<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Zeynep öksüz on Medium]]></title>
        <description><![CDATA[Stories by Zeynep öksüz on Medium]]></description>
        <link>https://medium.com/@zynepesnksz?source=rss-2ede955b702c------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*Dr1RHZFvNmu1gWAz</url>
            <title>Stories by Zeynep öksüz on Medium</title>
            <link>https://medium.com/@zynepesnksz?source=rss-2ede955b702c------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Wed, 18 Nov 2026 09:10:47 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@zynepesnksz/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Ajanların Token Krizi ve Huawei’nin Süper Düğüm Yaklaşımı #1 : Token Pahalıysa, Suçlu Kim?]]></title>
            <link>https://medium.com/@zynepesnksz/ajanlar%C4%B1n-token-krizi-ve-huaweinin-s%C3%BCper-d%C3%BC%C4%9F%C3%BCm-yakla%C5%9F%C4%B1m%C4%B1-1-token-pahal%C4%B1ysa-su%C3%A7lu-kim-91fc6c838d75?source=rss-2ede955b702c------2</link>
            <guid isPermaLink="false">https://medium.com/p/91fc6c838d75</guid>
            <category><![CDATA[llm]]></category>
            <category><![CDATA[token]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[tokenization]]></category>
            <dc:creator><![CDATA[Zeynep öksüz]]></dc:creator>
            <pubDate>Thu, 22 Oct 2026 19:23:10 GMT</pubDate>
            <atom:updated>2026-10-22T19:23:10.865Z</atom:updated>
            <content:encoded><![CDATA[<h3>Yapay Zekâ Daha Fazlasını Yapabiliyorken Neden Daha Az İş Yapıyor?</h3><p>Her işimizde yardım aldığımız yapay zekâların, üstlendikleri işlerin kapsamı arttıkça bazen daha az iş yaptığını fark ettiniz mi?</p><p>Ne demek istediğimi biraz açayım. Yapay zekâ artık bizimle birlikte düşünüyor, bize fikir veriyor, hatta bizim için çalışıyor. Tabii tokenlarımız yettiği sürece. Peki, yapay zekânın ilk zamanlarında pek konuşulmayan tokenlar nasıl oldu da projelerimizin en büyük ortaklarından birinin bizimle ne kadar çalışabileceğini belirleyen bir kaynağa dönüştü?</p><p>Yapay zekâ gelişti; düşünme süresi, bağlam kapasitesi ve karmaşık görevleri yerine getirme becerisi arttı. Doğal olarak harcanan token miktarı da arttı. Ancak asıl soru şu: <strong>Tokenlar neden kısıtlı?</strong></p><p>Kısa cevap şu: Tokenlar pahalı, çünkü onları üretmek donanım açısından pahalı. Bu maliyetin büyük kısmı da sanılanın aksine yalnızca işlem gücünden değil, donanımın bellek kapasitesinden ve veriyi işleme biçiminden kaynaklanıyor.</p><p>Yapay zekânın ilk dönemlerinde büyük dil modelleri (LLM) çoğunlukla insanla model arasında geçen kısa ve görece izole sohbetlerde kullanılıyordu. Bugün ise yapay zekâ ajanları plan yapabiliyor, araç kullanabiliyor ve bir görevi tamamlamak için çok sayıda akıl yürütme adımını art arda atabiliyor. Bir kodlama ajanı saatler boyunca kod yazıp test edebilir, hataları inceleyebilir ve önceki adımlarından öğrendiklerini kullanarak çalışmaya devam edebilir.</p><p>Fakat bütün bunların bir bedeli var: Bağlam.</p><p>Bir ajan çalışırken yalnızca son mesajımızı değil; önceki kararlarını, kod incelemelerinin geçmişini, veritabanı sorgularının sonuçlarını ve araçlardan gelen çıktıları da dikkate almak zorundadır. Bu bilgiler biriktikçe bağlam penceresi büyür. 100.000 tokenlık bağlamlar, bu tür karmaşık görevler için artık şaşırtıcı bir ölçek değil.</p><p>Bunu somutlaştıralım. Bir kodlama ajanından projemizdeki bir hatayı düzeltmesini istediğimizi düşünelim. Ajan önce ilgili dosyaları okur; yirmi dosya, kolayca on binlerce token eder. Ardından testleri çalıştırır ve hata çıktılarını okur. Bir düzeltme dener, testleri yeniden çalıştırır, yeni çıktıları da okur. Her adımda bağlama yeni bilgiler eklenir ve hiçbiri silinmez; çünkü ajanın neyi neden denediğini hatırlaması gerekir. Birkaç düzine adım sonra bağlam, ilk mesajımızın yüzlerce katına ulaşmış olur. Üstelik model her yeni adımda bu birikmiş bağlamın tamamını hesaba katmak zorundadır</p><p>İşte sorunun önemli bir parçası olan <strong>KV cache (Key-Value Cache)</strong> burada devreye giriyor.</p><p>Transformer mimarisinde model, metindeki tokenlar arasındaki ilişkileri attention mekanizmasıyla hesaplar. Önceki tokenlara ait key ve value temsillerini her seferinde yeniden hesaplamamak için bu değerleri KV cache adı verilen bellekte tutar. Böylece model yeni bir token üretirken bağlamı baştan işlemek zorunda kalmaz. Ancak bu verimliliğin de bir maliyeti var: KV cache bağlam uzadıkça büyür ve eşzamanlı çalışan her istek ve ajan için ayrı ayrı yer kaplar. İstek ve ajan sayısı arttıkça bellek ihtiyacı da katlanır.</p><p>Bunu uzun bir toplantıda not tutmaya benzetebiliriz. Notlar sayesinde her yeni konuşmada toplantıyı baştan dinlemeniz gerekmez; sadece notlarınıza bakarsınız. Ama toplantı uzadıkça not defteriniz kalınlaşır. Aynı anda on toplantıya katılıyorsanız on ayrı defter taşımanız gerekir. KV cache, modelin bu not defteridir ve masanın üzerindeki yer, yani hızlandırıcının belleği, sınırlıdır.</p><p>Burada küçük ama önemli bir teknik ayrım var. Sabit bir model mimarisi ve batch boyutu için KV cache’in bellek ihtiyacı, bağlam uzunluğuyla doğrusal olarak artar. Karesel büyüyen ise standart attention yaklaşımının toplam hesaplama maliyetidir. Uzun bağlamlarda ikisi de önemlidir, ancak bellek kapasitesini doğrudan zorlayan şey KV cache’in birikmesidir.</p><p>Rakamlarla bakınca sorunun boyutu daha net görünüyor. Meta’nın açık kaynak modeli Llama 3 70B’yi ele alalım. Bu model, her token için yaklaşık 320 KB’lık KV cache tutar (80 katman × 8 KV başlığı × 128 boyut × key ve value için 2 × 16 bitlik sayılar). İlk bakışta küçük görünen bu rakam, 100.000 tokenlık bir bağlamda yaklaşık 33 GB’a ulaşır. Modelin kendi parametreleri ise 16 bit hassasiyette yaklaşık 140 GB yer kaplar. Şimdi aynı anda 100.000 tokenlık bağlamla çalışan on ajan düşünelim: Yalnızca KV cache için 330 GB’tan fazla bellek gerekir; bu, modelin kendisinden bile büyüktür. Karşılaştırma için, bugün yaygın kullanılan üst düzey bir hızlandırıcının belleği 80 ile 200 GB arasındadır.