Sayi9kasimaralik
Sayi9kasimaralik
Sayi9kasimaralik
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Kasım-Aralık 2012 Yıl : 2 Sayı : 9<br />
• Örüntü Tanıma* - Bilgisayar bilimleri / Mühendis<br />
lik,<br />
• Veri Tabanı Yönetimi - Bilgisayar bilimleri / Kütüp<br />
hanecilik,<br />
• Sinir Ağları* - Psikoloji / Bilgisayar bilimleri / Mü<br />
hendislik,<br />
• Makine Öğrenimi* - Bilgisayar bilimleri / Yapay<br />
Zekâ,<br />
• Grafik Modelleme (Bayes Ağları)* - Bilgisayar bi<br />
limleri / Yapay Zekâ,<br />
• Genetik Programlama - Bilgisayar bilimleri / Mü<br />
hendislik,<br />
• Kemometrik* - Kimya,<br />
• Veri Görselleştirme** - Bilgisayar bilimleri / Bilim<br />
sel Hesaplama<br />
Şüphesiz ki istatistikçiler tekil olarak bu alanlara katkı<br />
yapmıştır ama yine de bu alanların (en azından coşkuyla<br />
karşılanma) kucaklanmadığı söylenebilir.<br />
6. İstatistik Nedir?<br />
Yukarıdaki başlıkların her biri veriden öğrenmeye<br />
dayandığından, neden bizim alanımızın bunların bu<br />
kadar dışında kaldığını sorgulamak doğaldır. Sıkça<br />
yapılan açıklama şudur: Çünkü bu istatistik değil.<br />
Eğer bir başlığın bizim disiplinimizin bir parçası sayılması<br />
için veri ile ilgili olması yeterli değilse, başka<br />
hangi özellikler gereklidir? Şu ana kadar cevap, istatistiğin<br />
bir araçlar kümesi olarak, özellikle yüksek<br />
lisans programlarımızda öğretilenlerden bir küme,<br />
tanımlanmasıdır. Bazı örnekler şunlardır:<br />
• Olasılık kuramı,<br />
• Reel Analiz,<br />
• Ölçü kuramı (measuretheory),<br />
• Asimtotlar,<br />
• Karar kuramı,<br />
• Markov zincirleri,<br />
• Vido sistemleri,<br />
• Ergodik kuramı vs.<br />
AKADEMİK<br />
İstatistik alanı bu ve benzeri araçlarla cevaplanabilecek<br />
sorular kümesi olarak tanımlanabilir. Bu araçların<br />
işimize yaradığı açıktır. Brad Efron’un dediği gibi:<br />
“İstatistik en başarılı bilgi bilimi olmuştur.”<br />
“İstatistiği göz ardı edenler onu yeniden keşfetmeye<br />
mahkumdurlar.”<br />
Bir başka görüş de şudur: veri miktarı (ve ilgili uygulamalar)<br />
katlanarak artmaya devam ederken,<br />
istatistikçilerin sayısı aynı nispette artmamaktadır.<br />
Dolayısıyla bizim alanımızın en iyi yapageldiğimiz<br />
bilgi biliminin küçük bir kısmı ile, matematiğe dayalı<br />
olasılıksal çıkarsama ile yetinmesi gerekmektedir.<br />
Bu, bizim için en iyi konum olabilecek, oldukça savunmacı<br />
bir bakış açısıdır. Bununla beraber, bu strateji<br />
izlendiğinde istatistikçilerin “bilgi devrimi”nde bir<br />
oyuncu olarak işgal ettikleri yer, zaman içinde yok<br />
olacaktır. Gerçi böyle bir stratejinin var olan pratiklerimiz<br />
ve akademik programlarımızı değiştirmemek<br />
gibi güçlü bir avantajı da vardır.<br />
1962 gibi erken bir tarihte John Tukey tarafından savunulan<br />
bir başka görüş daha vardır. Tukey (1962)<br />
istatistiğin veri çözümlemesi ile ilgilenmesi gerektiğini<br />
belirtmiştir. Ona göre alan veri ile ilgili bir araçlar<br />
kümesiyle değil de, diğer alanlarda olduğu gibi problemler<br />
kümesi şeklinde tanımlanmalıdır. Böyle bir<br />
