekanik'e ve dinamik sistemlere dayanan konularla tanışacaksın. Tam olarak bu yaklaşımla, senelerdir 18. yüzyıl fiziğinin ötesine geçememizden muzdarip/dertli olarak oturup kendi kitabını yazıp 'Modern Mekaniğin' ne kadar heyecan verici olduğunu gösteren David Nolte'nin 'Introduction to Modern Dynamics" kitabına mutlaka göz atmalısın. 'Klasik Mekanik'teki oyuncak problemlerin bir adım ötesine geçtiğinde nasıl 'kaotik' ve bir o kadar akıl-açıcı fenomenlerle karşılaşıyorsun, kendin gör! Ayrıca bu perspektiften Klasik Mekaniğin nasıl müthiş bir şey olduğunu üstad Balakrishnan'ın muhteşem 'Classical Physic' video serisinden de şahit olabilirsin.

Kaotik demişken, yine standart fizik lisans hatta yüksek lisans müfredatında bir türlü yer bulamayan 'non-linear dinamik' ve 'kaotik sistemler' konusunu da en azından en temel olarak nedir, nasıl çalışır düzeyinde öğrenmeye çalış. Çünkü dört sene boyunca elindeki ders kitaplarında her zaman 'çözülebilir' oyuncak problemlerle uğraşacaksın ama gerçekte doğanın Avagadro sayısı mertebesinde parçacığın, olabilecek en karmaşık etkileşimleri ile meydana geldiğini bir düşün! Çözümünü bildiğin iki-cisim probleminden (bırak Avagadro sayısını, üç cisim ve sonrasının çözülemediğine dikkatini çekerim) öteye geçmek adına dinamik sistemler, non-linear sistemler, kaos, tahmin edilebilirlik ve tüm bunların istatistiksel mekanikle ilişkisine dair biraz kafa yormanı tavsiye ederim. Bulabilirsen bu konuda bir ders almaya çalış. Olmazsa oturup tamamen kendin çalışabileceğin (ve Youtube'dan videolarını izleyebileceğin) Strogatz'ın 'Nonlinear Dynamics And Chaos: With Applications To Physics, Biology, Chemistry, And Engineering' kitabını ve üstad V. Balakrishnan'ın her zamanki gibi döktürdüğü 'Topics in Nonlinear Dynamics' derslerini tavsiye ederim.  

Lisansın sonu itibariyle ufak ufak uluslararası araştırma ve konferans ortamlarına adımlar atmak için fırsat kollamanı tavsiye ederim. Birçok konuda giriş seviyesinde 'School of ....' adlı birkaç haftalık programlar düzenleniyor çeşitli ülkelerde. Kendi ilgilendiğin alan ile ilgili olanlara son sınıfta göz atıp (Google'dan ilgili yılı/geçmiş yılları bu kelimelerle ararsan birçok okul bulabilirsin), eğer başvurularında yüksek lisans öğrencilerine de şans vereceklerini söylüyorlarsa, iyi seviye bir lisans olarak şansını mutlaka zorlamalısın. Ayrıca IAPS -  Uluslararası Fizik Öğrencileri Topluluğu adında bir oluşum var, çok güzel işler yapıyorlar düzenli olarak; her sene farklı ülkede düzenledikleri konferansın yanında çok çok makul ücretlerle çeşitli konularda okullar ve  CERN, Gran Sasso gibi büyük araştırma enstitülerine temalı geziler düzenliyorlar. Kesinlikle IAPS üyesi olup bu etkinlikleri yakından takip etmelisin.

Dünyada bir eşi olmayan Matematik Köyü

Bir fizikçi olarak kendi 'işine yarayan' matematiğin yanında 'işine yaramıyor gibi görünse de günün birinde mutlaka yoluna çıkacak' ya da öğrendiğinde sana yep yeni bir perspektif kazandıracak matematik konularını, bir dönem boyunca okulda uzun uzun diinlemek yerine, rahat bir ortamda, Türkiye'nin en etkileyici mimarisine sahip binalarında, senin gibi öğrencilerle birlikte birkaç haftada hızlandırılmış olarak öğrenmenin en güzel yolu tabii ki Matematik Köyü. Her kış ve yaz arasında bir hafta dahi olsa buraya gidip Lisans/Lisansüstü programlarında Grup Teori, Analiz ve diğer ileri seviye derslere girip dinle, temel kavramları ve düşünme biçimlerine öğren. Böylesi bir oluşum dünya üzerinde yok ve bunun değerini kesinlikle bil. Bu yıl Ali Nesin Matematik Köyü aracılığıyla dünyaca ünlü Leelavati Ödülünü kazandı biliyorsun.

Biraz daha devam edersem bu yazının da sonu ilk yazılar gibi olacak ama bunun için yeteri kadar enerjim yok. Diğer tavsiyeleri (kauntum mekaniği, istatistik ve machine learning, elektromanyetizma/klasik alan teorisi vb. konularda) diğer yazıya, Deneysel Parçacık Fiziğinde araştırma yapmayı planlayan kişilere yönelik olacak yazıya saklıyorum. O yazıda burada çok değinmediğim 'araştırma' deneyimleri' konusuna daha fazla yer vermeyi planlıyorum.