</p><p>Üstelik hızlandırıcının (GPU ya da NPU) belleği yalnızca KV cache için kullanılmaz. Modelin parametreleri, ara hesaplama sonuçları ve diğer çalışma verileri de aynı bellek için yarışır. Büyük dil modellerinin parametreleri tek başına yüzlerce gigabayt tutabilir. Buna bağlam ve eşzamanlı istek yükü de eklenince hızlandırıcının yüksek bant genişlikli belleği (HBM) yetersiz kalır. Sistem ya bellek yetersizliği hatalarıyla karşılaşır ya da performansı korumak için bağlamı kısaltmak, istekleri sınırlamak veya birden fazla çip kullanmak zorunda kalır.</p><p>Sorun yalnızca daha fazla belleğe ihtiyaç duymamız da değil. Verinin belleğe ne kadar hızlı yazılıp okunabildiği, yani bellek bant genişliği de en az kapasite kadar belirleyici. Bir modelin yanıt üretmesi aslında iki aşamadan oluşur. İlk aşamada (prefill) model, bağlamın tamamını tek seferde ve paralel olarak işler; bu aşama yoğun hesaplama ister ve hızlandırıcılar bunu iyi yapar. İkinci aşamada (decode) ise tokenlar tek tek, sırayla üretilir. Model her yeni tokenı üretirken parametrelerin ve KV cache’in büyük kısmını bellekten yeniden okumak zorundadır. Bu yüzden token üretme aşaması (decode) çoğu zaman hesaplamaya değil, bellek bant genişliğine takılır: İşlemci hesap yapmaya hazırdır ama veri yetişmez. Yapay zekâ altyapısında <strong>bellek duvarı</strong> (memory wall) olarak anılan sorun tam olarak budur.Akla gelen soru şu olabilir: Neden hızlandırıcılara daha fazla bellek eklemiyoruz? Çünkü HBM, işlemcinin hemen yanına, aynı paketin içine istiflenen pahalı ve üretimi zor bir bellek türüdür. Kapasitesi, çipin fiziksel alanıyla ve üretim kapasitesiyle sınırlıdır. Üstelik bellek kapasitesi yıllar içinde işlem gücüyle aynı hızda artmadı. Bu yüzden sorun tek bir çipe daha fazla bellek sığdırarak çözülemiyor.</p><p>Akla ilk gelen çözüm, modeli ve KV cache’i yüzlerce çipe bölmektir. Ancak bölünen parçalar her adımda birbiriyle konuşmak zorundadır. Özellikle günümüzde yaygınlaşan mixture-of-experts (MoE) modellerinde her token, farklı çiplerde bulunan “uzmanlara” gönderilir. Bu da çipler arasında herkesin herkesle konuştuğu (all-to-all) yoğun bir veri trafiği doğurur. Böylece darboğaz tek bir çipin içinden çıkıp çipler arasındaki bağlantılara taşınır.</p><p>Dolayısıyla ajan tabanlı yapay zekânın önündeki engel yalnızca daha fazla işlem gücü sağlamak değil. Daha uzun süre çalışan, daha fazla bağlamı koruyan ve birden fazla aracı birlikte kullanan sistemler için bellek kapasitesini, bellek bant genişliğini ve çipler arasındaki veri aktarımını birlikte ölçeklendirmek gerekiyor.</p><p>Peki, bu darboğazı aşmak için yalnızca daha güçlü çipler kullanmak yeterli mi? Yoksa yapay zekâ altyapısını, çipleri birbirine bağlama biçiminden başlayarak baştan mı düşünmek gerekiyor?</p><p>Huawei’nin CloudMatrix384&#39;ten Agentic Infra’ya uzanan hikâyesi tam da bu sorudan başlıyor. Huawei’nin bu soruya cevabı, tek tek çipleri güçlendirmek yerine yüzlercesini tek bir bilgisayar gibi çalıştırmak oldu. Serinin bir sonraki bölümünde CloudMatrix384&#39;ün bunu nasıl başardığına ve çipleri birbirine bağlayan UnifiedBus’a bakacağız. Bir sonraki yazıda görüşmek üzere.</p><ol><li>Vaswani, A. vd. (2017). <em>Attention Is All You Need.</em> arXiv:1706.03762. <a href="https://arxiv.org/abs/1706.03762">https://arxiv.org/abs/1706.03762</a><br> → Transformer mimarisi ve attention mekanizması.</li><li>Pope, R. vd. (2023). <em>Efficiently Scaling Transformer Inference.</em> MLSys 2023. <a href="https://arxiv.org/abs/2211.05102">https://arxiv.org/abs/2211.05102</a><br> → Token üretiminin tek tek ilerlemesi ve bunun çıkarımı zorlaştırması; KV cache paylaşımının bellek ihtiyacını azaltması.</li><li>Kwon, W. vd. (2023). <em>Efficient Memory Management for Large Language Model Serving with PagedAttention.</em> SOSP 2023. <a href="https://arxiv.org/abs/2309.06180">https://arxiv.org/abs/2309.06180</a><br> → KV cache’in her istek için büyük olması ve dinamik olarak büyüyüp küçülmesi; sıralı üretim sürecinin iş yükünü belleğe bağımlı (memory-bound) hâle getirmesi.</li><li>Gholami, A. vd. (2024). <em>AI and Memory Wall.</em> IEEE Micro. <a href="https://arxiv.org/abs/2403.14123">https://arxiv.org/abs/2403.14123</a><br> → “Bellek duvarı” kavramı.</li><li>Huawei Cloud (2025). <em>Serving Large Language Models on Huawei CloudMatrix384.</em> arXiv:2506.12708. <a href="https://arxiv.org/abs/2506.12708">https://arxiv.org/abs/2506.12708</a><br> → MoE modelleri ve çipler arası all-to-all iletişim.</li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=91fc6c838d75" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Peki ya Nobel Alamayanlar : Rosalind Franklin’in ve 51. Fotoğrafın Hikâyesi]]></title>
            <link>https://medium.com/@zynepesnksz/peki-ya-nobel-alamayanlar-rosalind-franklinin-ve-51-foto%C4%9Fraf%C4%B1n-hik%C3%A2yesi-b70f9d530bc3?source=rss-2ede955b702c------2</link>
            <guid isPermaLink="false">https://medium.com/p/b70f9d530bc3</guid>
            <category><![CDATA[rosalind-franklin]]></category>
            <category><![CDATA[nobel-prize]]></category>
            <category><![CDATA[women-in-tech]]></category>
            <category><![CDATA[dna]]></category>
            <dc:creator><![CDATA[Zeynep öksüz]]></dc:creator>
            <pubDate>Sun, 18 Oct 2026 20:36:10 GMT</pubDate>
            <atom:updated>2026-10-18T20:39:02.984Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Bir fotoğraf, DNA’nın keşfi ve bilim tarihinin hatırlamayı seçtiği isimler üzerine.</em></p><p>Yaşamın sırrı çözülmüştü. DNA’nın yapısı keşfedilmişti.</p><p>James Watson ve Francis Crick, DNA’nın yapısına ilişkin modellerini <em>Nature</em> dergisinde yayımladıklarında bilim dünyasında yeni bir dönem başlıyordu. Ancak bu büyük keşfin arka planında, emeği ve katkıları uzun yıllar hak ettiği ölçüde görünür olmayan bir bilim insanı vardı.</p><p>Atıfta bulunulmayan bir çalışma ve 51. Fotoğraf…</p><p>Gelin, bu fotoğrafı çeken kadının öyküsüne beraber bakalım.</p><p><strong>Rosalind Franklin.</strong></p><p>Bir kadının, savaşın gölgesindeki ve erkeklerin ağırlıkta olduğu, kadınların erkeklerle eşit imkanlardan faydalanamadığı bir bilim dünyasında kendine yer açma hikâyesi. Kendi araştırmalarını yürüten, deneylerini tasarlayan ve DNA’nın yapısını anlamak için çalışan bir bilim insanının hikâyesi.</p><p>Ama aynı zamanda, ürettiği bilimsel verilerin başkalarının keşif sürecinde nasıl kullanıldığının ve bütün bunların ardından kendi adının neden yeterince hatırlanmadığının da hikâyesi.