Genel için arşive gözatıyorsunuz.

admin3 tarafından

Katie ve Yıldızlı Gece

11 Nisan 2019 Okul Öncesi ve Okumaya yeni Başlayan Çocuklar İçin Kitap Tavsiyeleri içinde

Katie ve Yıldızlı Gece

katie ve yıldızlı gece, yky, james mayhew, dilek erbaş şeren, yapı kredi yayınları, okul öncesi kitap, ressamlar serisi

katie ve yıldızlı gece, yky, james mayhew, dilek erbaş şeren, yapı kredi yayınları, okul öncesi kitap, ressamlar serisi

Hepimiz biliriz ki çocuklara ciddi bir şeyler öğretmeye çalıştığımızda arkalarını döner ve giderler.  Ama bilinçaltlarına işlememiz gereken bazı hayati bilgiler ya da sanatsal gerçeklikler vardır ki bunlar çocuklarımızın ömür boyu ortaya koyduğu ürünlerin şekillenişinde belirleyici rol oynayacaktır. Yapı Kredi Yayınlarından çıkan  ki okul öncesi ve okumaya yeni başlayan çocuklar için başlıca kaynağımız olacak bundan sonra Katie ve YıldızlıGece çocukları ressamlar ve yapıtları arasında heyecanlı bir aksiyona çıkarıyor. Bir tablonun içine dalıp bir yıldız yakalama ile başlayan macera büyük dahilerin eserlerinin birinden bir diğerine atlayarak devam ediyor.

Unutmayın ki matematiksel gelişim yaratıcılıkla doğrudan ilintilidir.

Büyük ressamların resimlerini çocuklar ile beraber seçip tablolarını duvarlarınıza asabilirsiniz. her yılı bir ressama ayırabilir vakit buldukça o ressamın bir eserini duvarınıza asabilirsiniz. her oda bir ressama da ait olabilir. 

Serinin diğer Kitapları:

Katie ve Ayçiçekleri

Katie ve Mona Lisa

Katie ve İzlenimci Ressamlar

admin3 tarafından

Yapay Zeka Konu Başlıkları

23 Kasım 2018 Bilgisayar içinde

Artificial Intelligence AI

Artificial Intelligence AI

 

 

Yapay Zeka (Artificial Intelligence, AI) ile ilgilenmek isteyenler için konu başlıkları:

Part I: Artificial Intelligence

 Chapter 2: Intelligent Agents
2.1. Agents and Environments
2.2. Good Behavior: The Concept of Rationality
      2.2.1. Rationality
      2.2.2. Omniscience, learning, and autonomy
2.3. The Nature of Environments
      2.3.1. Specifying the task environment
      2.3.2. Properties of task environments
2.4. The Structure of Agents
      2.4.1. Agent programs
      2.4.2. Simple reflex agents
      2.4.3. Model-based reflex agents
      2.4.4. Goal-based agents
      2.4.5. Utility-based agents
      2.4.6. Learning agents
      2.4.7. How the components of agent programs work

Part II: Problem-solving

Chapter 3: Solving Problems by Searching
 
3.1. Problem-Solving Agents
      3.1.1. Well-defined problems and solutions
      3.1.2. Formulating problems
3.2. Example Problems
      3.2.1. Toy problems
      3.2.2. Real-world problems
3.3. Searching for Solutions
      3.3.1. Infrastructure for search algorithms
      3.3.2. Measuring problem-solving performance
3.4. Uninformed Search Strategies
      3.4.1. Breadth-first search
      3.4.2. Uniform-cost search
      3.4.3. Depth-first search
      3.4.4. Depth-limited search
      3.4.5. Iterative deepening depth-first search
      3.4.6. Bidirectional search
      3.4.7. Comparing uninformed search strategies
3.5. Informed (Heuristic) Search Strategies
      3.5.1. Greedy best-first search
      3.5.2. A* search: Minimizing the total estimated solution cost
             Conditions for optimality: Admissibility and consistency
             Optimality of A*
      3.5.3. Memory-bounded heuristic search
      3.5.4. Learning to search better
3.6. Heuristic Functions
      3.6.1. The effect of heuristic accuracy on performance
      3.6.2. Generating admissible heuristics from relaxed problems
      3.6.3. Generating admissible heuristics from subproblems: Pattern databases
      3.6.4. Learning heuristics from experience
Chapter 4: Beyond Classical Search
 
4.1. Local Search Algorithms and Optimization Problems
      4.1.1. Hill-climbing search
      4.1.2. Simulated annealing
      4.1.3. Local beam search
      4.1.4. Genetic algorithms
4.2. Local Search in Continuous Spaces
4.3. Searching with Nondeterministic Actions
      4.3.1. The erratic vacuum world
      4.3.2 AND-OR search trees
      4.3.3. Try, try again
4.4. Searching with Partial Observations
      4.4.1. Searching with no observation
      4.4.2. Searching with observations
      4.4.3. Solving partially observable problems
      4.4.4. An agent for partially observable environments
4.5. Online Search Agents and Unknown Environments
      4.5.1. Online search problems
      4.5.2. Online search agents
      4.5.3. Online local search
      4.5.4. Learning in online search
Chapter 5: Adversarial Search
 