Her zamanki gibi öneri/eleştiri/ekleme yapmak iterseniz yorumlar kısmından yazabilirsiniz. Bu yazı okunacağı kadar bahsettiğim noktalarda biraz tartışma yaratırsa ancak amacına ulaşacak benim nezdimde. Yorumlarınızı bekliyorum!
2
yorum

4 Ağustos 2018 Cumartesi

Ali Nesin ve Matematik Köyü'ne Ödül

Matematik alanında bir Nobel ödülü yok bildiğiniz gibi; onun yerine dört yılda bir Uluslararası Matematik Kongresi toplantılarında genç matematikçilere verilen Fields Madalyası prestij olarak Nobel'le kıyaslanır çoğu zaman. Bu ödülün yanında verilen toplum ve matematik temalı bir ödül daha var Leelavati ödülü adında ve bu yıl ‘matematiğin toplum tarafından anlaşılıp farkındalık oluşturulmasına verdiği olağanüstü katkıları nedeniyle’ değerli matematikçimiz, dünyada başka bir örneği olmayan Matematik Köyü’nün ‘mimarı’ Ali Nesin’e verildi!


Öyle bir yer düşünün ki, her köşesinde birbirinden güzel mimari ve tasarıma sahip, taş duvarlı, içi başlarında bir grup gencin tartışarak bir şeyler karaladıkları yazı tahtalarıyla dolu sınıflar; sabahın sekizinden akşamın sekizine kadar ufak aralar dışında sürekli matematik anlatılan, konuşulan anfiler; günün ilk ışıklarından gecenin son vaktine kadar doğanın tüm dinginliği ile dolu köşeler, manzaralar... Kulağa 'ütopya' tasviri gibi gelse de böyle bir yer var, üstelik Türkiye gibi her anlamda 'çölleşmiş' bir yerde, bir vaha gibi pırıl pırıl parlayıp etrafına hayat veriyor. Ali Nesin'in kurduğu ve uzun zamandan beridir de başında olduğu Nesin Matematik Köyü bu anlatılan, güzel İzmir'in Selçuk ilçesi, Şirince köyünde. (Hali hazırda eklenen Felsefe Köyü ve Sanat Köyü ile artık 'Nesin Köyleri' olarak anılmaya başlandı.)

 Nesin Matematik Köyü kütüphanesinden bir görünüm


Fizik'e başladığım yılın sömestır tatilinde ilk kez gitme fırsatım olmuştu; kışın düzenlenen lisans öğrencilerine yönelik temel grup teori ve analiz okuluydu katıldığım. Fen Lisesi yıllarımdan beri takip ettiğim Matematik Dünyası Dergisi'nin şöyle böyle anlayabildiğim konularını bizzat Ali Hoca'dan dinleyip, üstelik bir temel bilimci olarak çalışacağım konularla ilişkilendirmek gibi bir motivasyonla gitmiştim. İki hafta boyunca temel cebir kavramlarından, gruplara, homomorfizmalardan simetrilere tonla soyut kavram öğrenmiştim. Çoğuyla ilk defa karşılaşıyordum ve alışık olmadığım bu düşünce tarzını özümsemek için epey enerji sarf etmem gerekiyordu. Her ne kadar anlatılanların yarısından azını 'o an' anlayabilmiş olsam da neredeyse tüm fizik öğrenimim boyunca o okulda gördüğüm ve kazandığım soyut matematik, matematiksel yapılar ve genelleştirme kavramları hala yolcusu olduğum fiziğin derin matematiksel yollarında benim hep yol göstericim olmaya devam ediyor. Köydeki derslerde, matematiğin 'aritmetikten' farklı olarak, ilgilendiği nesnelerin özellikleri, birbiri arasındaki ilişkileri üzerine düşünme biçimi olduğunu; bu ilişkilerin formal bir şekilde nasıl tanımlanıp adım adım nasıl yapılar inşa edileceğini öğrendim. Matematik Köyü'ndeki dersler gözlerimin önüne yepyeni bir dünyaya aralamıştı.

 Toskana'dan bir köy manzarası değil, Matematik Köyü'nün ta kendisi! 
(fotoğraf: Ezgi Gülenç)

Üstelik bunları, anlayamadığım her şeyi rahatça sorabildiğim, derste tahtayı takip ettiğim derslerden farklı olarak katılarak dinleyebildiğim, çalışmak istediğim zaman her köşesinde farklı bir yer bulabildiğim, benim gibi amaçlarla orada olan insanlarla beraber yapma fırsatı bulmuştum. Sonrasında hemen hemen her yaz lisans programına katılıp çeşitli cebir ve analiz dersleri almaya devam ettim. Zamanla Matematik Köyü'ndeki dersler çoğaldı, çeşitlendi; araya fiziğe teğet geçen uygulamalı konular da girdi. Fizik konusunda ilerledikçe biraz daha özelleşmiş, dinamik sistemler, stokastik prosesler, olasılık ve istatistik, istatistiksel mekanik gibi dersler için de köyü ziyaret ettim. Ayşe Erzan'dan dinlediğim 'Ratgele Çizgeler Teorisi' (ders notları), Arif Mardin'den dinlediğim 'Rastgele Yürüyüş ve Stokastik Süreçler' (ders notları), 2017 sonbaharında köyde düzenlenen 'Yapay Öğrenmenin Matematiksel Temelleri' yaz okulu hali hazırda çalıştığım konuları bütünsel olarak etkileyen, paha biçilmez katkıları olan derslerdi.
 
İki hafta önce bir haftalığına ziyaret ettiğim köyde artık parçacık fiziğinde sıklıkla kullandığım 'Lie Cebirleri/Grupları' ve 'Geometrik Grup Teori' derslerini dinleme fırsatım oldu. Bu ay sonunda tekrar ziyaretimde bu sefer çeşitli istatistiksel mekanik ve kompleks analiz dersleri dinlemeyi planlıyorum. Hatta bu sefer ilgili ve meraklılara akşamları, deneysel ve informal bir şekilde 'Fizikte Temel Grup Teori Uygulamaları' semineri yapmak var aklımda. Üzerine biraz daha koyup seneye bir haftalık derse dönüşür belki de, kim bilir? (Köyde liseden, lisans üstüne her seviyeden ders mevcut. Bu yılki programa göz atarak ilgilendiğiniz dersler için hala başvurup siz de katılabilirsiniz.)

