halı saha yapan firmalar halı saha yapan firmalar

Kategori Arşivi BilgiKültür

Çok Katmanlı Algılayıcılar (Multi-Layer Perceptron)

  • SINGLE PERCEPTRON MODEL

Multilayer Perceptrom Model’den  önce Perceptron Model’den bahsetmek gerekiyor. Perceptron Model bir Yapay Sinir Ağları modelidir ve bugünkü Yapay Sinir Ağları için önemli bir temel oluşturmaktadır. Supervised (denetimli) bir training (öğrenme) algoritmasıdır. Yani ağa hem giriş hem de çıkış kümesi verili ve öğrenme beklenir. Perceptron Modeli’nde en önemli faktör eşik değeridir. Bu değer kullanılarak güzel bir sınıflandırma yapılabilmektedir. Saptanacak olan eşik değeri probleme göre belirlenebilir. Bu modelde iterasyon sayısı artırılarak öğrenme derecesi artırılabilir. Tek Katmanlı Algılayıcı’lar aşağıdaki şekilde modellenmiştir.

Modelde görülen x değerleri girişleri, w değerleri ise ağırlıkları ifade edilmektedir. BIAS değeri ise öğrenmeyi güçlendirmek için kullanılır. Ayrıca öğrenmeyi güçlendirirken yerel optimum değerler takılmayı da önler. Bu modelin algoritma adımlar şu şekildedir;

Adım 1) Tüm ağırlıklara başlangıç değerleri atanır. Öğrenme katsayısına küçük bir değer verilir. (Örn: Bias = 0)

Adım 2) Adım 3 ile 7 arasını belirli bir iterasyon sayısına ulaşılıncaya kadar tekrarla.

Adım 3) Her bir girdi için Adım 4 ile 6 arasını tekrarla.

Adım 4) Girdi değerlerini girdiden al.

Adım 5) Perceptron’a gelen toplam sinyali hesapla. Aktivasyonu hesapla.

Adım 6) Eğer hesaplanan değer beklen değerden farklı ise, hesaplama yanlıştır. Ağırlıkları güncelle.

Adım 7) Döngü sonunu kontrol et.

Şekil-1’de görüldüğü üzere Perceptron Model tek katmanlıdır. Bu yüzden Single Perceptron Model de denmektedir. Sadece giriş ve çıkış katmanı bulunmaktadır. Net girdi hesaplanır. Girdi eşik değerin altındaysa 0, üstündeyse 1 olarak çıkış değeri belirlenir. Çıkış beklenen değerden farklı ise ağırlık güncellemesi yapılır. Şöyle ki ; Eğer çıkış 1 bekleniyorken, 0 olarak alınmışsa ağırlıklarda artırılmaya gidilir. Tersi durumda ise ağırlıklar azaltılır. Artırım ve azaltım belirlenen delta değeri ile yapılır. Tüm eğitim seti için doğru sonuçlar bulunana kadar algoritma devam ettirilir. Her biri için doğru sonuçlar bulunduğunda öğrenme tamamlanmış sayılır. Bu modelde elde edilen çıktı fonksiyonu doğrusaldır. Perceptron Modeli ile ağa gösterilen örnekler iki sınıf arasında paylaştırılarak iki sınıfı birbirinden ayıran doğru bulunmaya çalışılır. Aşağıda örnekle gösterilmiştir.

Şekil-2

Şekil-3

  • DOĞRUSAL AYRILABİLİRLİK (Linear Seperability)

Bir düzlemde sadece bir hat varsa iki sınıfa ait iki boyutlu örüntülerin bir kümesi doğrusal olarak ayrılabilirdir. Şekil-2’de görülen doğru düzlemi bir hatla ikiye ayırmıştır. Verilen düzlemdeki örneklerin hepsi iki gruptan birine dahil olmuştur. Yani problem çözülebilir. Konuya örnek olarak and ve or fonksiyonları verilebilir. Bunları şekil üzerinden görelim. Yandaki şekilde veya fonksiyonu gösterilmiştir. Bilindiği üzere or fonksiyonunun 1 çıkışı vermesi için giriş değerlerinden birinin bir olması yeterli  olur. Bu durumda or fonksiyonunun çıktılarını düzlemde iki gruba ayırmak istersek yandaki şekilde bu işlemi gerçekleştirebilir. Yani or fonksiyonu doğrusal ayrılabilirdir. Or fonksiyonunu yapay sinir ağları yöntemleriyle sisteme öğretmeye çalışırsak başarılı olabiliriz. Aynı durum and fonksiyonu içinde geçerlidir. Tek farkı doğru farklı yerden geçip düzlemi ikiye ayıracaktır. Eğer bir problem doğrusal ayrılabilir ise o zaman Perceptron Öğrenimi ile örüntülerin bir kümesinden ağırlıklar elde edilebilir. Eğer problem doğrusal ayrılabilir değilse Single Perceptron Modeli ile çözüme ulaşamayız.