5.1. Games
5.2. Optimal Decisions in Games
      5.2.1. The minimax algorithm
      5.2.2. Optimal decisions in multiplayer games
5.3. Alpha–Beta Pruning
      5.3.1. Move ordering
5.4. Imperfect Real-Time Decisions
      5.4.1. Evaluation functions
      5.4.2. Cutting off search
      5.4.3. Forward pruning
      5.4.4. Search versus lookup
5.5. Stochastic Games
      5.5.1. Evaluation functions for games of chance
5.6. Partially Observable Games
      5.6.1. Kriegspiel: Partially observable chess
      5.6.2. Card games
5.7. State-of-the-Art Game Programs
5.8. Alternative Approaches
Chapter 6: Constraint Satisfaction Problems
 
6.1. Defining Constraint Satisfaction Problems
      6.1.1. Example problem: Map coloring
      6.1.2. Example problem: Job-shop scheduling
      6.1.3. Variations on the CSP formalism
6.2. Constraint Propagation: Inference in CSPs
      6.2.1. Node consistency
      6.2.2. Arc consistency
      6.2.3. Path consistency
      6.2.4. K-consistency.
      6.2.5. Global constraints
      6.2.6. Sudoku example
6.3. Backtracking Search for CSPs
      6.3.1. Variable and value ordering
      6.3.2. Interleaving search and inference
      6.3.3. Intelligent backtracking: Looking backward
6.4. Local Search for CSPs
6.5. The Structure of Problems
Part III: Knowledge, reasoning, and planning
Chapter 7: Logical Agents
 
7.1. Knowledge-Based Agents
7.2. The Wumpus World
7.3. Logic
7.4. Propositional Logic: A Very Simple Logic
      7.4.1. Syntax
      7.4.2. Semantics
      7.4.3. A simple knowledge base
      7.4.4. A simple inference procedure
7.5. Propositional Theorem Proving
      7.5.1. Inference and proofs
      7.5.2. Proof by resolution
             Conjunctive normal form
             A resolution algorithm
             Completeness of resolution
      7.5.3. Horn clauses and definite clauses
      7.5.4. Forward and backward chaining
7.6. Effective Propositional Model Checking
      7.6.1. A complete backtracking algorithm
      7.6.2. Local search algorithms
      7.6.3. The landscape of random SAT problems
7.7. Agents Based on Propositional Logic
      7.7.1. The current state of the world
      7.7.2. A hybrid agent
      7.7.3. Logical state estimation
      7.7.4. Making plans by propositional inference
7.8. Summary
Bibliographical and Historical Notes
Exercises
Chapter 8: First-Order Logic
 
8.1. Representation Revisited
      8.1.1. The language of thought
      8.1.2. Combining the best of formal and natural languages
8.2. Syntax and Semantics of First-Order Logic
      8.2.1. Models for first-order logic
      8.2.2. Symbols and interpretations
      8.2.3. Terms
      8.2.4. Atomic sentences
      8.2.5. Complex sentences
      8.2.6. Quantifiers
             Universal quantification (∀)
             Existential quantification (∃)
             Nested quantifiers
             Connections between ∀ and ∃
      8.2.7. Equality
      8.2.8. An alternative semantics?
8.3. Using First-Order Logic
      8.3.1. Assertions and queries in first-order logic
      8.3.2. The kinship domain
      8.3.3. Numbers, sets, and lists
      8.3.4. The wumpus world
8.4. Knowledge Engineering in First-Order Logic
      8.4.1. The knowledge-engineering process
      8.4.2. The electronic circuits domain
             Identify the task
             Assemble the relevant knowledge
             Decide on a vocabulary
             Encode general knowledge of the domain
             Encode the specific problem instance
             Pose queries to the inference procedure
             Debug the knowledge base
8.5. Summary
Bibliographical and Historical Notes
Exercises
Chapter 9: Inference in First-Order Logic
 
9.1. Propositional vs. First-Order Inference
      9.1.1. Inference rules for quantifiers
      9.1.2. Reduction to propositional inference
9.2. Unification and Lifting
      9.2.1. A first-order inference rule
      9.2.2. Unification
      9.2.3. Storage and retrieval
9.3. Forward Chaining
      9.3.1. First-order definite clauses
      9.3.2. A simple forward-chaining algorithm
      9.3.3. Efficient forward chaining
             Matching rules against known facts
             Incremental forward chaining
             Irrelevant facts
9.4. Backward Chaining
      9.4.1. A backward-chaining algorithm
      9.4.2. Logic programming
      9.4.3. Efficient implementation of logic programs
      9.4.4. Redundant inference and infinite loops
      9.4.5. Database semantics of Prolog
      9.4.6. Constraint logic programming
9.5. Resolution
      9.5.1. Conjunctive normal form for first-order logic
      9.5.2. The resolution inference rule
      9.5.3. Example proofs
      9.5.4. Completeness of resolution
      9.5.5. Equality
      9.5.6. Resolution strategies
             Practical uses of resolution theorem provers
9.6. Summary
Bibliographical and Historical Notes
Exercises
Chapter 10: Classical Planning
 