Böylesi bir mekanın 'atlayıp gidilebilecek' kadar uzaklıkta ve ulaşılabilir olmasının, matematikle uğraşan kişiler için nasıl bir nimet olduğunu anlatmak gerçekten zor. Ali Hoca'nın tüm uğraşılarının karşılığı olarak aldığı bu ödül köyün dünyaca tanınırlığı ve ön plana çıkması için büyük bir fırsat. Köyü yaşatmak ve köye katkı sağlamak da bizlerin boynunun borcu. Tebrikler Ali Hocam, iyi ki varsınız!
0
yorum

30 Temmuz 2018 Pazartesi

'Monte Carlo Event Generators' Okulundan İzlenimler

Her yazıya 'uzun zamandan sonra' başlangıcı yapmak yerine doğrudan konuya girsem daha iyi olacak gibi; geçen yıl Boğaziçi Fizik'te doktoraya başlamamla birlikte çalıştığım konular ve ilgilendiğim problemler de biraz farklılaştı. Astrofizik ve parçacık fiziğinin kesişimi olan 'parçacık astrofiziği'nden astro kısmını tamamen atarak sadece parçacık fiziği kısmıyla yola devam etme kararı aldım; böylece CERN'de LHC (Large Hadron Collider) deneyine ve analizimde de tamamen LHC fiziğine yönelmiş oldum. Bu vesileyle de geçen hafta İtalya'da katıldığım bir okuldan söz açmak ve biraz parçacık fiziği konuşmak istedim.

Parçacık hızlandırıcılarda atom altı parçacıkların temel işleyişini incelerken öncelikle uzun yıllar boyunca geliştirilmiş teorik modellerden ve onların öngörülerinden yararlanırız. Standart Model olarak bildiğimiz ve detayları hemen hemen 80'lere gelindiğinde büyük ölçüde tamamlanmış olan, tahminleri LHC dahil tüm parçacık fiziği deneylerinde doğrulanan bir model bize belirli bir enerjide örneğin iki protonu 'kafa kafaya' çarpıştırdığımızda ne tip etkileşimlerin nasıl parçacıklar ortaya çıkaracağını detaylıca tarif eder. Ortaya çıkan bu parçacıkların elimizdeki dedektörler üzerinde nasıl izler bırakacağı bilgisini de dedektörlerimizi geliştirme sürecinde elde ederiz. Kısacası elimizdeki ilgilendiğimiz problemin mekanizmalarını tarif eden bir teori ve deneyi yaptığımızda elde edeceğimiz ölçümlere dair pratik modeller bulunuyor. Sonrasında deneyi gerçekleştirip dedektörlerimizle ölçümler alıyor ve büyük ölçekli bir veri elde ediyoruz. Bu noktada peşinde olduğumuz iki türlü soru söz konusu olabilir:
  • Standart modelin öngördüğü bir sinyalin (örneğin bir parçacığın var olup olmadığı, özelliklerine ilişkin bir parametre-kütle, yük vb.) varlığını göstermek isteyebiliriz.
  • Standart modele uymayan, teoride bir sapmaya ya da geliştirmeye işaret edecek yeni bir sinyali keşfetmeye çalışıyor olabiliriz.
Her halükarda elde edeceğimiz veriyi, teori ve modellerimize göre 'beklentimizle' karşılaştırıp bir keşif yapabilmek için parçacık fiziğinde benzetim (simülasyon) verileri kullanırız. Bu benzetim verilerinin hepsi temelde bilgisayarlarla rastgele (gibi görünen) sayılar kullanılarak üretildiğinden, kullanılan yöntemlere Monte Carlo'daki kumarhanelerden esinlenerek verilmiş Monte Carlo benzetimleri adı veriliyor. [Monte Carlo yöntemleri konusunda geçmişte yazdığım genel bir yazı için tıklayınız.]

Solda Monte Carlo yöntemlerine ismini veren ünlü kumarhane, sağda da zarlar üzerine parçacık fiziğindeki temel etkileşimlerin Feynman diyagramları olarak bilinen halleriyle resmedildiği görsel

Bu yöntemler size, elinizde özellikleri ve birbiriyle nasıl etkileştiklerini bildiğiniz parçacıkları istediğiniz enerjide çarpıştırdığınızda ortaya ne tip ve sayıca ne kadar parçacığın çıkacağını, bunların her birinin özelliklerini hesaplayıp size çıktı olarak veriyor. Bunun için parçacık fiziğinde özelleşmiş birçok Monte Carlo Olay Üreticisi (Monte Carlo Event Generator) bulunuyor ve her biri bu konu üzerinde yıllardır uğraşan büyük gruplar tarafından kodlanıp/geliştirilip araştırmacıların kullanımına sunuluyor. Yüksek enerjilerde parçacık etkileşimlerini günümüzde en detaylı haliyle ifade etmek için kullandığımız Kuantum Kromodinamiği (Quantum Chromo Dynamics -QCD)'nin tüm incelikli detaylarının hayat bulduğu bu olay üreticileri, karmaşıklıkları nedeniyle herkes tarafından adeta bir 'sanat ürünü' olarak kabul ediliyor.