  • XOR PROBLEMi

Xor fonksiyonu doğrusal ayrılabilir değildir. Daha önce bahsettiğimiz or ve and fonksiyonunun çıktılarını düzlemde iki gruba ayırabiliyorduk. Fakat xor fonksiyonunda bunu gerçekleştiremiyoruz. Düzlemdeki çıktıları tek bir hatla ikiye bölemiyoruz.(Şekil 5) En az iki doğru gerekiyor. Xor problemi Yapay Sinir Ağları’nın “Hello World”ü olarak bilinir. Perceptronlar XOR Problemi gibi doğrusal olarak sınıflandırılamayan problemleri çözümünde başarısızdır. XOR Problemi’ni çözmek için geriye yayılımlı çok katmanlı ağlardan faydalanılabilir.

Şekil-4

Şekil-5

  • MULTI-LAYER PERCEPTRON MODEL

Çok Katmanlı Algılayıcılar (MLP) XOR Problemi’ni çözmek için yapılan çalışmalar sonucu ortaya çıkmıştır. Rumelhart ve arkadaşları tarafından geliştirilen bu modeli ‘Back Propogation Model’ yada hatayı ağa yaydığı için ‘Hata Yayma Modeli’ de denmektedir. Delta Öğrenme Kuralı denilen bir öğrenme metodu kullanır. MLP özellikle sınıflandırma ve genelleme yapma durumlarında etkin çalışır. Çok Katmanlı Ağ’ların yapısı aşağıdaki gibidir.

Şekil-6

Birçok giriş için bir nöron yeterli olmayabilir. Paralel işlem yapan birden fazla nörona ihtiyaç duyulduğunda katman kavramı devreye girer. Görüldüğü üzere Single Perceptron Model’den farklı olarak arada gizli(hidden) katman bulunmaktadır. Giriş katmanı gelen verileri alarak ara katmana gönderir. Gelen bilgiler bir sonraki katmana aktarılırlar. Ara katman sayısı en az bir olmak üzere probleme göre değişir ve ihtiyaca göre ayarlanır. Her katmanın çıkışı bir sonraki katmanın girişi olmaktadır. Böylelikle çıkışa ulaşılmaktadır. Her işlem elemanı yani nöron bir sonraki katmanda bulunan bütün nöronlara bağlıdır. Ayrıca katmandaki nöron sayısı da probleme göre belirlenir. Çıkış katmanı önceki katmanlardan gelen verileri işleyerek ağın çıkışını belirler. Sistemin çıkış sayısı çıkış katmanında bulunan eleman sayısına eşittir. Single Perceptron Modeli incelerken bahsettiğimiz nöron yapısı burada aynen geçerlidir.

Modelde aktivasyon fonksiyonu olarak herhangi bir matematiksel fonksiyon kullanılabilir. Ancak Sigmoid, tang, lineer, threshold ve hard limiter fonksiyonları en çok kullanılan fonksiyonlardır.

Şekil-7

Çok katmanlı ağlardaki hücreler yandaki gibidir. Aktivasyon fonksiyonu olarak yandaki modelde sigmoid fonksiyonu seçilmiştir. Çok katmanlı ağda öğrenme Delta Öğrenme Kuralı tabanlıdır. Ağın öğrenebilmesi için örnek giriş ve çıkışlardan oluşan  eğitim seti şarttır. Geri Yayılımlı Yapay Sinir Ağları’nda öğrenme işlemi bir anlamda örnek setindeki giriş değerleriyle, çıkış değerlerini eşleştiren fonksiyonu bulma işlemidir.  Sistemin öğrenme metodu genel olarak iki aşamadan oluşur. Birinci kısım ileri doğru hesaplamadır. İkinci kısım ise geri doğru hesaplamadır (back propogation).

İleri doğru hesaplama aşamasında sisteme verilen girdi ara katmanlardan geçerek çıkışa ulaşır. Her işlem elemanına gelen girdiler toplanılarak net girdi hesaplanır. Bu net girdi aktivasyon fonksiyonundan geçirilerek mevcut işlem elemanının çıktısı bulunur. Ve bu çıktı değeri bir sonraki katmanda bulunan işlem elemanlarına gönderilir. Bu işlemler tekrar edilerek en son çıktı katmanından çıktılar elde edilir. En çok kullanılan aktivasyon fonksiyonu olan sigmoid fonksiyonu şekildedir.