</p><p>Çünkü bazen bilim tarihine yalnızca kimin neyi keşfettiği değil, kimin emeğinin görünür kılındığı ve kimin adının geride kaldığı da yön verir.</p><h3>Önce kendine bir yer açtı</h3><p>Rosalind Franklin, 1920 yılında Londra’da doğdu. Küçük yaşlardan itibaren fen bilimlerine ilgi duyuyordu. Matematiksel problemler çözmekten, bir şeylerin nasıl çalıştığını anlamaya çalışmaktan hoşlanıyordu. Henüz on bir yaşındayken fen bilimleri eğitimi veren St. Paul’s Kız Okulu’na başladı. Zekâsı, çalışkanlığı ve bilimsel merakıyla dikkat çekti.</p><p>Cambridge Üniversitesi’nde fiziksel kimya eğitimi aldı ve 1945 yılında doktorasını tamamladı. Ardından kömür ve karbonların yapısını araştırdı. Bu çalışmalar sırasında maddelerin iç yapısını anlamaya yönelik deneysel yöntemlerde uzmanlaştı.</p><p>Daha sonra Paris’te çalışırken X-ışını kristalografisi alanında kendini geliştirdi.</p><p>X-ışını kristalografisi, bir maddenin atomlarının nasıl dizildiğini anlamak için X-ışınlarının oluşturduğu kırınım desenlerini incelemeye dayanıyordu. Doğrudan göremediğimiz bir yapıyı, bıraktığı izlerden hareketle çözmeye çalışıyordunuz.</p><p>Franklin bu alanda yalnızca bilgi edinmedi. Deneylerin nasıl yapılacağı, görüntülerin hangi koşullarda elde edilebileceği ve bu görüntülerin nasıl yorumlanacağı konusunda uzmanlaştı.</p><p>1951 yılında İngiltere’ye dönerek King’s College London’da çalışmaya başladı. Yanında yalnızca yeni bir araştırma konusu değil, yıllar içinde geliştirdiği ciddi bir bilimsel birikim de vardı.</p><p>Artık önünde yeni bir soru duruyordu:</p><p>DNA’nın yapısı neydi?</p><h3>Herkes aynı sorunun peşindeydi</h3><p>1950&#39;li yılların başında DNA, bilim dünyasının en önemli araştırma konularından biriydi. Hücrelerdeki kalıtsal bilginin taşınmasında rol oynadığı biliniyordu. Ancak bu bilginin nasıl saklandığını ve nesilden nesile nasıl aktarıldığını anlayabilmek için DNA’nın moleküler yapısının çözülmesi gerekiyordu.</p><p>Bu sorunun peşinde yalnızca Rosalind Franklin yoktu.</p><p>Cambridge Üniversitesi’nde James Watson ve Francis Crick, DNA’nın yapısını açıklayabilecek bir model üzerinde çalışıyordu. King’s College’da ise Franklin ve Maurice Wilkins, DNA’yı deneysel yöntemlerle inceliyordu. Amerika’da Linus Pauling de aynı problem üzerinde araştırmalar yürütüyordu.</p><p>Herkes aynı yapıyı anlamaya çalışıyordu ama herkesin elindeki yöntemler ve veriler aynı değildi.</p><p>Franklin’in uzmanlığı, DNA’nın X-ışını kırınım görüntülerini elde etmek ve bu görüntülerden molekülün yapısına ilişkin sonuçlar çıkarmaktı. DNA liflerinin su içeriği gibi koşulları dikkatle kontrol ederek farklı biçimlerini inceliyordu. Elde ettiği sonuçlar, DNA’nın yapısını anlamak için gerekli deneysel zemini oluşturuyordu.</p><p>Burada önemli bir ayrıntı var: Franklin, yalnızca başkalarının teorilerini doğrulamak için çalışan bir teknisyen değildi. Kendi deneylerini tasarlayan, sonuçlarını analiz eden ve DNA’nın yapısı üzerine bilimsel çıkarımlar yapan bir araştırmacıydı.</p><p>Ancak onun bilimsel katkısını anlamak için 1952&#39;de çektiği meşhur fotoğraftan biraz daha geriye gitmek gerekiyor.</p><h3>Bir konferansta başlayan hikâye</h3><p>Kasım 1951&#39;de Rosalind Franklin, DNA üzerine yaptığı araştırmaları bilimsel bir sunumda anlattı. Dinleyiciler arasında James Watson da bulunuyordu.</p><p>Watson, sunum sırasında ayrıntılı notlar tutmadı. Franklin’in aktardığı bazı teknik bilgileri de daha sonra eksik ya da yanlış hatırladı. Cambridge’e döndüğünde Francis Crick ile birlikte DNA’nın yapısını açıklayabilecek bir model kurmaya girişti.</p><p>İlk denemeleri başarısız oldu.</p><p>Watson ve Crick’in geliştirdiği ilk model, DNA’yı üç zincirli bir yapı olarak ele alıyordu. Fosfat gruplarını molekülün iç kısmına yerleştirmişlerdi. Ancak model, DNA’nın kimyasal özellikleriyle ve mevcut deneysel bulgularla uyuşmuyordu.</p><p>Franklin, bu modelin kimyasal imkânsızlığını anında fark ederek sorunları tek tek ortaya koydu. DNA’nın yapısına ilişkin deneysel verileri, modelin temel varsayımlarının yanlış olduğunu gösteriyordu. Üstelik tepkisini kendine has iğneleyici mizahıyla vermekten de çekinmedi; kısa bir süre sonra çalışma arkadaşı Raymond Gosling ile birlikte “sarmal modelin ölümünü” ilan eden şakacı bir başsağlığı kartı hazırlayıp King’s College panosuna astılar. Bu durum, Franklin’in sadece deneysel bir titizliğe değil, meslektaşlarının aceleci varsayımlarını yerle bir edecek keskin bir zekâya sahip olduğunu gösteriyordu. Nitekim bu başarısız denemenin ardından Cambridge’deki ekip, DNA üzerine model çalışmalarını bir süreliğine durdurmak zorunda kaldı.</p><p>Bu ayrıntı önemli. Çünkü Franklin’in rolü, yıllar sonra ortaya çıkan meşhur 51. Fotoğraf’la başlamıyordu. Watson ve Crick’in ilk model denemesi sırasında da Franklin’in araştırmaları, DNA’nın nasıl bir yapıya sahip olabileceğini anlamaları açısından önemliydi.</p><p>Fakat Franklin’in kendi araştırmaları devam ediyordu.</p><p>DNA’nın farklı biçimlerini inceliyor, deney koşullarını kontrol ediyor ve elde ettiği kırınım görüntülerinden molekülün yapısına ilişkin sonuçlar çıkarıyordu.</p><p>Çok geçmeden, bu çalışmaların en bilinen ürünü bilim tarihinin merkezine yerleşecekti.</p><h3>Bir fotoğrafın arkasındaki emek</h3><p>Mayıs 1952&#39;de Rosalind Franklin ve doktora öğrencisi Raymond Gosling, DNA’nın B formuna ait son derece önemli bir X-ışını kırınım görüntüsü elde etti. Bu görüntü, daha sonra <strong>51. Fotoğraf</strong> adıyla tanınacaktı.</p><p>****************Buraya 51. Fotoğraf’ı ************</p><p><em>Görsel açıklaması: Rosalind Franklin ve Raymond Gosling’in 1952 yılında elde ettiği, DNA’nın B formuna ait X-ışını kırınım görüntüsü.</em></p><p>Fotoğrafta görülen X biçimindeki desen, DNA’nın sarmal bir yapıya sahip olduğuna ilişkin güçlü bir işaretti. Görüntü, DNA’nın geometrisi hakkında önemli bilgiler taşıyordu.</p><p>Ancak bu fotoğrafı elde etmek, yalnızca bir kamerayı çalıştırıp deklanşöre basmak değildi.</p><p>Franklin, uygun deney koşullarını belirlemek, DNA lifinin özelliklerini kontrol etmek ve görüntüyü yorumlayabilmek için uzun süre çalışmıştı. Elde edilen desenin anlamını çözmek için deneysel verileri matematiksel analizlerle değerlendirmişti.