Pythia, Sherpa ve Herwig adlarıyla bilinen genel-amaçlı olay üreticilerinden, sadece olasılıklarla ilişkili kesit (cross-section) hesabı için özelleşmiş CalcHEP, CompHEP gibi programlara kadar birçok MC üreticisi bulunmakta. Bu yıl 12.'si düzenlenen ve benim de katılma fırsatı bulduğum, MCnet adlı büyük bir Avrupa Birliği projesinin eğitim ağının bir parçacısı olan Floransa, İtalya'daki okul da, bu MC üreticilerinin geliştiricilerini ve uzmanlarını bir araya getirip bu programlar üzerine çalışan ya da araştırmalarında bu programları araç olarak kullanan doktora öğrencilerine yönelik detaylı derslerden oluşuyor. Altmış kişilik dünyanın her köşesinden özellikle LHC deneylerinde çalışan doktora öğrencileri olarak bir hafta boyunca sabahtan teorik dersler, öğleden sonra da bilgisayarda uygulamalarla dolu bir hafta geçirdik. Temel düzeyden QCD'nin 'kara büyü' niteliğinde grift detaylarına kadar her düzeyde dersler vardı ve uygulamalarda da gruplar halinde seçtiğimiz bir MC üretici üzerinde çalışıp son gün elde ettiğimiz sonuçları kısa bir sunumla paylaştık. Her günün sonunda haftanın başında oluşturulan ve MC üreticisi geliştiricilerinden birinin önderliğinde biralar eşliğinde gerçekleştirilen informal 'tartışma oturumları' okulun en faydalı kısımlarındandı.

Okula ev sahipliği yapan Avuturalya kökenli fakat Prato, İtalya'da bir eğitim kampüsü bulunan Monash Üniversitesi'nin etkileyici bir mimariye sahip binasındaydık

Bu vesileyle Roma ve Floransa'yı da gezip görme fırsatım oldu; mevcut Euro/TL kuruyla kendimi epey kısıtlamak durumunda kalsam da iki şehrin mimarilerinden, sanatla dolu müzelerine kısa sürede deneyimleyebildiğim kadarıyla benim için fazlasıyla etkileyici bir deneyim oldu.

Neyse ki Kolezyum manzarası önünden bir selfie çektirebilmek kurdan etkilenen bir şey değil...

Okuldan edindiğim bilgiler ve deneyim eşliğinde de yakın zamanda başlayacağımız bir proje için iyi bir altyapı edinmek konusunda bir adım daha atmış oldum. İlerleyen zamanlarda projeden ve gelişmelerden burada da bahsetmeyi planlıyorum. GökGünce'nin yanında teknik fizik/matematik yazılarımın yer aldığı 'Aslında Fizik' blogu ve çalışmalarına başladığım ve yakın zamanda içerik oluşturmaya başlayacağım 'bilimsel hesaplama ve programlama' üzerine blogumla (yapım aşamasında!) tekrar 'blogsphere'e dönmeyi umuyorum. Bu yazı da bu amacın ilk adımı olsun diyelim. İleri okumalar ve araştırma için:

  • Ders sunumlarına okulun Indico sayfasından erişebilirsiniz. (Eski okulların içerik ve derslerini görmek ve MCnet hakkında detaylı bilgi için: MCnet)
  • MC üreticilerini genel olarak incelendiği 'review' makale için: General-purpose event generators for LHC physics (arXiv bağlantısı)
  • MC üreticilerini anlamanın en güzel yolu kendinizin basit bir tane geliştirmesi. Temel hesaplamaların ve kodların yer aldığı güzel bir tutorial: How to write your own Monte Carlo event generator (makale, sunum ve kodların yer aldığı site)
  • 2017'de İTÜ Fizik Haftası'nda Monte Carlo yöntemleri hakkında verdiğim genel sunumun slaytlarına Github'dan ulaşabilirsiniz.
2
yorum

6 Nisan 2017 Perşembe

Yapay Zeka ve Yapay Öğrenme - I

Günlük hayatımızın her köşesinde artık bir uygulamasını bulduğumuz 'yapay zeka', bilim kurgu kitap ve filmlerinden fırlamışçasına son zamanlarda epey sesini duyurmaya başladı. Konunun ismi gereği epey iddialı olduğu kesin; fakat bahsedilenler ve elimizdeki teknoloji ne ölçüde 'zeki' bilgisayarlar iddiasını karşılıyor? Konuyu robotlar ve zeki bilgisayarlar düzleminden biraz daha pratik ve günümüz problemlerine getirilen yeni yaklaşımlar perspektifinden incelemek çok daha sağlıklı olacak. Kendim de fizik tarafında son dönemlerde uygulamalarıyla ilgilenmeye başladığım bu konu birçok alanda çığır açma eşiğinde (örnekler için tıklayınız). Yakın zamanda yayınlanmaya başlayan ve sinir-bilim konusunda güncel tartışmalara yer veren 'Nöroblog Podcast' sesli yayınının geçen haftaki bölümünde, programın yapımcıları Onur Arpat ve Taner Yılmaz ile bu konuyu tartıştık.


Yayını yukarıdaki arayüz (Soundcloud) üzerinden (şu bağlantıdan) ya da iTunes'dan abone olarak dinleyebilirsiniz. 

Programın temeli benim de kitaplarını ilgiyle okuduğum (biri Pulitzer ödüllü: 'Tüm Hastalıkların Şahı-Kanserin Biyografisi'), kendisi aynı zamanda kanser uzmanı bir doktor olan Siddhartha Mukherjee'nin New Yorker'ın 3 Nisan tarihli sayısında yayınlanan yazısı: AI vs MD: 'Yapay zeka tıp doktoruna karşı'. Programda, makalede dile getirilen konuları detaylıca tartışmaya çalıştık; klasik 'kural tabanlı sistemler'den günümüz öğrenen sistemlerine ve bunların başardıkları ve eksikliklerine işaret ettik; aynı zamanda bu sistemlerin bir takım rutin işleri yapmak konusunda biz insanların yerini alıp alamayacaklarına dair 'spekülasyon' seviyesinde olsa da birkaç şey söylemeye çalıştık.