Şekil-8

Ağdan çıktı alınmasıyla öğrenmenin ilk aşaması bitirilmiş olur. İkinci aşama hatanın dağıtılması olacaktır. Beklenen çıktı değeri ile elde ettiğimiz birbirinden farklı ise hata vardır. Geriye doğru hesaplama aşamasında hata ağırlık değerlerine dağıtılarak her iterasyonda azaltılması beklenir. Sisteme başlangıçta random olarak verilen ağırlık değerleri, hataların ağırlıklara dağıtılmasıyla her iterasyonda güncellenmiş olur.

Genelleştirilmiş Delta Öğrenme Kuralı’nın yapısı genel olarak aşağıdaki gibidir.

Şekil-9

Multi-layer Perceptron(MLP) yani Çok Katmanlı Algılayıcılar, Yapay Sinir Ağları’na olan ilgiyi hızlı bir şekilde artırmıştır. MLP ile birlikte YSA tarihinde yeni bir dönem başlamıştır. Geniş kullanım alanına sahiptir. Örnek verecek olursak; Otomotiv alanında yol izleme, rehberlik vs. gibi konularda kullanılmaktadır. Bankacılıkta kredi kartı suçu tespiti ve kredi uygulamalarında kullanılmaktadır. Uzay sanayinde uçuş simülasyonu  ve otomatik pilot uygulamalarında kullanılır. Finans sektöründe ise döviz kuru tahminlerinde kullanılır.

  • MULTI-LAYER PERCEPTRON MODEL UYGULAMASI

Uygulamamızı anlatırken, sadece main sınıfımızdaki kodlar konulup bu sınıfın kullandığı fonksiyonları kod koymaksızın anlatılacaktır. Uygulamamıza giriş olarak 9 değer verilmiştir bunlar;

inputs = [ 0 0 0 ; 0 1 0 ; 1 0 1 ; 1 1 1];
targets = [ 1 1 ; -1 -1 ; -1 -1 ; 1 1];

ni = 3;
nh = 4;
no = 2;
wsize = ((ni+1)*nh)+(nh*no); 
net = 4*rand(1,wsize)-2;
ci = zeros(ni+1,nh);
co = zeros(nh,no);

Giriş değişkenlerimize sırasıyla bakacak olursak;

inputs,targets: Multi Layer Perceptron modeli danışmanlı öğrenme yöntemini kullanarak algoritmanın eğitimini gerçekleştirir. Danışmanlı öğrenme modelinde ise algoritmanın eğitilmesi için giriş değerleri ve bu giriş değerlerden üretilmiş olan çıkış değerleri verilmelidir. Uygulamamızdaki giriş ve çıkış değerleri raporumuzda açıklanan ex-or problemi ile benzerlik göstermektedir. Böylece Multi Layer Perceptron modelinin “Hello word” ü olarak tanımlanan bir uygulamayı gerçekleştirmiş oluyoruz.

ni: Bu değişken algoritmamızda giriş sayısı olarak kullanılmaktadır. Bu değişkenin değiştirilmesi halinde inputs değişkenin içerisinde bulunan değerleri de değiştirmemiz gerekecektir.

nh: Bu değişken ise  ara katmandaki nöron sayısı olarak tanımlanmaktadır.

no: Bu değişken ise targets değişkenine bağlıdır ve girişler sonucunda üretilen çıkış sayısıdır. Eğer targets sayısı değiştirilirse bu değişkeninde değiştirilmesi gerekmektedir.

wsize : bu değişken giriş sayısı, nöron sayısı ve çıkış sayısı kullanılarak oluşturulan ve ağırlık sayısını temsil eden değerdir. Denklemde kullanılan (ni+1) değerindeki +1 öğrenmeyi güçlendirmek için kullanılan bias değeridir.

net: Bu değişken ağırlıkların tutulduğu vektördür. Başlangıçta rastgele atanan değerler ile doldurulur ama kullanılan algoritmada her bir döngüde bu değerler çeşitli parametrelere göre değiştirilmektedir.

ci: Her döngüde girişlerde oluşan değişimi tutan vektördür. Başlangıç değeri olarak giriş sayısı ve ara katman sayısı parametrelerine göre sıfır değerleri atanır. Değişim oldukça bu vektör düzeltilir. Denklemde kullanılan (ni+1) değerindeki bias değeri için kullanılmıştır.

co:  Bu vektör ise çıkış değerlerindeki değişimleri tutmaktadır. Başlangıç değerleri ara katman sayısı ve çıkış sayısı parametrelerine göre sıfır olarak atanır. ci,co değişkenleri hatanın hesaplanması için kullanılmaktadır. Böylece her adımda hata kontrolü yapabiliyoruz ve bu hata kontrolüne göre eğitimi durdurabiliyoruz.