10.1. Definition of Classical Planning
      10.1.1. Example: Air cargo transport
      10.1.2. Example: The spare tire problem
      10.1.3. Example: The blocks world
      10.1.4. The complexity of classical planning
10.2. Algorithms for Planning as State-Space Search
      10.2.1. Forward (progression) state-space search
      10.2.2. Backward (regression) relevant-states search
      10.2.3. Heuristics for planning
10.3. Planning Graphs
      10.3.1. Planning graphs for heuristic estimation
      10.3.2. The Graphplan algorithm
      10.3.3. Termination of Graphplan
10.4. Other Classical Planning Approaches
      10.4.1. Classical planning as Boolean satisfiability
      10.4.2. Planning as first-order logical deduction: Situation calculus
      10.4.3. Planning as constraint satisfaction
      10.4.4. Planning as refinement of partially ordered plans
10.5. Analysis of Planning Approaches
10.6. Summary
Bibliographical and Historical Notes
Exercises
Chapter 11: Planning and Acting in the Real World
 
11.1. Time, Schedules, and Resources
      11.1.1. Representing temporal and resource constraints
      11.1.2. Solving scheduling problems
11.2. Hierarchical Planning
      11.2.1. High-level actions
      11.2.2. Searching for primitive solutions
      11.2.3. Searching for abstract solutions
11.3. Planning and Acting in Nondeterministic Domains
      11.3.1. Sensorless planning
      11.3.2. Contingent planning
      11.3.3. Online replanning
11.4. Multiagent Planning
      11.4.1. Planning with multiple simultaneous actions
      11.4.2. Planning with multiple agents: Cooperation and coordination
11.5. Summary
Bibliographical and Historical Notes
Exercises
Chapter 12: Knowledge Representation
 
12.1. Ontological Engineering
12.2. Categories and Objects
      12.2.1. Physical composition
      12.2.2. Measurements
      12.2.3. Objects: Things and stuff
12.3. Events
      12.3.1. Processes
      12.3.2. Time intervals
      12.3.3. Fluents and objects
12.4. Mental Events and Mental Objects
12.5. Reasoning Systems for Categories
      12.5.1. Semantic networks
      12.5.2. Description logics
12.6. Reasoning with Default Information
      12.6.1. Circumscription and default logic
      12.6.2. Truth maintenance systems
12.7. The Internet Shopping World
      12.7.1. Following links
      12.7.2. Comparing offers
12.8. Summary
Bibliographical and Historical Notes
Exercises
Part IV: Uncertain knowledge and reasoning
Chapter 13: Quantifying Uncertainty
 
13.1. Acting under Uncertainty
      13.1.1. Summarizing uncertainty
      13.1.2. Uncertainty and rational decisions
13.2. Basic Probability Notation
      13.2.1. What probabilities are about
      13.2.2. The language of propositions in probability assertions
      13.2.3. Probability axioms and their reasonableness
13.3. Inference Using Full Joint Distributions
13.4. Independence
13.5. Bayes’ Rule and Its Use
      13.5.1. Applying Bayes’ rule: The simple case
      13.5.2. Using Bayes’ rule: Combining evidence
13.6. The Wumpus World Revisited
13.7. Summary
Bibliographical and Historical Notes
Exercises
Chapter 14: Probabilistic Reasoning
 
14.1. Representing Knowledge in an Uncertain Domain
14.2. The Semantics of Bayesian Networks
      14.2.1. Representing the full joint distribution
             A method for constructing Bayesian networks
             Compactness and node ordering
      14.2.2. Conditional independence relations in Bayesian networks
14.3. Efficient Representation of Conditional Distributions
             Bayesian nets with continuous variables
14.4. Exact Inference in Bayesian Networks
      14.4.1. Inference by enumeration
      14.4.2. The variable elimination algorithm
             Operations on factors
             Variable ordering and variable relevance
      14.4.3. The complexity of exact inference
      14.4.4. Clustering algorithms
14.5. Approximate Inference in Bayesian Networks
      14.5.1. Direct sampling methods
             Rejection sampling in Bayesian networks
             Likelihood weighting
      14.5.2. Inference by Markov chain simulation
             Gibbs sampling in Bayesian networks
             Why Gibbs sampling works
14.6. Relational and First-Order Probability Models
      14.6.1. Possible worlds
      14.6.2. Relational probability models
      14.6.3. Open-universe probability models
14.7. Other Approaches to Uncertain Reasoning
      14.7.1. Rule-based methods for uncertain reasoning
      14.7.2. Representing ignorance: Dempster–Shafer theory
      14.7.3. Representing vagueness: Fuzzy sets and fuzzy logic
14.8. Summary
Bibliographical and Historical Notes
Exercises
Chapter 15: Probabilistic Reasoning over Time
 