Bu konu artık gündemin büyük bir kısmını oluşturuyor. Her geçen gün insanı en zorlu oyunlarda yenen yapay zeka sistemlerinden, sürücüsüz arabalara, Elon Musk ve diğer Silikon Vadisi tayfasının beyin-bilgisayar arayüzü üzerine 'vizyoner' girişimlerinden ses ve görsel tanımada insanları çoktan geride bırakmış sistemlere kadar birçok ilginç ve belki de haklı  olarak 'kaygılandıran' gelişmelere tanık oluyoruz. İnsanı tanımlayan ve birçoklarına göre diğer tüm canlılardan ayıran 'bilinç' ve 'zeka' özelliklerinin artık yavaş yavaş bilgisayarlar için kullanılmaya başlaması bu tartışmaları alevlendiren şeyler. Bu gibi tartışmaları sağlıklı bir şekilde yapmak, konuyu abartılardan ve 'naif iyimserlik'ten uzak bir düzlemde, yanlış anlaşılmalara neden olmayacak bir şekilde yapmak için her yönden inceleyip, açık bir şekilde ele almak büyük önem taşıyor.

Sesli yayında konuştuklarımız üzerine birkaç ekleme yapıp, podcast ortamında yalnızca konuşarak ifade edemediğimiz kavramları biraz daha detaylı bir şekilde ele almak amacım. İki bölüm olacak bu yazının ilk kısmında ele alacağım konu, şu anda elimizdeki yapay öğrenme yöntemlerinin ne olduğu ve ne olmadığı.

Yapay öğrenme (İng: machine learning) 'yapay zeka' olarak bilgisayar bilimleri-matematik-istatistiğin kesiştiği alanda kullanılan yöntemlerin bir kısmını ifade ediyor. Bu alanda temelde üç farklı yöntem var:
  • Güdümlü öğrenme (supervised learning): Elinizde bir probleme dair verileriniz var ve bu verilerin her biri etiketlenmiş. Örneğin kanser hücrelerini tanıyabilen, öğrenebilen bir sistem oluşturmak istiyorsunuz. Bu sisteme öncelikle kanser hücresi olduğu ya da olmadığı bilinen örnekleri gösterip sistemi eğitiyorsunuz. Sistem bu örnekler ve örneklerin etiketleri ('sınıfları') üzerinden istatistiksel çıkarımlarda ve genellemelerde bulunup öğreniyor. Artık sisteme etiketlenmemiş, örneğin kanserli olup olmadığı bilinmeyen bir doku örneği verdiğinizde sistem size bu dokunun kanserli olup olmadığını (belirli bir olasılık dahilinde) çıktı olarak veriyor. Günümüzdeki yapay öğrenme yöntemlerinin büyük bir çoğunluğu (Google'ın metin çevirme sisteminden, Facebook'un yüz tanıma sistemine, Whatsapp'ın yazdıklarınızı tanımlama sisteminden sürücüsüz arabalara kadar) bu yöntemle çalışıyor. 
  • Güdümsüz öğrenme (unsupervised learning): Elinizde yine verileriniz var fakat bu verilerin etiketleri yok. Yine aynı örnek üzerinden ilerleyelim; kanserli doku hücreleri görüntüleriniz var fakat bunlardan hangisinin kanserli hücre barındırdığını bilmiyorsunuz. Bir model kurup, görüntüler üzerinde bir takım özellikler belirleyerek (örneğin hücrelerin yarıçapı, renk yoğunlukları vb.) bu özellikler üzerinden verinizin birbirinden ayrılabilir belirgin kümeler oluşturup oluşturmadığına bakıyorsunuz. Oluşan kümeleri de sonrasında inceleyerek hangi durumlara karşılık geldiğine bakıp eline geçecek yeni bir veriyi bu kümelerden hangisine düşeceğine bakarak karar veriyorsunuz. Hatta daha da ileri giderek, sınıflandırma için herhangi bir özellik tanımlamadan sistemin bu örnekleri birbirinden ayıran özellikleri kendisinin bulmasını sağlıyorsunuz. Eldeki verileri tek tek etiketlemenin kolay olmadığı durumlar için kullanılan bu yöntem kendi içinde birçok teknik zorluklar barındırıyor ve bu nedenle güdümlü öğrenme gibi 'popüler' değil, fakat geleceğin en etkili öğrenme biçimlerinden biri olacağı düşünülüyor.
Solda güdümlü öğrenme (supervised learning) yönteminde çarpı ve yuvarlak ile etiketlenmiş örnek veriler üzerinden öğrenme gösterilirken, sağda aynı veriler etiketlenmeden güdümsüz öğrenme (unsupervised learning) ile elde edilen farklı gruplar gösterilmiş (Kaynak: Andrew Ng. Coursera Machine Learning dersi materyalleri)
  • Ödüllendirme ile öğrenme (reinforcement learning): İnsanın öğrenmesine en yakın yöntem olan bu yöntemde elinizde eğitmek istediğiniz belirli bir amaca sahip bir sistem var. Örneğin satranç ya da Go gibi bir oyunda karşıdaki kişiyi yenmeye çalışan ya da  bir atari oyununda en yüksek skoru almaya çalışan bir sistem. Bu sistem belirli hareketleri yaparak ilerliyor: satranç ya da Go'da yaptığı hamleler, atari oyununda ise sağ-sol-ileri-geri gibi hareketler. Sistemin şu anki durumu üzerinden yapacağı hamlelere karşılık olarak amaca yaklaşma ihtimali yüksek olanlar için sistemi ödüllendirip bu tip hareketleri teşvik edip, aksi durumda olanları yani kaybetmeye doğru götürme ihtimali yüksek olan hamleleri baskılayıp cezalandırıyorsunuz. Böyle böyle binlerce kez deneme-yanılma yapan sistem sonunda hedefe doğru hızla koşan etkili bir sistem haline geliyor. Aşağıda AlphaGo projesi ile dünya Go şampiyonlarını deviren Google'ın Deepmind şirketinin geliştirdiği, atari oyunlarını birkaç yüz deneme sonunda öğrenen sistemleri görebilirsiniz.