for i=1:1000
 error = 0;
 for j=1:4
 [ net,co,ci,err ] = BackProp(net,inputs(j,:),targets(j,:),ni,nh,no,co,ci ); 
 error = error + err; 
 end
 if mod(i,100)==0
 display([' Error ',num2str(error)])
 end
end

Bu kod bloğu eğitim gerçekleştiği yerdir. Bizim uygulamamızda belli bir iterasyon sayısı boyunca eğitim devam etmektedir ve bin iterasyonda sonlanmaktadır fakat bu yaklaşım yerine her adımda hesapladığımız hata değerini(gerçek değere yakınlığını) de kullanabiliriz. Yani algoritmamız bizim belirlediğimiz hata değerinden küçük oluncaya kadar eğitime devam edebilir.

Algoritma her bir iterasyonda her bir giriş için:

BackProp(net,inputs(j,:),targets(j,:),ni,nh,no,co,ci ); fonksiyonunu kullanmaktadır. Bu fonksiyon parametre olarak ağırlık değerleri, girişler, çıkışlar, giriş sayısı, nöron sayısı, çıkış sayısı ve hata hesaplamaları için kullanılan parametreler alarak işlemini gerçekleştirmektedir. İlk önce ileri doğru hesaplama gerçekleştiriliyor.  Bu hesaplama iki kısma ayrılıyor. Birincisi giriş katmanı ile ara katman arasında, ikincisi ise ara katman ve çıkış katmanı arasında gerçekleşiyor. İkinci kısım birinci kısımdan çıkan değerleri kullanmak suretiyle çıkışlar üretiliyor. İleri doğru hesaplama yapılırken birçok aktivasyon fonksiyonu kullanılabilir. Bizim uygulamamızda hiperbolik tanjant fonksiyonu kullanılmaktadır. Böylece ileri doğru hesaplama tamamlanmış oluyor. İleri doğru hesaplama tamamlandıktan sonra ağa sunulan girdi için ağın ürettiği çıktı ağın beklenen çıktıları ile karşılaştırılır. Bunların arasındaki fark hata olarak kabul edilir. Bu hata, ağın ağırlık değerlerine dağıtılarak bir sonraki iterasyonda hatanın azaltılması sağlanır. Algoritma eğitimi de sürerken toplamda on adımda hata yazdırılarak hatanın giderek azaldığı gösterilmiştir.  Böylece hata azaltılarak bütün ağa paylaştırılmış ve geri doğru hesaplama tamamlanmıştır. İki aşama da sona erdikten sonra eğitim tamamlanmış ve değerlerin test edilmesi aşamasına gelinmiştir.

for j=1:4
 output = EvalNN( inputs(j,:),net,ni,nh,no );
 display([' Inputs [',num2str(inputs(j,:)),'] --> outputs: [',num2str(output),']']) 
end

Bu kod bloğunda kullanılan EvalNN( inputs(j,:),net,ni,nh,no );  fonksiyonu ile giriş değerleri test edilmektedir ve öğrenmenin ne kadar başarılı olduğu belirlenmektedir. Test aşamasından çıkan sonuçlar ise şöyledir.

inputs =
 0 0 0
 0 1 0
 1 0 1
 1 1 1
targets =
  1 1
 -1 -1
 -1 -1
  1 1
Error 2.0021
Error 1.9997
Error 0.012925
Error 0.0028741
Error 0.0016513
Error 0.0011705
Error 0.00091238
Error 0.00075076
Error 0.00063978
Error 0.00055868

Inputs [0 0 0] --> outputs: [0.99643 0.99213]
Inputs [0 1 0] --> outputs: [-0.98962 -0.98221]
Inputs [1 0 1] --> outputs: [-0.99356 -0.98541]
Inputs [1 1 1] --> outputs: [0.98985 0.98393]

Görüldüğü üzere hata gittikçe azalmıştır ve girilen giriş değerlerine göre ağın ürettiği çıkış değerleri gerçek değerlere çok yaklaşmıştır.

KAYNAKLAR

Fifa 97 International Soccer (Captain Majeed – Captain Majid) Atari Oyunu

Ataride oynadığım ve en çok sevdiğim oyunlardan biriydi Fifa 97 International Soccer yada benim oynadığım adıyla Captain Majeed. Sene 1998 filan olması lazım henüz bilgisayarım yok hatta bilgisayar başına oturmuşluğum bile olmayabilir. Bilgisayar oyunlarından önceki en büyük eğlence ise atari.

Oyun Tecmo firması üretimidir. Açılış ekranı aşağıdaki gibidir. İsmi International Fifa 97 olarak da geçiyor görselde görüldüğü üzere.