15.1. Time and Uncertainty
      15.1.1. States and observations
      15.1.2. Transition and sensor models
15.2. Inference in Temporal Models
      15.2.1. Filtering and prediction
      15.2.2. Smoothing
      15.2.3. Finding the most likely sequence
15.3. Hidden Markov Models
      15.3.1. Simplified matrix algorithms
      15.3.2. Hidden Markov model example: Localization
15.4. Kalman Filters
      15.4.1. Updating Gaussian distributions
      15.4.2. A simple one-dimensional example
      15.4.3. The general case
      15.4.4. Applicability of Kalman filtering
15.5. Dynamic Bayesian Networks
      15.5.1. Constructing DBNs
      15.5.2. Exact inference in DBNs
      15.5.3. Approximate inference in DBNs
15.6. Keeping Track of Many Objects
15.7. Summary
Bibliographical and Historical Notes
Exercises
Chapter 16: Making Simple Decisions
 
16.1. Combining Beliefs and Desires under Uncertainty
16.2. The Basis of Utility Theory
      16.2.1. Constraints on rational preferences
      16.2.2. Preferences lead to utility
16.3. Utility Functions
      16.3.1. Utility assessment and utility scales
      16.3.2. The utility of money
      16.3.3. Expected utility and post-decision disappointment
      16.3.4. Human judgment and irrationality
16.4. Multiattribute Utility Functions
      16.4.1. Dominance
      16.4.2. Preference structure and multiattribute utility
             Preferences without uncertainty
             Preferences with uncertainty
16.5. Decision Networks
      16.5.1. Representing a decision problem with a decision network
      16.5.2. Evaluating decision networks
16.6. The Value of Information
      16.6.1. A simple example
      16.6.2. A general formula for perfect information
      16.6.3. Properties of the value of information
      16.6.4. Implementation of an information-gathering agent
16.7. Decision-Theoretic Expert Systems
16.8. Summary
Bibliographical and Historical Notes
Exercises
Chapter 17: Making Complex Decisions
 
17.1. Sequential Decision Problems
      17.1.1. Utilities over time
      17.1.2. Optimal policies and the utilities of states
17.2. Value Iteration
      17.2.1. The Bellman equation for utilities
      17.2.2. The value iteration algorithm
      17.2.3. Convergence of value iteration
17.3. Policy Iteration
17.4. Partially Observable MDPs
      17.4.1. Definition of POMDPs
      17.4.2. Value iteration for POMDPs
      17.4.3. Online agents for POMDPs
17.5. Decisions with Multiple Agents: Game Theory
      17.5.1. Single-move games
      17.5.2. Repeated games
      17.5.3. Sequential games
17.6. Mechanism Design
      17.6.1. Auctions
      17.6.2. Common goods
17.7. Summary
Bibliographical and Historical Notes
Exercises
Part V: Learning
Chapter 18: Learning from Examples
 
18.1. Forms of Learning
             Components to be learned
             Representation and prior knowledge
             Feedback to learn from
18.2. Supervised Learning
18.3. Learning Decision Trees
      18.3.1. The decision tree representation
      18.3.2. Expressiveness of decision trees
      18.3.3. Inducing decision trees from examples
      18.3.4. Choosing attribute tests
      18.3.5. Generalization and overfitting
      18.3.6. Broadening the applicability of decision trees
18.4. Evaluating and Choosing the Best Hypothesis
      18.4.1. Model selection: Complexity versus goodness of fit
      18.4.2. From error rates to loss
      18.4.3. Regularization
18.5. The Theory of Learning
      18.5.1. PAC learning example: Learning decision lists
18.6. Regression and Classification with Linear Models
      18.6.1. Univariate linear regression
      18.6.2. Multivariate linear regression
      18.6.3. Linear classifiers with a hard threshold
      18.6.4. Linear classification with logistic regression
18.7. Artificial Neural Networks
      18.7.1. Neural network structures
      18.7.2. Single-layer feed-forward neural networks (perceptrons)
      18.7.3. Multilayer feed-forward neural networks
      18.7.4. Learning in multilayer networks
      18.7.5. Learning neural network structures
18.8. Nonparametric Models
      18.8.1. Nearest neighbor models
      18.8.2. Finding nearest neighbors with k-d trees
      18.8.3. Locality-sensitive hashing
      18.8.4. Nonparametric regression
18.9. Support Vector Machines
18.10. Ensemble Learning
      18.10.1. Online Learning
18.11. Practical Machine Learning
      18.11.1. Case study: Handwritten digit recognition
      18.11.2. Case study: Word senses and house prices
18.12. Summary
Bibliographical and Historical Notes
Exercises
Chapter 19: Knowledge in Learning
 