Google Deep Mind'ın geliştirdiği öğrenen sistem yukarıda atari oynuyor. İlk 100 oyun sonunda epey başarısız görünen sistem birkaaç yüz oyun sonunda kısa yollar bulup adeta uzmanlaşıyor. (Kaynak: Google Deepmind)

Bu üç yöntemden şu anda 'yapay zeka'ya doğru giden yolun 'güdümsüz öğrenme' ve 'ödüllendime ile öğrenme' olduğu düşünülüyor. Fakat günümüzde en çok revaçtaki yöntem ise güdümlü öğrenme; bunun iki sebebi var:
  • Birincisi ilgili-ilgisiz herkesin 'büyük veri' diye bahsettiği konu. Artık elimizdeki tüm araçlarla sürekli veri topluyoruz. Girdiğiniz bir internet sitesinde tıkladığınız bağlantılardan, kameranız açıksa gözünüzün hareketlerine; okulda, metroda, her yerde dijital kameralarla, üzerimizdeki cep telefonları ile sürekli güncellenen konum bilgilerimizden, yürüyüş hızımıza, hangi uygulamayı ne kadar kullandığımıza türlü türlü gerekli-gereksiz tüm verileri alıp bunları kaydedip saklayabiliyoruz. Çünkü artık bunu kolaylıkla ve ucuz bir şekilde yapabiliyoruz (yapabiliyor olmamız 'yapmamız' gerekliliğini doğuruyor mu? İşte bu tartışılır!). Evimizde ufacık bir alet üzerine yerleştirilen mikroçip saniyede milyonlarca veri alma kapasitesine sahip. Üstelik bunları saklayacağı hafızalar da hızla büyüyüp ucuzlaşıyor; bu veriyi bir yerden başka bir yere aktarırken artık geniş bant internet bağlantısı sayesinde hiçbir zorluk da yaşamıyoruz.
  • İkincisi bu veriyi işleme gücümüzdeki muazzam artış. Bilgisayar işlemcilerinin performanslarındaki üssel artış (ve aynı zamanda ucuzlama), birden fazla işlemi 'paralel' bir şekilde yapabilme imkanı, tipik bilgisayarların merkezi işlemci birimlerinden (CPU-Central Processing Unit) farklı olarak ilk başta oyun ve grafik amaçlı geliştirilmiş 'grafik işlemci birimleri' (GPU-Graphical Processing Unit), hatta son zamanlarda sırf yapay öğrenme uygulamaları için Google tarafından geliştirilen özelleştirilmiş işlemciler (TPU-Tensor Processing Units) bu konuda bir devrim yaratmış durumda. Öğrenilmesi gereken milyonlarca parametre barındıran yapay öğrenme uygulamalarında milyonlarca örneği ele alıp birkaç saat/gün mertebesinde sonuç üretebilen sistemler var artık elimizde. Yakın geçmişe kadar bunun hayali bile kurulamıyordu. Donanım tarafındaki bu gelişmenin yanında, yazılım tarafında da yapay öğrenme ve istatistiksel örüntü tanıma konusunda geliştirilen programları ve bunların 'açık kaynak kodlu' olarak sunulup birçok kişi tarafından özenle geliştiriliyor olması tüm bu gelişmelere büyük bir ivme kazandırdı.

Bu gelişmeler sayesinde beş yıl öncesine kadar bir kediyi, köpekten ayırmakta zorlanan sistemler şu anda kedinizin hangi açıdan çekilmiş olursa olsun bir fotoğrafından hangi tür olduğunu söyleyebiliyor. Aynı şey tıp görüntülemelerinde kanser öncesi oluşumları erkenden tanımlayabilen sistemler için de geçerli. Örnekler birçok alan için çoğaltılabilir.