</p><p>Bir başka deyişle, 51. Fotoğraf tesadüfen ortaya çıkmış bir görüntü değildi. Franklin’in uzmanlığının, teknik becerisinin ve emeğinin ürünüydü.</p><p>Bir bilim insanının aylar süren çalışmasının sonucunda ortaya çıkan bir görüntü, başka bir araştırmacının yıllardır cevap aradığı sorunun anahtarına dönüşebilirdi. Bilimsel ilerleme çoğu zaman tam olarak böyle gerçekleşirdi.</p><p>Ama burada önemli bir ayrım vardı.</p><p>Bir çalışmadan yararlanmak ile o çalışmanın sahibinin emeğini yeterince tanımak aynı şey değildi.</p><h3>Bir fotoğraf ve bir rapor</h3><p>1953 yılının başlarında Maurice Wilkins, Franklin ve Gosling’in elde ettiği 51. Fotoğraf’ı James Watson’a gösterdi.</p><p>Watson, görüntüdeki desenin önemini fark etti. DNA’nın sarmal yapısına ilişkin güçlü kanıtlar taşıyan bu fotoğraf, Cambridge’de yeniden model geliştirmeye çalışan Watson ve Crick için kritik bir ipucuydu.</p><p>Ancak hikâye yalnızca bir fotoğrafın gösterilmesinden ibaret değildi.</p><p>Franklin’in araştırmalarına ilişkin önemli sayısal ve yapısal bilgiler, Medical Research Council (MRC) için hazırlanmış bir araştırma raporunda da yer alıyordu. Bu rapor, Max Perutz aracılığıyla Watson ve Crick’in erişimine ulaştı.</p><p>Dolayısıyla burada birbirinden ayrı iki olaydan söz ediyoruz: 51. Fotoğraf’ın Wilkins tarafından Watson’a gösterilmesi ve Franklin’in araştırma raporundaki bilgilerin Perutz aracılığıyla Watson ve Crick’e ulaşması.</p><p>Bu veriler, DNA’nın yapısına ilişkin modelin geliştirilmesinde önemli rol oynadı.</p><p>Peki, sorun neydi?</p><p>Sorun, bilim insanlarının birbirlerinin çalışmalarından öğrenmesi değildi. Bilim zaten ortak bir bilgi birikimi üzerinde ilerler. Bir araştırmacının bulgusu, başka bir araştırmacının sorusuna yanıt olabilir; bir deney, başka bir deneyin yolunu açabilir.</p><p>Ancak bilimsel bilginin ortaklaşa üretilmesi, emeğin sahibini görünmez kılmayı haklı çıkarmaz.</p><p>Bir araştırmacının yıllarını verdiği çalışmanın sonuçlarından yararlanılıyorsa o araştırmacının katkısının açıkça tanınması gerekir. Üstelik söz konusu katkı, keşfin anlaşılmasında önemli bir rol oynuyorsa bu sorumluluk daha da önem kazanır.</p><p>Franklin’in verilerinin nasıl ve hangi koşullarda paylaşıldığı, kendisinin bu paylaşımlardan ne ölçüde haberdar olduğu ve bilimsel katkısının nasıl tanındığı, bu hikâyenin en önemli tartışma noktalarından biridir.</p><p>Bu yüzden Rosalind Franklin’in hikâyesini yalnızca bir fotoğrafın izinsiz gösterilmesi üzerinden anlatmak eksik kalır. Asıl mesele, onun bilimsel katkısının büyüklüğünü ve bu katkının keşif sürecinde nasıl kullanıldığını birlikte değerlendirmektir.</p><h3>Keşif açıklandı, peki kimin hikâyesi anlatıldı?</h3><p>25 Nisan 1953&#39;te James Watson ve Francis Crick, DNA’nın çift sarmal yapısına ilişkin modellerini <em>Nature</em> dergisinde yayımladı.</p><p>Aynı sayıda DNA üzerine iki önemli makale daha bulunuyordu. Maurice Wilkins ve çalışma arkadaşlarının deneysel bulguları ikinci sırada, Rosalind Franklin ve Raymond Gosling’in kristalografik araştırmaları ise üçüncü sırada yayımlandı.</p><p>Üç makale, aynı keşfin farklı parçalarını ortaya koyuyordu: İlkinde teorik model, diğerlerinde ise deneysel bulgular sunuluyordu.</p><p>Franklin ve Gosling’in makalesi, DNA’nın yapısına ilişkin önemli deneysel kanıtlar içeriyordu. Ancak bu sonuçlar, Watson ve Crick’in modelinden bağımsız olarak yürüttükleri araştırmaların ürünüydü. Franklin’in çalışması, sonradan ortaya atılan modeli doğrulamak amacıyla yapılmış bir araştırma değildi.</p><p>Bu yayın sıralaması tek başına bilinçli bir haksızlığın kanıtı olarak değerlendirilemez fakat bunu akla getirebilir. Okurun önce modeli, ardından bu modeli destekleyen deneysel çalışmaları görmesi, keşfin nasıl hatırlandığı üzerinde etkili olmuş olabilir.</p><p>Watson ve Crick’in makalesinde, King’s College’daki Franklin, Wilkins ve çalışma arkadaşlarının henüz yayımlanmamış deneysel sonuçlarına ilişkin genel bir teşekkür de bulunuyordu.</p><p>Dolayısıyla Franklin’in adının hiçbir yerde geçmediğini söylemek doğru olmaz.</p><p>Ancak bir teşekkür cümlesi ile bilimsel katkının kapsamlı biçimde tanınması aynı şey miydi?</p><p>Yıllar içinde DNA’nın çift sarmal yapısının keşfi anlatılırken Watson ve Crick’in isimleri öne çıktı. Franklin’in katkısı ise çoğu zaman daha sonra hatırlanan bir ayrıntı olarak kaldı.</p><p>1962 yılında Watson, Crick ve Wilkins, DNA’nın yapısının keşfiyle bağlantılı çalışmaları nedeniyle Nobel Fizyoloji veya Tıp Ödülü’nü aldı (kategorinin resmi adı vasiyet gereği “Fizyoloji veya Tıp” olarak geçer).</p><p>Franklin bu ödülü göremedi. 1958 yılında, henüz 37 yaşındayken hayatını kaybetmişti ve Nobel Ödülü gıyabında verilmediği için ödülün sahipleri arasında yer alması mümkün değildi. Hayatta olsaydı ödülü kesinlikle alacağını iddia etmek tarihsel açıdan temkinli yaklaşmayı gerektirse de, Watson ve Crick’in teorik modellerini onun bağımsız deneysel verileri üzerine inşa etmiş olması bu olasılığı son derece güçlendiriyor. Çünkü Franklin sadece bir fikre katkı sunmamış; yapının sarmal olduğunu doğrudan kanıtlayan ölçümleri ve deneyleri bizzat gerçekleştirmişti.</p><p>Ancak mesele yalnızca ödülün kime verildiği değil. Bir keşfin hikâyesini anlatırken, o keşfin ortaya çıkmasını sağlayan bütün önemli katkıları ne kadar görünür kıldığımız.</p><p>Bir bilim insanının çalışmasının yayımlanmış olması, onun katkısının herkes tarafından anlaşılacağı veya hak ettiği ölçüde takdir edileceği anlamına gelmiyor.</p><p>Franklin’in hikâyesi, bilim tarihinin yalnızca sonuçlardan ibaret olmadığını hatırlatıyor. Bir keşfin arkasında, bazen adı daha az anılan ama ortaya koyduğu veriler olmadan sonuca ulaşmanın çok daha zor olacağı araştırmacılar bulunuyor.</p><h3>Bilim için yaşamak, bilim uğruna tükenmek mi?</h3><p>Franklin’in hayatı yalnızca DNA üzerine yaptığı çalışmalardan ibaret değildi.</p><p>King’s College’dan ayrıldıktan sonra Birkbeck College’da araştırmalarına devam etti. Tütün mozaik virüsü üzerine çalıştı ve virüslerin yapısının anlaşılmasına önemli katkılar sağladı. Kömür ve karbon üzerine yaptığı araştırmalar da bilimsel kariyerinin önemli bir parçasıydı.</p><p>1956 yılında yumurtalık kanseri teşhisi konuldu. Hastalığına ve tedavi sürecine rağmen çalışmalarını sürdürdü. 