19.1. A Logical Formulation of Learning
      19.1.1. Examples and hypotheses
      19.1.2. Current-best-hypothesis search
      19.1.3. Least-commitment search
19.2. Knowledge in Learning
      19.2.1. Some simple examples
      19.2.2. Some general schemes
19.3. Explanation-Based Learning
      19.3.1. Extracting general rules from examples
      19.3.2. Improving efficiency
19.4. Learning Using Relevance Information
      19.4.1. Determining the hypothesis space
      19.4.2. Learning and using relevance information
19.5. Inductive Logic Programming
      19.5.1. An example
      19.5.2. Top-down inductive learning methods
      19.5.3. Inductive learning with inverse deduction
      19.5.4. Making discoveries with inductive logic programming
19.6. Summary
Bibliographical and Historical Notes
Exercises
Chapter 20: Learning Probabilistic Models
 
20.1. Statistical Learning
20.2. Learning with Complete Data
      20.2.1. Maximum-likelihood parameter learning: Discrete models
      20.2.2. Naive Bayes models
      20.2.3. Maximum-likelihood parameter learning: Continuous models
      20.2.4. Bayesian parameter learning
      20.2.5. Learning Bayes net structures
      20.2.6. Density estimation with nonparametric models
20.3. Learning with Hidden Variables: The EM Algorithm
      20.3.1. Unsupervised clustering: Learning mixtures of Gaussians
      20.3.2. Learning Bayesian networks with hidden variables
      20.3.3. Learning hidden Markov models
      20.3.4. The general form of the EM algorithm
      20.3.5. Learning Bayes net structures with hidden variables
20.4. Summary
Bibliographical and Historical Notes
Exercises
Chapter 21: Reinforcement Learning
 
21.1. Introduction
21.2. Passive Reinforcement Learning
      21.2.1. Direct utility estimation
      21.2.2. Adaptive dynamic programming
      21.2.3. Temporal-difference learning
21.3. Active Reinforcement Learning
      21.3.1. Exploration
      21.3.2. Learning an action-utility function
21.4. Generalization in Reinforcement Learning
21.5. Policy Search
21.6. Applications of Reinforcement Learning
      21.6.1. Applications to game playing
      21.6.2. Application to robot control
21.7. Summary
Bibliographical and Historical Notes
Exercises
Part VI: Communicating, perceiving, and acting
Chapter 22: Natural Language Processing
 
22.1. Language Models
      22.1.1 N-gram character models
      22.1.2. Smoothing n-gram models
      22.1.3. Model evaluation
      22.1.4 N-gram word models
22.2. Text Classification
      22.2.1. Classification by data compression
22.3. Information Retrieval
      22.3.1. IR scoring functions
      22.3.2. IR system evaluation
      22.3.3. IR refinements
      22.3.4. The PageRank algorithm
      22.3.5. The HITS algorithm
      22.3.6. Question answering
22.4. Information Extraction
      22.4.1. Finite-state automata for information extraction
      22.4.2. Probabilistic models for information extraction
      22.4.3. Conditional random fields for information extraction
      22.4.4. Ontology extraction from large corpora
      22.4.5. Automated template construction
      22.4.6. Machine reading
22.5. Summary
Bibliographical and Historical Notes
Exercises
Chapter 23: Natural Language for Communication
 
23.1. Phrase Structure Grammars
      23.1.1. The lexicon of E0
      23.1.2. The Grammar of E0
23.2. Syntactic Analysis (Parsing)
      23.2.1. Learning probabilities for PCFGs
      23.2.2. Comparing context-free and Markov models
23.3. Augmented Grammars and Semantic Interpretation
      23.3.1. Lexicalized PCFGs
      23.3.2. Formal definition of augmented grammar rules
      23.3.3. Case agreement and subject–verb agreement
      23.3.4. Semantic interpretation
      23.3.5. Complications
23.4. Machine Translation
      23.4.1. Machine translation systems
      23.4.2. Statistical machine translation
23.5. Speech Recognition
      23.5.1. Acoustic model
      23.5.2. Language model
      23.5.3. Building a speech recognizer
23.6. Summary
Bibliographical and Historical Notes
Exercises
Chapter 24: Perception
 
24.1. Image Formation
      24.1.1. Images without lenses: The pinhole camera
      24.1.2. Lens systems
      24.1.3. Scaled orthographic projection
      24.1.4. Light and shading
      24.1.5. Color
24.2. Early Image-Processing Operations
      24.2.1. Edge detection
      24.2.2. Texture
      24.2.3. Optical flow
      24.2.4. Segmentation of images
24.3. Object Recognition by Appearance
      24.3.1. Complex appearance and pattern elements
      24.3.2. Pedestrian detection with HOG features
24.4. Reconstructing the 3D World
      24.4.1. Motion parallax
      24.4.2. Binocular stereopsis
      24.4.3. Multiple views
      24.4.4. Texture
      24.4.5. Shading
      24.4.6. Contour
      24.4.7. Objects and the geometric structure of scenes
24.5. Object Recognition from Structural Information
      24.5.1. The geometry of bodies: Finding arms and legs
      24.5.2. Coherent appearance: Tracking people in video
24.6. Using Vision
      24.6.1. Words and pictures
      24.6.2. Reconstruction from many views
      24.6.3. Using vision for controlling movement
24.7. Summary
Bibliographical and Historical Notes
Exercises
Chapter 25: Robotics
 