Peki bu ilerlemelere ve tüm bu çığır açan uygulamalara bakarak her şeyin kusursuz olduğunu iddia edebilir miyiz? Maalesef hayır; çünkü:
  • Şu anda kullanılan yöntemler büyük ölçüde 'veriye aç' yöntemler. Etkili sonuçlar elde edebilmeniz için sistemi kurarken çok fazla veriye ihtiyacınız var, ki sonunda size etkili örüntüler oluşturup yeni bir durumlar için daha iyi 'genellemeler' yapabilsin. Birçok alanda bu ölçekte veri bulmak çoğu zaman zor ya da tıp gibi alanlarda bu veriye erişmek 'gizlilik' sebebiyle mümkün değil. Bunu aşmak için birçok çözümler uygulanıyor (Amazon'un 'Mechanical Turk' servisi ya da daha 'pratik' doktora öğrencilerini verileri etiketlemek için kullanmak gibi) fakat bu çözümler sistemlerin veriye açlığını gidermeye yetecek gibi durmuyor. Tıpkı insan gibi birkaç örnek üzerinden etkili bir şekilde öğrenen sistemlere ihtiyaç var ve bu konuda çalışmalar bu işin geleceği olarak görülüyor (bknz: one-shot learning).
  • Kullanılan yöntemler her ne kadar bilgisayar gibi tamamen 'mantık' üzerine kurulu bir sistem üzerinde gerçekleniyor olsa da bu sistemlerin programlanmasından, sistemi eğitmek için sağlanan verilerin seçimine kadar onlarca faktör kaçınılmaz bir şekilde 'yanlılık' (bias) oluşturuyor. Örneğin bankalar kredi verecekleri müşterileri artık bu yöntemlerle belirliyorlar. Algoritmalar kredi başvurusunda bulunan kişinin sosyo-ekonomik bir takım bilgilerini değerlendirip bir sonuç çıkarıyor ve şu kişiye şu kadar riskle kredi verilebilir diyor. Fakat bu sistemi eğitirken kullanılan veri içinde tüm sosyal grupların eşit bir şekilde temsil edilip edilmemesi, çıkacak sonucu doğrudan etkileyebilme gücüne sahip. Bir sonraki yazıda da göreceğimiz gibi bu sistemler çoğu zaman geriye dönük sorgulanamadığı yani bu kararı neden verdiğinin cevabını bize vermediği için bu yanlılıkları fark etmek çok çok güç. Bu özellikle toplumsal-sosyal konularda büyük tehlikeler barındırıyor. Bu konular 'teknoloji çılgınlığı' ve fütürizm modunda ilerleyen tartışmalara henüz yansımasa da günlük hayatta bizi çoktan etkilemeye başladı bile. (Konuyla ilgili şu etileyici kitabı tavsiye ederim: Weapons of Math Destruction: How Big Data Increases Inequality and Threatens Democracy)
  • Her ne kadar tüm sorunlarımıza çare olacak gibi pazarlansa da bu yöntemler şu anda kabaca tahmin etme, sınıflandırma gibi 'alt-seviye' işler yapıyor; 'karar alma', 'muhakeme etme', 'karşılaştırma' gibi daha üst-seviye işler yapabilmeleri için mevcut yöntemlerin üzerine tamamen farklı bir perspektif gerektiği vurgulanıyor. Şu anki baş döndürücü gelişim hızına bakarak bunun için yakın gelecek için umutluyuz, fakat bahsi geçen problemlerin epey çetin problemler olduğunu göz önünden çıkarmamak gerek!
Bir sonraki yazıda sesli yayında da bahsettiğimiz 'Yapay Sinir Ağları' konusunu biraz daha detaylı ve bir örnekle açıklamayı planlıyorum.

Kaynaklar:

2
yorum

2 Nisan 2017 Pazar

Mart ayının kitapları

Kitap severler için bir tür sosyal medya ve kitap veritabanı olan Goodreads sayfasında kendi kendime bir 'meydan okuma' ile bu yıl 50 kitap okuyacağım sözünü verdim. İlk çeyrek itibariyle hedefimi tutturmuş olmanın verdiği güzel hislerle Mart ayında okuduklarımı buradan da kısaca paylaşmak istedim.



The Master Algorithm (Yazar: Pedro Domingos - Penguin Press) Yapay öğrenme ve yapay zeka çalışmaları hakkında yazılmış en kapsamlı popüler bilim kitaplarından biri The Master Algorithm. Yazarı konuyla akademik olarak uğraşan ve önde gelen araştırmacılardan biri. Kitapta farklı farklı yapay öğrenme yöntemlerini detaylıca ele alarak yazarın kendi iddia ettiği 'genel öğrenici' bir algoritma olan Master Algoritma'ya doğru giden yol anlatıyor. Henüz elimizde böyle bir genel öğrenici bir sistem olmasa da yapay öğrenme problemlerine farklı açılardan yaklaşan 'düşünce okullarının' karşılaştırmalı olarak bir arada sunumu ortaya etkileyici bir kitap çıkarmış. Konuya her ne kadar 'popüler' açıdan yaklaşıyor olsa da içeriğini sindirmenin kolay olduğunu iddia edemem; birçok algoritmanın anlatımını defalarca okumam gerekti. Kitabın sonundaki her bölümle ilgili kapsamlı referanslar ve kaynakça uzun zaman boyunca elimin altında bir başvuru kaynağı olarak kalacak. Kitap ayrıca çok yakın bir zamanda Türkçe'ye de çevrildi (Paloma Yay.).

Yürümenin Felsefesi (Yazar: Frederic Gros - Kolektif Kitap) Yürümenin Felsefesi Kolektif Kitap'ın yayın çizgisine tam yakışır, bir taraftan gerçek hayatla içli dışlı ama olayın düşünsel ve felsefi tarafından ödün vermeyen, çevirisi ile her zamanki gibi göz dolduran, tasarımı ile elinizde tuttuğunuzda dahi mutluluk hissi veren bir kitap; yürümenin felsefesine dair bir şaheser! Kendisi de bir felsefeci olan yazar Frédéric Gros, yürüme gibi günlük hayatın en temel ve kitapta da bahsettiği üzere 'tekdüze' davranışı üzerine sayfalarca fikirler, tarihsel kişilikler, bağlantılar ve renkli anekdotlar sunuyor. Tarihteki ünlü yürüyüşçülerden Nietzsche, Rousseau, Thoreau ve Emerson'ın yürümeye karşı yaklaşımlarını bizzat deneyimleri ve bunların üretme süreçlerine etkileri üzerinden etkili bir şekilde el alıyor. Doğada uzun soluluklu yürüyüşlerden, 'kafayı dağıtmak' için çıkılan yürüşlere, şehirde elleri cebinde sokaklarda başıboş dolaşmak olarak tarif edilebilecek 'fleaneur'lükten, Paris parklarında birbirine kur yapmak için eskiden çıkılan gezintilere türlü türlü açıdan bakan kısa denemeler yer alıyor kitapta. Yürümeye dair günlük hayat özelinde yada kültür tarihi bağlamında ne varsa her birini ince ince işlemiş yazar. Yürümeye övgülerle ve birbirinden güzel benzetmeler ve açıklamalarla bunca alışık olduğumuz bir hareketi yeniden önümüze koyan bu kitap, 'yerinde duramayanlar' için kesinlikle bir başucu kitabı.