Oyunda 16 ülke bulunmaktadır. Takımınızı seçtikten sonra size geri kalan takımlar arasından rasgele bir rakip seçer (Oyunun isminde 1997 olmasına rağmen Sovyetler ve Berlin Duvarı henüz yıkılmamış 🙂 ).

Oyun kuş bakışı oynanıyor ve kısa vuruş ve uzun vuruştan başka alternatiniz yok. 2 oyuncu seçeneğiyle kardeşimle baya oynamıştık bu oyunu.

Oyunu bir süre oynadıktan sonra ilk galibiyetimi aldım ve ikinci maça geçtim. İkinci maç çok zor gelmişti o zaman için ve yenilmiştim. Tekrar yenildiğiniz turdan devam edebiliyorsunuz tabi atariye kapatmazsanız yada atari donmazsa. 🙂 Bir süre sonra oyunu bu şekilde tamamlayamayacağımı anlamıştım. Çünkü aralıksız galibiyet dahi alınca 15 maç baya uzun bir süre tutuyordu. O zaman bu kadar süre iznimiz yoktu oynamak için hem de televizyona bağlı olduğundan dolayı da TV izleneceği zaman mecburen atari kapatılıyordu. Ki aralıksız galibiyet bu oyunda imkansız gibi birşey. Neyse bir süre sonra açılış ekranında çıkan continue seçeneği dikkatimi çekti. Orada bir kod girilecek bir ekran geliyordu. Maçlardan sonra da bir kodun ekranın altında belirdiğini farkettim. Artık her tur geçişimde ekrana çıkan kodu not ediyor. Böylelikle kaldığım turdan devam edebiliyordum. Baya bir uzun süre sonra oyunu bitirebilme şerefine ulaştım 😀 .

Kupa kazanıldığında nasıl birşeyle karşılaşacağımı çok merak ediyordum aşağıda Brezilya ile kazandığım turnuvanın görüntüsü var.

Oyun yıllar sonra aklıma geldi ve internette aramalarım sonucunda şu linkte oyunu buldum. Başka sitelerden de oyunu bulabilirsiniz. Güzel bir nostalji oldu benim için. Resmen çocukluğuma gittim.


Ayrıca o zaman dikkatimi çekmeyen ama şimdi dikkatimi cezbeden bir durumdan daha bahsedeceğim. Yukarıda bahsetmiştim. Ataride kaydetme seçeneği olmadığından dolayı (sonuçta kaydedebileceğiniz bir disk yok) size her maçtan sonra bir kod veriyor. Bu kodu atariye ne zaman girerseniz o zamanki pozisyona geri dönüyorsunuz. Adamlar başka bir deyişle tüm kazanma ve kaybetme durumlarını kodlamışlar. Atıyorum Brezilya’yı seçtiniz, rasgele rakibiniz Arjantin geldi ve bu maçı geçtiniz. İkinci maçta İngiltere rakibiniz oldu ve yenildiniz. Size verilen kodu aldınız ve başka bir gün o kodu atariye girdiniz. Bu durumda Brezilya’yı seçmiş, Arjantin’i elemiş oluyor ve İngiltere ile tekrar maça başlıyorsunuz. O zaman için harika bir kaydetme çözümü olmuş bir nevi. Size verilen kodlar 9 haneli ve 16 harf kombinasyonundan oluşuyor. 16 üzeri 9 adet kombinasyon ayarlanabilir bu kadar harf ve haneyle. Bir ara kafa yorup 9 hane ve 16 kombinasyonun seçilme nedenini anlamaya çalışacağım. Ama hayranlık duydum ne diyim.


Son olarak Brezilya’yı seçtiğinizde final yolu şu şekilde olabilir (tabi gelen rasgele ekiplere göre farklı bir sürü kombinasyon da olabilir). Bu şekilde kupayı kazanmıştım. Aşağıdaki final kodunu girerseniz. Finalde Brezilya ile İngiltere’ye karşı oynuyorsunuz. 🙂

brezilya ile 2. tur kodu : llmımbopı
3. tur kodu: llkimbdae
4. tur kodu: nljimbdio
5. tur kodu: edmgmfopg
6. tur kodu: gdmgafpig
7. tur kodu: odkibfddo
8. tur kodu: ohkiafpeo
9. tur kodu: ohjkafdeg
10. tur kodu: npbmbfaeg
11. tur kodu: mpdmbfemo
12. tur kodu: phbkbhaeg
13. tur kodu: dhekahemo
yarı final kodu: bjekbheeg
final kodu: jbjdihedo

TRUBA yenilenen OpenVPN Bağlantısı

Bilindiği üzere Truba 2018 itibariyle OpenVpn bağlantı şeklini değiştirdi. Bu değişimle birlikte kullanıcıya özel sertifikaya gerek kalmadı. Böylelikle sertifika süresinin dolması ve sertifika yenilenmesine de gerek kalmamış oldu. Yeni bağlantı şekli ile yapmamız gereken öncelikle OpenVPN programını güncellemek ki, Linux kullanıyorsanız ve işletim sisteminiz güncelse bu işleme gerek yok. Sonrasında ise aşağıdaki komut ile OpenVPN genel yapılandırma dosyasını indiriyoruz (Bilgisayarınızda wget yoksa apt-get install wget ile edinebilirsiniz).