25.1. Introduction
25.2. Robot Hardware
      25.2.1. Sensors
      25.2.2. Effectors
25.3. Robotic Perception
      25.3.1. Localization and mapping
      25.3.2. Other types of perception
      25.3.3. Machine learning in robot perception
25.4. Planning to Move
      25.4.1. Configuration space
      25.4.2. Cell decomposition methods
      25.4.3. Modified cost functions
      25.4.4. Skeletonization methods
25.5. Planning Uncertain Movements
      25.5.1. Robust methods
25.6. Moving
      25.6.1. Dynamics and control
      25.6.2. Potential-field control
      25.6.3. Reactive control
      25.6.4. Reinforcement learning control
25.7. Robotic Software Architectures
      25.7.1. Subsumption architecture
      25.7.2. Three-layer architecture
      25.7.3. Pipeline architecture
25.8. Application Domains

admin3 tarafından

Red Sparrow – Kızıl Serçe Film Eleştrisi

08 Temmuz 2018 En İyi Filmler Listesi, Film Yorumları, İlgi Çeken Filmler içinde

Charlotte Rampling

Charlotte Rampling

Filmi izlemeden önce bu yazıyı okuyorsanız çok şanslısınız. Malesef ben o kadar şanslı olamadım. Filmi izleyecekler için tavsiyem berrak bir zihinle her türlü düşünceden uzaklaşmış olarak oturmanız filmin başına. Pür dikkat izlenmesi gereken bir film. Eğer filmin içindeki ipuçlarını iyi takip edebilir ve kurgu yeteneğinizi de çalıştırırsanız herkesden bir adım öndeki ajanın bir adım önünde olmak muhteşem bir keyif verecek size. Olağan Şüpheliler ( The Usual Suspects ) ‘den yıllar sonra ilk defa karşılaşıyorum böyle bir filmle. Bu filmden hoşlananlar için Cleanskin isimli filmi de tavsiye ederim. İyi Seyirler.

red sparrow - kızıl serçe

red sparrow – kızıl serçe

admin3 tarafından

24 Haziran 2018 Seçim Sonucu Tahmin Aracı

22 Haziran 2018 Türkiye Gündemi içinde

Ekteki excell dosyasını indirerek istediğiniz ilin oranını değiştirip oy sayılarını tahmin edebilirsiniz. Var olan oranlar 2017 seçim sonucu oranları baz alınarak hazırlanmıştır. 24 haziran 2018 Cumhurbaşkanlığı Seçimi sonucunu bu excell dosyasından il oranlarını değiştirerek tahmin edebilirsiniz.

Seçim Sonucu Tahmin Aracı İçin Tıklayınız…

 

https://drive.google.com/open?id=1k1fpRbMFNd4e0uHFL4svUbrt-PZnPrzV

 

2018-06-22 15_26_01-24 haziran seçim sonucu tahmini aracı - Microsoft Excel

admin3 tarafından

Colorful Oyunu Renkli Geometri

29 Nisan 2018 Çocuklar İçin Eğitim Setleri, Eğitim, Faydalı Oyuncaklar, Genel, Üstün Yetenekli Öğrencilerin Eğitimi, Üstün Zekalı Çocukların Eğitimi içinde

Bu yazımda size yeni keşfettiğimiz ve oynarken çok keyif aldığımız Colorful oyununu tanıtmak istiyorum. Oyun üstünde geometrik şekiller olan 18 adet saydam levha, 1 adet platform ve bu saydam levhalar üst üste getirilerek oluşturulan 100 adet şeklin yer aldığı bir kitapçıktan oluşuyor.

Colorful renkli geometri oyunu

Colorful renkli geometri oyunu

Oyun;

Starter

Junior

Expert

Ve master olmak üzere 4 seviyeden oluşmuş.

Çocukların soyut düşünme yeteneği ve geometrik zekası için çok faydalı bir uygulama.

İyi eğlenceler.

admin3 tarafından

Okul Öncesi Sayılar ve Toplama İşlemi Öğretimi

28 Aralık 2017 Çocuk Gelişimi, Eğitim, Genel, Üstün Yetenekli Öğrencilerin Eğitimi, Üstün Zekalı Çocukların Eğitimi içinde

Üstün zekalı çocuklarda sayıların ve toplama işleminin öğretimi

Üstün zekalı çocuklarda sayıların ve toplama işleminin öğretimi

Çocuklara sayıların öğretimi ve toplama işlemi.