1958 yılında hayatını kaybetti.</p><p>Uzun süreli X-ışını maruziyetinin hastalığına neden olmuş olabileceği ileri sürülse de kanserinin kesin nedenini bildiğimizi söyleyemeyiz.</p><p>Franklin’in hikâyesini anlatırken onun hastalığını bilim uğruna verilmiş bir fedakârlık öyküsüne dönüştürmek istemiyorum. Bir bilim insanının değerini ne kadar acı çektiğiyle ölçmemeliyiz.</p><p>Asıl mesele, Franklin’in bilimsel yeteneğini ortaya koymak, araştırmalarını sürdürmek ve emeğinin tanınmasını sağlamak için mücadele etmek zorunda kaldığı koşullardır.</p><p>Bir kadının bilim dünyasında kendine yer açması, araştırmalarını yürütmesi ve ürettiği bilginin hakkını alması neden bu kadar zor olmalıydı?</p><p>Bilime tutkuyla bağlı olmak, insanın bütün zorluklara katlanması gerektiği anlamına mı geliyordu? Yoksa bilim dünyasının, o bilimi üreten insanlara karşı daha adil olma sorumluluğu mu vardı?</p><p>Franklin’in hikâyesini bugün de önemli kılan sorulardan biri bu.</p><h3>Rosalind Franklin’i neden hâlâ anlatmalıyız?</h3><p>Bugün DNA’nın çift sarmal yapısından söz ettiğimizde çoğumuzun aklına James Watson ve Francis Crick geliyor. Rosalind Franklin’in adı ise çok daha az kişinin zihninde yer ediyor.</p><p>Oysa Franklin’i hatırlamak, Watson ve Crick’in bilimsel katkılarını yok saymak anlamına gelmez. Bir keşfin birden fazla önemli katkı sayesinde ortaya çıkabileceğini kabul etmek anlamına gelir.</p><p>Franklin’in hikâyesini yalnızca hakkı yenmiş bir kadının hikâyesi olarak anlatmak da onu eksik bırakır. Çünkü o, yalnızca DNA’nın yapısının anlaşılmasına yardımcı olan kişi değildi. Kömür, karbon ve virüsler üzerine çalışmalarıyla da bilimsel bilgiye katkıda bulunmuş, kendi araştırma alanlarında iz bırakmış bir bilim insanıydı.</p><p>Onu yalnızca 51. Fotoğraf’la hatırlamak bile bir bakıma eksik kalır. Çünkü o fotoğraf, Franklin’in bilimsel kariyerinin tamamı değil, bu kariyerin en çok bilinen parçalarından yalnızca biridir.</p><p>Belki de onu gerçekten anmanın yolu, yalnızca 51. Fotoğraf’ın başına gelenleri anlatmak değil; o fotoğrafı ortaya çıkaran bilimsel emeği anlamaktan geçiyor.</p><p>Bir fotoğraf, DNA’nın sarmal yapısına dair önemli ipuçları taşıyabilir. Ama o fotoğrafın ardındaki insanın bütün hikâyesini tek başına anlatamaz.</p><p>Rosalind Franklin’in hikâyesi bize, bilimsel bir keşfe katkıda bulunmakla o keşfin tarihinde hak ettiği yeri almak arasında fark olabileceğini gösteriyor.</p><p>Bilim insanlarının isimlerini yalnızca ödüllerle, modellerle veya tek bir büyük keşifle hatırlamak zorunda değiliz. Onların nasıl çalıştıklarını, hangi koşullarda üretim yaptıklarını ve bilimsel bilginin oluşmasına nasıl katkı sağladıklarını da hatırlayabiliriz.</p><p>Çünkü bir keşfin hikâyesini daha eksiksiz anlatmak, geçmişteki bir insanın hakkını teslim etmenin ötesinde bir anlam taşıyor. Bugün bilime katkıda bulunan insanların emeklerini nasıl tanıyacağımızı da belirliyor.</p><p>Rosalind Franklin’in hikâyesini bu yüzden anlatmak istiyorum.</p><p>Yalnızca bir zamanlar yaşamış, büyük bir keşfe katkıda bulunmuş ve genç yaşta hayatını kaybetmiş bir kadını hatırlamak için değil. Bilimin kimin emeğiyle ilerlediğini, bu emeğin nasıl görünür olduğunu ve tarihin kimi hatırlamayı seçtiğini yeniden düşünmek için. Çünkü bir keşfin parçası olmakla, o keşfin hikâyesinde hak ettiği yeri almak aynı şey değil.</p><p>Ve belki de bugün kendimize sormamız gereken soru şu:</p><p><strong>Bilimin tarihini yalnızca keşifleri yapanların isimleriyle mi yazacağız, yoksa o keşiflerin mümkün olmasını sağlayan emeği de hatırlayacak mıyız?</strong></p><h3>Kaynakça ve ileri okuma</h3><p>Bu yazıyı hazırlarken yararlanılabilecek temel kaynaklar:</p><ol><li>Watson, J. D. ve Crick, F. H. C. (1953). <em>Molecular Structure of Nucleic Acids: A Structure for Deoxyribose Nucleic Acid.</em> Nature, 171, 737–738.</li><li><a href="https://evrimagaci.org/dnanin-goz-ardi-edilen-kahramani-rosalind-franklin-kimdir-365?srsltid=AU7gw4X27fUvoEFoyvTtBN5BYIYmh4ZM1LjipiWm8PmotdwVAqulxKSR">https://evrimagaci.org/dnanin-goz-ardi-edilen-kahramani-rosalind-franklin-kimdir-365?srsltid=AU7gw4X27fUvoEFoyvTtBN5BYIYmh4ZM1LjipiWm8PmotdwVAqulxKSR</a></li><li>Wilkins, M. H. F., Stokes, A. R. ve Wilson, H. R. (1953). <em>Molecular Structure of Deoxypentose Nucleic Acids.</em> Nature, 171, 738–740. <a href="https://doi.org/10.1038/171738a0">Makale bilgileri</a></li><li><a href="https://www.rosalindfranklin.edu/about/facts-figures/dr-rosalind-franklin/">https://www.rosalindfranklin.edu/about/facts-figures/dr-rosalind-franklin/</a></li><li>Franklin, R. E. ve Gosling, R. G. (1953). <em>Molecular Configuration in Sodium Thymonucleate.</em> Nature, 171, 740–741.</li><li>Nature (2019). <em>PastCast: The other DNA papers.</em></li><li>Nature (2003). <em>Quiet debut for the double helix.</em></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=b70f9d530bc3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Merge Sort Algoritması Nasıl Çalışır?]]></title>
            <link>https://medium.com/@zynepesnksz/merge-sort-algoritmas%C4%B1-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-93060c4101be?source=rss-2ede955b702c------2</link>
            <guid isPermaLink="false">https://medium.com/p/93060c4101be</guid>
            <category><![CDATA[data-structure-algorithm]]></category>
            <category><![CDATA[python-programming]]></category>
            <category><![CDATA[merge-sort]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[algorithms]]></category>
            <dc:creator><![CDATA[Zeynep öksüz]]></dc:creator>
            <pubDate>Tue, 09 Sep 2025 22:20:58 GMT</pubDate>
            <atom:updated>2026-10-05T17:27:59.793Z</atom:updated>