Kör Baykuş (Yazar: Sadık Hidayet - Yapı Kredi Yay.) Kitap uzun zamandır okuduğum en kasvetli ve hayatı olumsuzlayan kitaptı herhalde. Klasik İran edebiyatının ustalarından gösterilen Sadık Hidayet'in en bilinen eseri Kör Baykuş. Sartre, Camus ve Sartre'da göremeyeceğiniz bir 'bunaltı' ve varoluşçu esintiler her satırında fazlasıyla hissediliyor. Yazarın hayatını göz önünüze aldığınızda böylesi bir eseri ortaya koymasının geri planını biraz daha iyi anlaşılıyor gibi geliyor. Bir dönemler 'pençesine'düştüğüm bu tarz kitapları okuduğum dönemleri hatırlatması anlamında ancak sevebildiğim bir okuma oldu, daha fazlası değil...
Benim Periyodik Tablom (Yazar: Oliver Sacks - Yapı Kredi Yay.) Kişiliği etkileyen uç psikolojik sorunlar üzerine hayatını vakfetmiş ve tüm bunları birbirinden güzel anlatılar şeklinde ömrü boyunca yayınlamış en sevdiğim yazarlardan biridir Oliver Sacks. Ele aldığı konuları çoğu zaman ağzım açık okur, dünya üzerinden insan deneyiminin sonsuz çeşitlilikte olduğunu düşünür dururum. Oliver Sacks'ın bu yazar kimliğinin yanında aynı zamanda karakterini en çok belirleyen yönlerinden biri de doğa bilimleri, özellikle kimya sevgisidir. Çocukluğundan itibaren kimya ve özellikle elementlerle kurduğu bağını, yine Yapı Kredi'den yayınlanmış 'Tungsten Dayı' eserinde ele almış, bitmez bilmez merakını bir eğrelti otu meraklısı amatör grubuyla Meksika'da çıktığı keşif gezisinin notlarını Oaxaca Günlüğü kitabında paylaşmıştı. Geçen yıl kanserden yitirdiğimiz bu müthiş insanın ölümünden önce kaleme aldığı son üç yazısını içeriyor 'Benim Periyodik Tablom'. Her biri birbirinden değerli, hayata, insanlara, bilime bir veda yazısı niteliğinde üç yazı. Oliver Sacks'ın okurlarına bıraktığı son hazine.

Prizma ve Sarkaç (Yazar: Peter P. Crease - Boğaziçi Üniversitesi Yayınları): Bilimde 'güzel' kavramını soyut ve teorik olanda değil de, elle tutulur ve deneysel olanda arayan sıradışı bir kitap Prizma ve Sarkaç. Bilim tarihinde, özellikle fizik alanında öne çıkan deneyleri içindeki karakterleri ile birlikte tarihsel olarak ele alan kitapta ayrıca ara bölümlerde çeşitli konularda bilim felsefesi tartışmalarına da kısa makaleler şeklinde yer verilmiş. Kitapta yer alan deneylerin her biri 'güzel' kavramı üzerinden değerlendirilip 'bir deneyi güzel yapan şey nedir?' sorusunun cevabı aranıyor. Kitaptan esinlenerek geçtiğimiz günlerde şu yazıyı da yazmıştım, ilginizi çekebilir: Bilimde 'güzellik' üzerine: Sarkaç ve Bilardo Topları
Something Incredibly Wonderful Happens: Frank Oppenheimer and his Astonishing Exploratorium (Yazar: K.C. Cole - Unv. Chicago Press) Bilimin topluma ulaştırılması konusunda günümüzde önemli bir rol oynayan 'bilim müzesi' konseptini ilk olarak hayata geçirenlerden biri, aynı zamanda Manhattan Atom Bombası projesinde ünlü kardeşi Robert Oppenheimer ile birlikte yer almış Frank Oppenheimer'ın detaylı bir portresi bu kitap. Kitabın ilk bölümünde Frank Oppenheimer'ın atom bombası ve fizikle ilişkisi detaylı olarak ele alınırken, ikinci bölümden itibaren San Francisco'da günümüzde dahi bilim müzeleri konusunda en önde yer alan ve devasa bir etkiye sahip Exploratarium'un kurulma aşamasından etkili bir müze haline gelişinin öyküsü yer alıyor. Yol boyunca Frank'ın bilime, bilmeye ve özellikle öğrenmeye dair tamamen kurcalama ve keşfetme üzerinden yaklaşımı birçok anekdotla anlatılıyor. Kitabın yazarı Frank'ın yanında uzun yıllar boyunca yer almış, Exploratarium projesinin de içerisinde bulunmuş bir kişi ve aktardıkları doğrudan birinci ağızdan. Kitap, bilimin etkili bir şekilde aktarılması ve çocuklardan yetişkinlere kadar günümüzde herkesin çoktan yitirdiği 'merak etme yeteneğini' tekrar kazandırılması anlamında birbirinden etkili yollar sunuyor.

Paylaş!

 

Copyright © 2010 Gök Günce | Blogger Templates by Splashy Templates | Free PSD Design by Amuki