Çocuklara saymayı öğretirken sağ elin en küçük parmağı ile başlayıp sol elin en küçük parmağı ile bitirmek lazım.  Rakamları öğretirken ise https://youtu.be/IzGgBQrucic bu videoyu kullanabilir ya da bu videodaki gibi rakamların üstüne onların değerini belli edecek göz vesaire cizebilirsiniz. Yukarıdaki videonun uygulaması da var. Telefona veya tablete indirip oynamasını sağlayabilirsiniz.  Uygulama linki :

https://play.google.com/store/apps/details?id=com.originatorkids.EndlessNumbers

Toplama işlemini öğretirken ise kesinlikle parmak sayma çöp sayma gibi yöntemler kullanmayınız.  Sayma işlemini akıllarından yapmalarını sağlayınız. İlk başlarda biraz zor olur ama sonucu muhteşem olur.

admin3 tarafından

Zemin Kat ve Dükkan Üstü Dairelerin Isınma Sorunu ve Alttan Isıtma (Halı Altı Isıtıcı)

22 Aralık 2017 Günlük Hayat, Hayata Dair Önemli Bilgiler, Hayata Dair Önemli Bilgiler Tecrübeler, Pratik Bilgiler, Yaşanmış Tecrübeler içinde

 

  • Zemin katta oturuyorsanız

    20171119_190305

    halı altı ısıtıcı alttan ısıtma

  • Daireniz dükkan üstü ise
  • alt kattaki komşunuz bütün odaları yakmıyorsa

 

ne kadar doğal gaz yakarsan yak ev ısınmaz üst taraf hamam gibiyken ayakların üşür çocuklar sürekli hasta olur ve evin sıcaklık ve konforunu sabit tutamazsın. bir de kiracı isen ki genellikle binaların giriş ve en üst katları kiralıktır artık romatizma siyatik kaderin olur. Ben de güzel bir muhitte uygun fiyata bir giriş kat daire buldum. Tabi fiyat uygun semt de güzel olunca direk atladık. Aslında kendime söz vermiştim giriş kat tutmayacağım diye ama bina yalıtımlı acaba soğuk olmaz mı dedik. derken kış geldi. acımadık doğal gaza açtık kombiyi 60 dereceye üst taraf arabistan alt taraf sibirya. evde sürekli bir rüzgar ve hava akımı. başımız uyuşuyor. çocukta var. ben de araştırmaya başladım. alttan ısıtma sistemleri var ama çok pahalılar biz de kiracıyız. Derken halı altı ısıtıcısına rastladım. denemek için bir tane aldım. yaşadığımız değişimi anlatamam. akşamüstü saat 6 da sadece yarım saat yakıyoruz. çok soğuk olmayan günlerde salonun tabanını gece 12 ye kadar sıcak tutuyor. artık kalorifer 40 derecede yanıyor çok soğuk günlerde 45 bilemedin 50 ye çekiyoruz. çocuğun odasında 2 saate bir 12 dakika yanıyor halı altı ısıtıcı. tabi bunun için bir de dijital zamanlayıcı almak gerekiyor ki 2 saatte bir 12 dakika açık kalmasını sağlayabilesiniz. internette 20 programlıları 33 lira civarında. aylık doğalgaz masrafım 200 liraya düştü. ürün saatte 1kw yakıyor. o da elektriğin kws i 40 kuruş olduğu için 40 kuruşa denkgeliyor. Bu çözüm genellikle pek bilinmediği için paylaşmak istedim. özellikle romatizma veya siyatiğiniz varsa ve evin tabanının sıcaklığının stabil olması gerekiyorsa çok işinize yarayacak bir ürün. İnşallah sizin de ısınma sorununuza çözüm olur. sağlıcakla ve sıcak kalın.

 

admin3 tarafından

İnsan Kaynağı İsrafına Çözüm Önerisi

18 Kasım 2017 Eğitim içinde

1.) 8 yıl boyunca resim dersi gördük ne bu alanda bir dahinin ismini öğrendik. Ne resmin gelişimi hakkında fikir sahibi olduk. Ne resim yapabiliyoruz. Her yıl 40 hafta 8 yıl boyunca 320 ders saati yapıyor.

2.) 8 yıl boyunca müzik dersi gördük. Ne ezbere bir şarkı bilirim. Ne bir müzik aleti çalabilirim ne de beethoven mozart vs hakkında herhangi bir bilgimiz var. 320 ders saati.

3.) 15 yıl ingilizce eğitimi alıp üniversite bitiriyoruz. 15x40x2=1200 ders saati yapıyor. Her ders 5 kelime ezberletebilsen 6000 kelime yapar. İngilizce konuşamıyor okuyup yazamıyoruz.

4.) 11 yıl coğrafya görürüz ne dünyadan haberimiz var ne uzaydan.

5.) 15 yıl tarih görürüz ne dünya tarihi hakkında bilgimiz var ne de kendi tarihimize sebep sonuç ilişkisi içinde bakabiliyoruz.

Hasılı velkelam ne matematik fizik kimya biyoloji öğretip bilimadami mühendis yetistirebiliyoruz ne insanın hayatını guzellestirecek yetenek ve genel kültür edindirebiliyoruz ne de bunları değiştirmek için bir irade sergileyebiliyoruz.