NOT: Windows 10 kullananlar TRUBA’nın wiki sayfasından yararlanabilirler (Diğer işletim sistemleri için de bilgiler mevcut).

wget http://wiki.truba.gov.tr/TRUBA-VPN/TRUBA-genel.ovpn

Daha sonra Truba’ya bağlanmak için aşağıdaki komutu kullanıyoruz (Dizini kendi dizininize göre ayarlamalısınız).

sudo openvpn /home/nuh/vpn/TRUBA-genel.ovpn

Sırasıyla kullanıcı adı ve şifre soracak. Buralara Truba için daha önce aldığınız ssh kullanıcı adı ve şifrenizi giriyorsunuz ve işlem tamam. Aşağıdaki gibi bir ekranla karşılaşacaksınız ve bağlantınız gerçekleşecektir.

Thu Apr 19 22:44:00 2018 OpenVPN 2.4.3 x86_64-pc-linux-gnu [SSL (OpenSSL)] [LZO] [LZ4] [EPOLL] [PKCS11] [MH/PKTINFO] [AEAD] built on Jul 3 2017
Thu Apr 19 22:44:00 2018 library versions: OpenSSL 1.0.2g 1 Mar 2016, LZO 2.08
Enter Auth Username: sizin_kullanici_adiniz
Enter Auth Password: ********
Thu Apr 19 22:44:06 2018 TCP/UDP: Preserving recently used remote address: [AF_INET]193.140.99.241:1195
Thu Apr 19 22:44:06 2018 UDP link local (bound): [AF_INET][undef]:1194
Thu Apr 19 22:44:06 2018 UDP link remote: [AF_INET]193.140.99.241:1195
Thu Apr 19 22:44:06 2018 WARNING: this configuration may cache passwords in memory -- use the auth-nocache option to prevent this
Thu Apr 19 22:44:06 2018 [midye.truba.gov.tr] Peer Connection Initiated with [AF_INET]193.140.99.241:1195
Thu Apr 19 22:44:08 2018 Options error: Unrecognized option or missing or extra parameter(s) in [PUSH-OPTIONS]:5: register-dns (2.4.3)
Thu Apr 19 22:44:08 2018 TUN/TAP device tun0 opened
Thu Apr 19 22:44:08 2018 do_ifconfig, tt->did_ifconfig_ipv6_setup=0
Thu Apr 19 22:44:08 2018 /sbin/ip link set dev tun0 up mtu 1500
Thu Apr 19 22:44:08 2018 /sbin/ip addr add dev tun0 10.3.8.111/22 broadcast 10.3.11.255
Thu Apr 19 22:44:08 2018 Initialization Sequence Completed

Ssh ile Truba’ya bağlanabilirsiniz (bunun için başka bir terminal kullanabilirsiniz). Aşağıda levrek1 sunucusuna nasıl bağlanacağınıza dair bir komut bulunmaktadır. Diğer sunucular için yukarıda daha önce verdiğim linkten bilgi alabilirsiniz.

ssh username@172.16.7.1

Not: İşiniz bitip OpenVPN bağlantısının açtığımız terminali kapatırsanız tekrar bağlanmaya çalıştığınızda hata veriyor. Bunun önüne geçmek için ben VPN bağlantısını screen ile açıyorum arka planda açık kalıyor. Aksi durumda terminal kapandığında tekrar VPN bağlantısı yapabilmek için bilgisayarı restart etmek gerekiyor.

Honda Civic 2012-2014 Multimedia Navigasyon SD Karta Yükleme – GPS SD Kart (Diğer bazı araçlarla da uyumlu olabilir)

Navix – Navix NVX 7900 MKV – Navix 6678 – Navimex – Navimex 9924 – Navimex 9974 – Navimex 9991 – Primo Navitech – Harward Hr-7666 – Necvox Black Edition – Navigold – Hanstar – KR8006 – Navigold – Hannstar – 2012 ST-8006 – Cyclone UYUMLUDUR

Honda Civic aracımda bayi çıkışlı bir multimedya sistemi var. Araç sıfır alındığında üzerindeymiş. Multimedya cihazın markası konusunda net bir bilgi edinemedim. Anladığım kadarıyla farklı firmalar bu cihazları Çin’den getiriyorlar daha sonra burada bir isim verip, satıp, destek veriyorlar. Honda bayileri de belli aralıklarla farklı firmalarla anlaşıp cihazları araçlara taktırıyor. Aynı görünüme sahip bir sürü farklı marka multimedya cihazından gördüm çünkü (Hanstar, KR-8006, Navigold, Hannstar, 2012 ST-8006, Cyclone vs.). Cihazın görüntüsü aşağıdaki şekildedir. Cihazın işletim sistemi Android değil Windows CE.