            <content:encoded><![CDATA[<h3>Merge Sort: Adım Adım Anlamaya Çalışalım</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/951/1*-MuqWr5qr8EJZYB0-dMMFg.jpeg" /></figure><p>Sıralama algoritmaları, bilgisayar bilimlerinde en çok kullanılan ve en temel algoritmalardan biridir. Bu yazıda, önemli bir <strong>divide and conquer</strong> algoritması olan <strong>Merge Sort</strong>’u ele alacağız. “Nasıl/neden böyle çalışıyor?”, hangi durumda avantajlı veya dezavantajlı, bu sorulara yanıt arayacağız.</p><p>Basit sıralama yöntemleri (ör. Insertion Sort) küçük veri kümeleri için uygundur ama veri büyüdükçe yavaşlar. İşte Merge Sort tam burada devreye girer: veriyi küçük parçalara bölerek sıralar ve sonra bu parçaları birleştirerek sonuca ulaşır.</p><h3>Merge Sort’un Temel Mantığı</h3><p>Algoritmanın üç adımı vardır:</p><ol><li><strong>Divide (Böl):</strong> Liste parçalara bölünür.</li><li><strong>Conquer (Fethet):</strong> Liste rekürsiv olarak küçük parçalar üzerinden sıralanır.</li><li><strong>Combine (Birleştir):</strong> Sıralanan listeler rekürsiv olarak birleştirilir.</li></ol><p>Bu adımlar, liste tek elemanlı olana kadar devam eder. Tek elemanlı listeler doğal olarak sıralıdır.</p><p><strong>Not:</strong> Recursive yapı, aynı işlemi küçük parçalar üzerinde tekrar tekrar uygulamamızı sağlayan sade bir çözümdür; ancak bellek açısından bir avantaj sağlamaz. Aşağıdaki kodda arr[:mid] ve arr[mid:] dilimleri yeni listeler oluşturur ve birleştirme için de ek bir liste kullanılır, bu yüzden Merge Sort ek bellek (O(n)) gerektirir. Alt listeleri kopyalamak yerine indislerle çalışan sürümlerde kopyalama azaltılabilir, ancak birleştirme için yine yardımcı bir dizi gerekir.</p><h3>Zaman Karmaşıklığı</h3><ul><li>Divide: Ortadan bölme işlemi → Θ(1)</li><li>Conquer: Parçaların sıralanması → 2T(n/2)</li><li>Combine: Sıralı parçaların birleştirilmesi → Θ(n)</li><li><strong>Toplam:</strong> T(n) = 2T(n/2) + Θ(n) → Θ(n log n)</li></ul><h3>Merge Sort Nasıl Çalışır?</h3><p>Merge Sort, bu aşamaya gelindiğinde sıralama da başlamış olur. Sıralama işlemini adım adım inceleyecek olursak:</p><ul><li>İlk olarak liste ikiye ayrılır daha sonra bu küçük listeler de ikiye ayrılır bu işlem her eleman tek başına kalana kadar devam eder.</li></ul><pre>                     [38, 43, 27, 3, 10, 82, 9]<br>              [38, 43, 27]                [3, 10, 82, 9]<br>           <br>            [38]     [43, 27]         [ 3, 10]      [ 82,9]<br>           <br>           [38]    [43]    [27]     [3]     [10]   [82]     [9]</pre><ul><li>Bu aşamada sıralamaya ve birleştirmeye başlarız . İlk başta ikiye bölerek ayırdığımız için birleştirirken de ikişerli birleştiririz yani birleştirmeye en küçük parçalardan başlarız</li></ul><pre>        [38]    [43]    [27]     [3]     [10]   [82]     [9]<br><br>          [38]     [27, 43]          [3, 10]       [9, 82]</pre><ul><li><strong>B</strong>irleştirmeye devam ederken birleştireceğimiz iki listenin ilk elemanlarından karşılaştırmaya başlarız. Elemanı yerleşen listede sıradaki elemana geçerek sıralamaya devam ederiz.[3,10] ve [9,82] listelerini birleştirerek ilerleyecek olursak ilk olarak 3 ve 9 karşılaştırılır ve 3 küçük olduğu için ilk yerleştirilir daha sonra 9 ve 10 karşılaştırılır 9 küçük olduğu için dokuz yerleştirilir.. 10 ve 82 karşılaştırılır 10 küçük olduğu için yerleşir ve sonra 82 yerleşir.</li></ul><pre>         [38]    [43]    [27]     [3]     [10]   [82]     [9]<br><br>           [38]     [27, 43]          [3, 10]       [9, 82]<br><br>              [27,38, 43]           [3, 9, 10, 82]<br><br>                   [3, 9, 10, 27, 38, 43, 82]</pre><h3>KOD</h3><pre>def merge_sort(arr):<br>    if len(arr) &lt;= 1:<br>        return arr<br><br>    mid = len(arr) // 2<br>    left = merge_sort(arr[:mid])   <br>    right = merge_sort(arr[mid:])  <br><br>    i = j = 0<br>    sorted_list = []<br><br>    while i &lt; len(left) and j &lt; len(right):<br>        if left[i] &lt;= right[j]:<br>            sorted_list.append(left[i])<br>            i += 1<br>        else:<br>            sorted_list.append(right[j])<br>            j += 1<br><br>    sorted_list.extend(left[i:])<br>    sorted_list.extend(right[j:])<br>    return sorted_list</pre><h3>Kodun Satır Satır Açıklaması</h3><ul><li>if len(arr) &lt;= 1:<br> Burada basecase oluşturuyoruz. Liste tek elemanlıysa veya boşsa zaten sıralıdır, direkt döndürülür. Ve rekürsiv yapı sonlandırılır.</li><li>mid = len(arr) // 2<br> Listenin ortasını buluruz.</li><li>left = merge_sort(arr[:mid])<br> Sol yarı bir listeye atanır bu listede en küçük elemana kadar ayrılabilsin diye rekürsiv yapı ile tekrar işleme sokulur.</li><li>right = merge_sort(arr[mid:])<br> Sağ yarı bir listeye atanır bu listede en küçük elemana kadar ayrılabilsin diye rekürsiv yapı ile tekrar işleme sokulur.</li><li>sorted_list = []<br> Birleştirilmiş sonucu tutmak için boş liste oluştururuz.</li><li>i=j=0<br> Döngüde listelerin içindeki elemanları takip edebilmek için i ve j 0 olarak belirleriz.</li><li>while i &lt; len(left) and j &lt; len(right):<br> Sol ve sağ listedeki elemanlar bitene kadar karşılaştırma yapılır.</li><li>if left[i] &lt; right[j]: else:,i+=1,j+=1<br> Listenin ilk elemanından başlayarak birleştirmek için ilk indexler kontrol edilir. Küçük olan elemansorted_list içine eklenir ve küçük olan elemanın ait olduğu listenin indeks bir artırılır.</li><li>sorted_list.extend(left[i:]),sorted_list.extend(right[j:])<br> Döngü bittikten sonra listede eleman kaldıysa doğrudan sorted_list içine ekleriz. Listenin sonunda <strong>en büyük elemanlar kaldığı</strong> <strong>ve kendi içinde sıralı olduğu için</strong> sıralama tamamlanmış oluyor.</li><li>return sorted_list<br> Sıralanmış liste döndürülür.</li></ul><p><strong>✅ Avantajları</strong></p><ul><li>Her durumda (en kötü, ortalama, en iyi) çalışma zamanı O(n log n)’dir.</li><li>Stable (kararlı) bir algoritmadır; eşit elemanların sırası korunur.</li><li>Büyük veri kümelerinde güvenilir bir şekilde çalışır.</li><li>Listenin tümüne bir kerede bakmak zorunda kalmadan, alt birimler üzerinde ayrı ayrı işlem yapılmasına olanak sağlar. Bu, paralel veya kısmi işlemler için uygun bir yapı sunar.</li></ul><p><strong>❌ Dezavantajları</strong></p><ul><li>In-place değildir; ek bellek kullanır (O(n) alan karmaşıklığı).</li><li>Küçük dizilerde, ek yük yüzünden pratikte daha yavaş olabilir.</li></ul><p>Bu yazıyla birlikte Merge Sort’un mantığını ve nasıl çalıştığını daha net görmüş olduk. Umarım bu yazı, Merge Sort algoritmasının mantığını ve işleyişini daha iyi anlamanıza yardımcı olur.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=93060c4101be" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[İnsertion Sort Algoritması Nasıl Çalışır?]]></title>