bakış açısının hakim görüş haline gelmesi için, hem<br />
pratiklerimizde hem de akademik programlarımızda<br />
büyük değişiklikler yapmalıyız.<br />
Her şeyin başında, programlama ile barışmamız gerekir.<br />
Verinin bulunduğu yer burasıdır desek yeridir.<br />
Programlama şimdiye kadar istatistiği tanımlamış<br />
araç kümesi içindeki en bariz eksikliktir. Eğer programlama<br />
yöntemini doğuşundan itibaren (var olan<br />
araçlarımızı uyguladığımız uygun bir mecra olarak<br />
değil de) temel bir istatistikî araç olarak kapsayabilseydik,<br />
diğer veri ile ilgili alanların ortaya çıkmasına<br />
gerek kalmazdı.Bu alanlar, bizimkinin bir parçası<br />
olurdu.<br />
Programlamayla ilgilenmeye başlamak, basitçe<br />
istatistikî paketlere aşina olmak demek değildir. Gerçi<br />
bu da gereklidir. Eğer programlama temel araştırma<br />
araçlarımızdan biri haline gelecekse, öğrencilerimize<br />
bunu öğretmeli ve onların ilgili Bilgisayar Bilim<br />
konularını öğrendiğinden emin olmalıyız. Bunlardan<br />
bazıları, sayısal doğrusal cebir, sayısal ve kombinasyonalenuygunlaştırma<br />
(optimization), veri yapıları,<br />
algoritma tasarımı, makine mimarisi, programlama<br />
yöntembilimi, veri tabanı yönetimi, paralel mimari ve<br />
programlama vb.’dir. Ayrıca, çoğu alanımız dışında<br />
geliştirilmiş güncel bilgisayara dayalı veri çözümleme<br />
yöntemlerini de ders programlarımıza eklemeliyiz.<br />
Eğer akademik (ve ticarî) piyasadaki diğer veri ile<br />
ilgili alanlarla rekabet edeceksek, bazı temel paradigmalarımızın<br />
yeniden düzenlenmesi gerekmektedir.<br />
Matematikle olan romansımızı yumuşatmalıyız.<br />
Matematik (programlama gibi) bir araçtır. Güçlü bir<br />
araçtır ama istatistikî yöntemleri gerçekleştirmek<br />
için tek araç değildir. Ne matematik kuramın kendisidir,<br />
ne de kuram matematiktir. Kuramlar kavrayışı-<br />
mızı arttırmak için vardır ve,ne kadar değerli olursa<br />
olsun, matematik bunun tek yolu değildir. örneğin<br />
hastalıkları (özünde) bakterilerle açıklayan kuram barındırdığı<br />
matematiksel içeriğin azlığına karşın tıbbî<br />
olgusallığın büyük bir bölümünde dikkate değer bir<br />
kavrayış gücü sağlar. Ampirik sağlamanın zorunlu<br />
olarak kısıtlı da olsa (ki matematik de böyledir) bir<br />
sağlama yolu olduğunu kabul etmemiz gerekir.<br />
Kültürümüzü de değiştirmeliyiz. Diğer veri ile ilgili<br />
alanlarda çalışan her istatistikçi, istatislikle aradaki<br />
“kültür farkı” karşısında hayrete düşüyor. Bu diğer<br />
alanlarda “geçer akçe” matematiksel tekniklerden<br />
ziyade fikirler olma eğiliminde. Motivasyonu sezgisel<br />
olan fikirler ilk olarak sezgisel önermeler üzerinden<br />
değerlendirilir. Nihaî yargılar ise daha kapsamlı bir<br />
(ampirik ya da kuramsal) değerlendirme mümkün<br />
olana kadar ertelenir. Paradigmalar “aksi kanıtlanana<br />
kadar masumdur”. Bizim alanımızda bunun<br />
tersi geçerlidir. Geçmişte, (mümkünse kaliteli) matematikle<br />
tamamen sağlaması yapılmadığı sürece,<br />
yeni metodolojileri “aşağılar” ya da en iyi ihtimalle<br />
30 31