Aracı satın aldığımda bendeki cihazın GPS SD kartı kaybolmuş durumdaydı. Cihaza uygun SD kart için hem internetten hem de Honda bayilerini arayarak baya bir araştırma yaptım. Sonunda bu bağlantıdaki bilgilere ulaştım ve buradan halledebildim. Ben size buradan daha öz ve kolay şekilde nasıl yapacağınızı anlatacağım.

Öncelikle aşağıdaki linkteki bağlantıdan SD karta kopyalayacağınız içeriği indiriyorsunuz.

SD KART İÇERİĞİ

565 Mb boyutundaki bu dosyayı indirdikten sonra işiniz kolay.

  • SD kartı bilgisayarına takın ve FAT32 formatında biçimlendirin ve ismini STORAGECARD olarak değiştirin (isim değiştirme o kadar önemli değil ama ne olur ne olmaz).
  • İndirdiğiniz rar dosyası içerisindeki NaviOne isimli klasörü SD kart içerisine kopyalayın.
  • SD kartı aracınızdaki multimedya cihazına takın. Ayarlar > Navigasyon bölümünden dosya yolu’na tıklayın ve SDMMC (veya STORAGECARD) > Navione > Navione.exe’yi seçin.
  • İşlem tamamlandı NAVI tuşuna basarak navigasyonu çalıştırın. GPS kartı yok hatası gelmeden programın açılması gerekiyor. Yaklaşık 10-15 saniyelik bir yükleme süresi olduğunu da unutmayın, biraz beklemeniz gerekecek.

Artık navigasyonunuz çalışıyor.

Not  1:  Bu işlem için firmalar minimum 50 lira gibi bir ücret istiyorlar. Eğer bu yazı işinize yaramışsa ve teşekkür etmek isterseniz sayfadaki reklamlara tıklamanız yeterli. 🙂

Not 2: İndirdiğiniz dosyanın içerisindeki harita sürümü 12 Ekim 2017 tarihi itibariyle güncel harita dosyasıdır (iGo 2017 Q3 harita ve poi). Yeni sürümlerin olması durumunda gereken dosyaları ve nasıl güncelleme yapılacağını da buradan yazacağım.

Not 3: Bazı Android cihazlar için de aynı adımların izlenilmesi halinde navigasyonun yüklenebileceği söyleniyor. Deneme imkanım olmadı Android cihazı olanlar deneyebilirler.

Not 4: Bu yazılımın aynı şekilde yüklenmesi halinde çalıştığı söylenen cihazlar da şu şekildedir; Navix NVX 7900 MKV, Navix 6678 (diğer NAVİX marka cihazlarda da çalışması muhtemel), Navimex 9924, Navimex 9974, Navimex 9991 (diğer Navimex marka cihazlarda da çalışması muhtemel), Primo Navitech, Harward Hr-7666, Necvox Black Edition  ve ayrıca Navigold‘da da çalışacağını zannediyorum.

WordPress Ad Inserter Google Adsense Eklentisi

Mayıs 2017 itibariyle Google, resmi WordPress Adsense eklentisini kaldıracağını duyurmuştu ancak kaldırmamıştı. 1 Ocak 2018 itibariyle bu eklentiyi kullananların reklamları kayboldu. Her ne kadar Adsense’ten para kazanamasam da  reklamların görüntülenebilmesi için başka eklentiler araştırmaya başladım. Birkaç eklentiyi denedikten sonra Ad Inserter eklentisini kullanmaya karar verdim. Kurulum ve kullanımı gayet basit bir eklenti kendisi. Eklentiyi kurmak için admin panelinden Eklentiler > Yeni Ekle diyoruz ve arama kutucuğuna Ad Inserter yazarak arıyoruz ve kurulumu tamamlıyoruz.

Ad Inserter eklentisinin ayarlar paneli aşağıda görüldüğü gibidir.