            <link>https://medium.com/@zynepesnksz/i%CC%87nsertion-sort-algoritmas%C4%B1-nas%C4%B1l-%C3%A7al%C4%B1%C5%9F%C4%B1r-68418d42eb04?source=rss-2ede955b702c------2</link>
            <guid isPermaLink="false">https://medium.com/p/68418d42eb04</guid>
            <category><![CDATA[computer-science]]></category>
            <category><![CDATA[data-structures]]></category>
            <category><![CDATA[python]]></category>
            <category><![CDATA[programming]]></category>
            <category><![CDATA[algorithms]]></category>
            <dc:creator><![CDATA[Zeynep öksüz]]></dc:creator>
            <pubDate>Wed, 03 Sep 2025 22:43:40 GMT</pubDate>
            <atom:updated>2026-10-05T17:13:44.264Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KCed-2955c8zLXgzqW8Sxg.jpeg" /></figure><h3>Insertion Sort: Adım Adım Anlamaya Çalışalım</h3><p>Sıralama algoritmaları, bilgisayar bilimlerinde en çok kullanılan ve en temel algoritmalardan biridir. Bu yazıda en temel sıralama algoritmalarından biri olan <strong>Insertion Sort</strong> algoritmasını ele alacağız <strong>“nasıl/neden böyle çalışıyor”</strong> , <strong>hangi durumda avantajlı veya dezavantajlı</strong> gibi noktaları da açıklayacağım.</p><p>Eğer daha önce iskambil destesiyle kağıtları elinizde sıraladıysanız, aslında farkında olmadan bu algoritmayı kullanmışsınız demektir. Her yeni kartı, elinizdeki sıralı kartlar arasına doğru konuma yerleştirirsiniz. İşte Insertion Sort tam olarak bu mantıkla çalışır.</p><h3>Insertion Sort Nasıl Çalışır?</h3><p>Insertion Sort, diziyi küçükten büyüğe (veya tam tersi) sıralamak için kullanılan basit bir sıralama algoritmasıdır. Sıralama işlemini adım adım inceleyecek olursak:</p><ol><li>Array’in ilk elemanı (0. index) zaten sıralı kabul edilir.</li><li>Bu yüzden karşılaştırma 1. index (yani ikinci eleman) üzerinden başlatılır.</li><li>Üzerinde bulunduğumuz index’teki değer, solundaki elemanla karşılaştırılır.</li><li>Eğer solundaki eleman, mevcut elemandan büyükse sağa kaydırılır. Bu kaydırma işlemi, eleman doğru yerine oturana kadar devam eder.</li><li>Eğer solundaki eleman, mevcut elemandan küçükse veya eşitse, herhangi bir kaydırma yapılmaz ve algoritma bir sonraki index’e geçer.</li><li>Bu karşılaştırma ve kaydırma işlemi, tüm array sıralı hale gelene kadar tekrarlanır.</li></ol><h3>Zaman ve Alan Karmaşıklığı</h3><ul><li><strong>Worst-case (en kötü):</strong> O(n²) → Dizi tamamen ters sıralıysa, her eleman en sola kadar kaymak zorunda kalır.</li><li><strong>Best-case (en iyi):</strong> O(n) → Dizi zaten sıralıysa, sadece birer karşılaştırma yapılır.</li><li><strong>Space Complexity:</strong> O(1) → Ekstra bellek kullanmaz, “in-place” bir algoritmadır.</li></ul><p>Yani küçük veya kısmen sıralı dizilerde çok hızlıdır ama büyük veri kümelerinde verimsizdir.</p><h4>KOD</h4><pre>def insertion_sort(arr):<br>    for i in range(1, len(arr)): #0. index sıralı kabul edildiği için 1.indexle döngüyü başlattık<br>        key = arr[i]      # Sıralamak istediğimiz elemanı key değişkenine atıyoruz<br>        j = i - 1         # Bir önceki indeksi kontrol için j değişkenine atıyoruz<br>        # yer değiştirme işlemi while içinde yapılıyor<br>        while j &gt;= 0 and arr[j] &gt; key: # i değerinden geriye giderek kontrol ediyoruz bu yüzden j &gt;= 0 koşulunu da ekliyoruz <br>            arr[j+1] = arr[j]   # Büyük elemanları sağa kaydır<br>            j -= 1              # j sola kaydırılır<br>        arr[j+1] = key          # döngü bittikten sonra key değeri boş kalan yere atanır<br>    return arr</pre><p>Burada kritik olan kısım while döngüsü:</p><ul><li>Koşul olarak j &gt;= 0 → Dizinin başına kadar gitmemiz lazım.</li><li>Koşul olarak arr[j] &gt; key → Sıralamanın küçükten büyüğe olması için.</li><li>Eğer koşullar sağlanıyorsa, büyük elemanlar sağa kaydırılır.</li></ul><h3>Adım Adım Örnek</h3><p>Başlangıç dizimiz:</p><pre>arr = [3, 8, 5, 12, 7]</pre><p><strong>1. adım:</strong></p><ul><li>i = 1, key = 8</li><li>8 &gt; 3 olduğu için while’a girmez. Dizi aynı kalır.</li></ul><pre>[3, 8, 5, 12, 7]</pre><p><strong>2. adım:</strong></p><ul><li>i = 2, key = 5,j = 1; j &gt;= 0 ve arr[j] &gt; key sağlandığı için while döngüsü içine girilir</li></ul><pre>arr[j+1] = arr[j] satırına gelidiğinde j=1 ve j+1=2 dir bu satırdaki <br>işlem yapıldığında arr[j+1]&#39;e arr[j] değeri atanır yani arr[j+1] = 8 olur dizinin <br>yeni hali:[3,8, 8 , 12, 7] olur.<br>             ↑  ↑<br>             j  j+1</pre><pre>j -= 1 bu satırda j değerleri 1 azaltıldığı için indexler sola kayar:<br>[3, 8 ,8 ,12 ,7]<br> ↑  ↑<br> j  j+1</pre><pre>artık arr[j] &gt; key şartı sağlanmadığı için whlie döngüsü biter((arr[j]=3),(key=5))<br>ve arr[j+1] = key işlemi sonucu en son durumda yeni dizi [3,5,8,12,7] olur</pre><p><strong>3. adım:</strong></p><ul><li>i = 3, key = 12</li><li>12 &gt; 8 olduğu için while döngüsüne girmez. Dizi aynı kalır.</li></ul><pre>[3, 5, 8, 12, 7]</pre><p><strong>4. adım: </strong>i = 4, key = 7,j = 3; j &gt;= 0 ve arr[j] &gt; key sağlandığı için while döngüsü içine girilir</p><pre>arr[j+1] = arr[j] satırına gelidiğinde j=3 ve j+1=4 olur bu satırdaki <br>işlem yapıldığında arr[j+1]&#39;e arr[j] değeri atanır yani arr[j+1] = 12 olur dizinin <br>yeni hali:[3,5,8,12, 12] olur.<br>                  ↑  ↑<br>                  j  j+1</pre><pre>j -= 1 bu satırda j değerleri 1 azaltıldığı için index&#39;ler sola kayar:<br>[3,5,8, 12,12]<br>     ↑   ↑<br>     j  j+1</pre><ul><li>arr[j] &gt; key şartı hâlâ sağlandığı için while döngüsü devam eder key = 7,j = 2</li></ul><pre>arr[j+1] = arr[j] satırına gelidiğinde j=2 ve j+1=3 olur bu satırdaki <br>işlem yapıldığında arr[j+1]&#39;e arr[j] değeri atanır yani arr[j+1] = 8 olur dizinin <br>yeni hali:[3,5,8, 8,12] olur.<br>               ↑  ↑<br>               j  j+1</pre><pre>j-=1 bu satırda j değeri 1 azaltıldığı için index&#39;ler sola kayar:<br>[3,5 , 8,8,12]<br>   ↑   ↑<br>   j  j+1</pre><ul><li>arr[j] &gt; key şartı artık sağlanmadığı için while döngüsünden çıkılır key = 7,j = 1</li></ul><pre>arr[j+1] = key işlemi sonucu en son durumda yeni dizi [3,5,7,8,12] olur</pre><h3>Avantajları ve Dezavantajları</h3><p>Her algoritmanın olduğu gibi, Insertion Sort’un da güçlü ve zayıf yönleri vardır.