Çözüm: pratik zekaya sahip olanlar için branşlaşmış eğitim. Kuramsal zekaya sahip olanlar için derinlemesine sınav kaygısından uzak sosyal ugraslarla desteklenmis akademik eğitim.

admin3 tarafından

Suriye Savaşının Ardından Durum Değerlendirmesi ve Gelecek Provizyonu

14 Kasım 2017 Suriye Analizi içinde

Suriyede Ruslar Amerikan varlığını tanıdı ve savaş da bitti sayılır. bir kaç ufak tefek pürüz kaldı onlar da süreç içinde paylaşılacaktır.

Biten savaşın ardından son durum değerlendirmesi:

  1. kuzeyden avrupanın enerji yollarını kontrol eden rusların iran yardımı ile güneydeki yolları da kontrol altına alma ve bu şekilde Avrupaya baskı uygulayark dünya ticaretne dahil olma planları şimdilik suya düştü.
  2. Amerika avrupanın güney enerji yollarını kontrol altına alarak avrupanın rusların etkisine tamamen grmesine engel oldu.
  3. iranın güney enerji yolalrını süveyş kanalı trafiğini kontrol etme ve afrikaya nüfuz etme planları bir sonraki round a kaldı

Peki bundan sonra ne olacak:

  1. Amerika somali, suudi arabistan  ve mısır dahil bölge ülkelerini iran nüfuzuna karşı birer güney kore yapmaya çalışacaktır.
  2. iranın yemen ve lübnandaki unsurları püskürtülmeye çalışılacaktır ama kimse büyük savaşlar beklemesin. çünkü amerika  hükümranlığını devam ettirmek için ruslar bu süreçte hükümranlığa oynamak için iran da kadim coğrafya hükümranlığı için bu süreci savaşmadan atlatmak durumunda. israil savaşamaz çünkü parçalı yapısından dolayı iranla gireceği savaşta vereceği kayıplar kendi içindeki ayrılıkları uçurumlar haline getirebilir ve bu bölgede mukavemetini düşürür. bu da bölgede başka aktörlerin onun rolünü çalmasına neden olabilir.
  3. Rusar için doğu akdenizde varlığını korumak bir sonraki rounda hazırlık yapmak için önemli ve istediklerini de almış durumdalar.
  4. Ruslar dünya ticaretinde varolmak için amerikaya taviz vermek zorunda kalabilirler. putin bunu kontrollü bir şekilde yaparsa iktidarını korur yapmazsa rusyadaki iç dinamikler yerine birini geçirirler
  5. burada sabit stabil bir durum oluştuktan sonra amerikanın hedefinde çin var. ben çinin de amerika ile anlaşıp üstünlüğünü kabul edeceğini tahmin ediyorum.

ortadoğu müslümanları için gelecek provizyonum:

rusyanın dünya ticaret sahnesine çıkıp dünya hükümranlığı için amerika ile yarışabilecek duruma gelmesi için gereken sürede müslümanların amerikanın bölge ülkelerini güney kore yapma planları içinde doğru konumlanıp hızlı bir şekilde teknik ve siyasi kadrolar yetiştirip doğru teşkilatlanıp bir sonraki rounda hazmedilemeyecek büyük bir lokma olarak girmeleri gerekiyor.

önümüzdeki süreçte netlik kazanaçak çatışma alanları:

  1. amerika üs kurduğu kürt bölgesinde bir kürt devleti yapılanmasına mı gidecek yoksa kürtleri türkiye nüfuuna bırakıp türkiye ile anlaşarak mı akdenize bağlantı kurmayı deneyecek. yoksa ışid henüz görevini tamamlamadı da ışidin kontrol ettiği bölgeler ve lübnan üzerinden mi akdeniz bağlantısı kuracak.
  2. Türkiye musul kerkük petrollerini kürtler aracılığı ile mi kullanacak yoksa amerika direk türkiyeye mi vermek zorunda kalacak bunu kürtler nasıl karşılayacak yoksa amerika bu işi sürüncemede bırakıp bir sonraki roundda mı çözecek.
  3. yemen ve lübnandan iranın püskürtülmesine iran ne kadar tepki gösterebilecek acaba iranın alternatif bi manevrası var mı?

Peki Türkiyenin önünde neler var,

aslında bu soruyu amerikanın elinde ne var türkiyenin elinde ne var diye sormak lazım herhalde

  1. amerikanın elinde reza zaarab var
  2. Türkiyenin elinde ortasına girdiği koridor var. bakalım nasıl anlaşacaklar.

Suriye Genel Durum Şubat 2017

 

 

admin3 tarafından

Bilye Tartı Sorusu

11 Kasım 2017 Üstün Zekalı ( Yetenekli ) Çocuklar İçin Sorular, Olay ve Durum Örnekleri içinde

10 adet kutunun 9 unda 10 ar gramlık 10 ar adet bilye var. Diğer 10 uncu kutuda ise 9 ar gramlık 10 adet bilye var. Bu 10 kutunun şekli aynı. Herhangi bir kutudan istediğiniz kadar bilye alıp tartabilirsiniz. Tek tartmada 9 ar gramlık Bilyelerin olduğu kutuyu bulabilir misiniz.

Araç çubuğuna atla