</p><h3><strong>✅ Güçlü Yönleri (Artılar)</strong></h3><ul><li><strong>Basit ve Uygulaması Kolay:</strong> Algoritmanın mantığı oldukça anlaşılırdır, bu yüzden kodlaması da kolaydır.</li><li><strong>Yerinde Sıralama (In-place Sorting):</strong> Ekstra bellek alanı gerektirmez, sadece verilen dizi üzerinde çalışır.</li><li><strong>Küçük Veri Kümelerinde Hızlı:</strong> Dizi boyutu küçük olduğunda veya dizi zaten neredeyse sıralıysa, oldukça verimli çalışır.</li></ul><h3><strong>❌ Zayıf Yönleri (Eksiler)</strong></h3><ul><li><strong>Büyük Veri Kümelerinde Performans Sorunu:</strong> En kötü durumdaki çalışma süresi O(n²)’dir. Bu nedenle, özellikle büyük ve ters sıralı dizilerde performansı ciddi şekilde düşer.</li><li><strong>Karşılaştırma ve Kaydırma Operasyonları:</strong> Her eleman için geriye doğru kaydırma işlemleri yapmak, dizi boyutu büyüdükçe maliyetli hale gelir.</li></ul><h3>Sonuç</h3><p>Insertion Sort, büyük veri kümelerinde verimli olmasa da küçük veya kısmen sıralı veri setleri için oldukça kullanışlıdır. Özellikle gerçek zamanlı veri akışlarında, bellek ve işlem gücünün sınırlı olduğu mikrodenetleyici ve gömülü sistemlerde <strong>(Arduino, STM32 gibi) </strong>tercih edilebilir.</p><p>Bu yazıyla birlikte Insertion Sort’un mantığını ve nasıl çalıştığını daha net görmüş olduk. Umarım bu yazı, Insertion Sort algoritmasının mantığını ve işleyişini daha iyi anlamanıza yardımcı olur.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=68418d42eb04" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Arrays(Diziler) Nedir ?]]></title>
            <link>https://medium.com/@zynepesnksz/arrays-diziler-nedir-ad2f5bc6e7d1?source=rss-2ede955b702c------2</link>
            <guid isPermaLink="false">https://medium.com/p/ad2f5bc6e7d1</guid>
            <category><![CDATA[data]]></category>
            <category><![CDATA[arrays]]></category>
            <category><![CDATA[data-structures]]></category>
            <category><![CDATA[python-programming]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Zeynep öksüz]]></dc:creator>
            <pubDate>Fri, 14 Mar 2025 21:13:13 GMT</pubDate>
            <atom:updated>2025-03-14T21:13:13.496Z</atom:updated>
            <content:encoded><![CDATA[<h3>Arrays(Diziler) Nedir ?</h3><p>Bir programda birden fazla değişken tanımlamak yerine <em>array(dizi)</em> kullanarak bu verileri tek bir değişken içinde saklayabiliriz. Arrayler aynı veya farklı veri türlerinden oluşan elemanları bir arada tutmamızı ve onlara erişmemizi sağlar.</p><p><strong>Python’da Array Kullanımı</strong></p><p>Küçük veri kümeleri için array oluştururken <em>list </em>veri yapısını kullanabiliriz ancak list veri yapısı büyük veri yapılarıyla çalışırken yetersiz kalacağı için <em>NumPy</em> veya<em> array </em>modülü gibi özel kütüphanelerden faydalanmak daha verimşşi olabilir.</p><p>pythonda liste tanımlamak :</p><pre><br>my_list = [] <br>my_list = list()</pre><pre>my_list = [&quot;Istanbul&quot;, True, 3.14, &quot;Python&quot;]</pre><p>Eğer büyük ölçekli veri işlemleri yapıyorsak, NumPy kütüphanei kullanabiliriz:</p><pre>import numpy as np<br>arr = np.array([1, 2, 3, 4, 5])</pre><p><strong>Array’lerde FIFO ve LIFO Mantığı</strong></p><p>Array’ler, bazı algoritmaların oluşturulmasında <strong>FIFO (First In, First Out — İlk Giren İlk Çıkar)</strong> veya <strong>LIFO (Last In, First Out — Son Giren İlk Çıkar)</strong> mantığını kullanır.FIFO mantığını daha iyi anlamak için bilgisyar çalışma prensiplerindeki yerlerinden ve günlük hayattan örnekleri inceleyebiliriz:</p><p>Yazıcıya gönderilen belgeler sırayla basılır. İlk gönderilen belge önce basılır.</p><p><strong>TCP protokolü</strong>, paketlerin sırasıyla işlenmesini sağlamak için FIFO mantığını kullanır.</p><p>Süpermarkette kasada beklerken, önce gelen müşteri önce öder ve çıkar.</p><p><strong>Temel Array Metotları</strong></p><p>Programlamada veri yönetimi çok önemlidir ve array’lerle çalışırken verileri ekleme, silme, sıralama gibi işlemler sıkça yapılır. Bu işlemleri verimli ve düzenli bir şekilde gerçekleştirmek için Python’daki temel array metodlarını kullanırız. Örneğin, bir listeye yeni bir eleman eklemek (append()), en son eklenen elemanı çıkarmak (pop()), veya elemanları sıralamak (sort()) gibi işlemler, büyük veri kümeleriyle çalışırken zaman kazandırır ve kodu daha okunabilir hale getirir. Şimdi, sık kullanılan array metodlarını ve nasıl çalıştıklarını inceleyelim.</p><p><strong>len()</strong> → Dizinin eleman sayısını döndürür.</p><pre>liste = [1, 2, 3, 4]<br>print(len(liste)) <br># Çıktı:4</pre><p><strong>append()</strong> → Dizinin sonuna yeni bir eleman ekler.</p><pre>liste.append(5)<br>print(liste)  # Çıktı: [1, 2, 3, 4, 5]</pre><p><strong>pop()</strong> → Dizinin son elemanını veya belirli bir indeksdeki elemanı siler.</p><pre># Son elemanı siler<br>liste.pop()  <br># Çıktı: [1, 2, 3, 4]</pre><pre># Belirtilen indeksteki elemanı siler<br>liste.pop(1)  <br># Çıktı: [1, 3, 4]</pre><p><strong>sort()</strong> → Diziyi küçükten büyüğe sıralar.</p><pre>sayilar = [5, 2, 9, 1]<br>sayilar.sort()<br>print(sayilar) <br># Çıktı: [1, 2, 5, 9]</pre><p><strong>reverse()</strong> → Dizinin elemanlarını ters çevirir.</p><pre>sayilar.reverse()<br>print(sayilar)  # Çıktı: [9, 5, 2, 1]</pre><p><strong>Array Mantığını Geliştirmek İçin LeetCode Problemleri</strong></p><p>Dizilerle ilgili algoritma pratiği yapmak için aşağıdaki LeetCode problemlerini çözebilirsiniz:</p><ul><li><strong>Two Sum</strong> (LeetCode 1)</li><li><strong>Single Number</strong>(LeetCode 136)</li><li><strong>Contains Duplicate</strong> (LeetCode 217)</li><li><strong>Best Time to Buy and Sell Stock</strong> (LeetCode 121)</li></ul><p>Bu problemlerin çözümlerini GitHub’da paylaştım. Çözümlerime göz atmak için:<br> 🔗 <strong>GitHub Repo:</strong><a href="https://github.com/zynepsnksz/LeetCodeProblemsSolution">https://github.com/zynepsnksz/LeetCodeProblemsSolution</a></p><p>Bu yazı, <strong>Python’da array kullanımı</strong> hakkında temel bilgiler içermektedir. Daha büyük veri kümeleriyle çalışırken <strong>NumPy</strong>, <strong>Pandas</strong> gibi kütüphaneleri öğrenmek büyük avantaj sağlar.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=ad2f5bc6e7d1" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>