Resimde görüldüğü üzere 16 adet reklam bloğu oluşturabilirsiniz. Block içerisine adsense scriptinizi yapıştırmanız yeterli olmaktadır. Sonrasına ise reklamların nerede görüneceğini seçmek kalmaktadır. Yazılarından önce, paragraf arasında, yazıdan sonra gibi farklı şekillerde reklamlarınızı konumlandırabileceğiniz gibi bileşen (widget) olarak da ekleyebilirsiniz. Kullanım kolaylığı açısından bu eklentiyi tavsiye edebilirim.

Halk Takvimi

İnternette rast geldiğim eski halk takvimini sizinle paylaşmak istedim. Kaynağını bilmiyorum, eğer bulabilirsem paylaşacağım.

TRUBA (Türk Ulusal e-Bilim e-Altyapısı)

TRUBA (Türk Ulusal e-Bilim e-Altyapısı), TÜBİTAK ULAKBİM bünyesinde bulunan Yüksek Başarımlı ve Grid Hesaplama Merkezi’dir. 2011 yılından önce TR-Grid, sonrasında ise TRUBA ismiyle ülkemizdeki araştırmacılara hesaplama ortamı sunmak amacıyla hizmet vermektedir. Araştırmacı olarak sizler de bu ortam ve imkândan yararlanabilirsiniz. TRUBA’da küme biçiminde de iş çalıştırılabilmektedir. TRUBA altyapıda SLURM kuyruk yöneticisini kullanmaktadır. Kuyruğa nasıl iş gönderileceğini öğrenmek ya da TRUBA’nın kullanımı hakkında detaylı bilgi edinmek için http://wiki.truba.gov.tr bağlantısını kullanabilirsiniz.

TRUBA’yı Kullanmak İçin Yapmanız Gerekenler

  1. Öncelikle http://www.truba.gov.tr/uyelik/uyelik.php bağlantısı üzerinden sisteme kayıt olmanız gerekmektedir. İlgili web sayfasında sizden çalıştığınız kurum ve kullanmak istediğiniz çalışma ortamı (kullanmak istediğiniz yazılımlar) hakkında bilgiler istenilmektedir. Bilgileri doldurup sisteme kayıt olduğunuzda talebiniz ilgili birime incelenmek üzere gönderilecektir.
  2. Talebiniz uygun görüldüğü takdirde kayıt olurken bildirmiş olduğunuz e-posta adresi vasıtasıyla sizden nüfus cüzdanı ya da sürücü belgenizin ve çalıştığınız kuruma ait kimlik belgenizin bir kopyasını grid-teknik@ulakbim.gov.tr e-posta adresine iletmeniz istenmektedir. Bu adımı da gerçekleştirdikten sonra kullanıcı hesabınız açılacak ve sunucu erişim bilgileriniz kayıtlı e-posta adresinize gönderilecektir.
  3. TRUBA hesabınız açıldı. TRUBA’ya bağlanmak için iki yol var. Birincisi TRUBA’ya bağlanmak için statik bir IP’yi TÜBİTAK’a iletmek. Bu bilginin size gelen e-postada da yazıyor olması gerekir. Kurumunuzun size sağladığı statik IP’yi E-posta içerisindeki bağlantıya tıklayarak TÜBİTAK ULAKBİM’e iletiyorsunuz, onlar da gerekli izini veriyor. Bundan sonrası normal ssh bağlantısı şeklinde.
  4. Statik IP verme imkânınız yoksa TRUBA’ya bağlanmak için ikinci yol VPN (Sanal Özel Ağ) kullanarak bağlanmaktır. OpenVPN programı kullanarak bu ağa bağlanabilirsiniz. OpenVPN kullanmak için TRUBA CA tarafından onaylanmış kullanıcı sertifikasına sahip olmanız gerekmektedir. Sertifikayı oluşturabilmeniz için sunucu erişim bilgilerinizin gönderildiği e-postadaki talimatları izlemelisiniz. Sertifikayı oluştururken Web Tarayıcı olarak Mozilla Firefox kullanmanız ortaya çıkabilecek hataların en aza indirgenmesini sağlayacaktır. Talimatları izleyerek sertifika başvurusunu gönderdikten sonra sertifikanız size yine e-posta aracılığıyla ile gönderilecektir. Sertifikayı bilgisayarınıza indirdikten sonra http://wiki.truba.gov.tr/index.php/OpenVPN_Baglantısı bağlantısından işletim sisteminize uygun olan talimatları uygulayarak OpenVPN programını kurmalısınız. Ardından sisteme bağlanabilirsiniz.

TRUBA altyapısı kullanılarak gerçekleştirilen çalışmaların sonucunda ortaya çıkmış olan yayınlarda TRUBA altyapısının katkısı belirtilmelidir.

Next Minix Amigo HD Uydu Alıcı Güncelleme

next-minix-hd-amigo-full-hd-sat-receiver-usb-iptv-lan-kartenleser-apps

Bugün bayadır güncelleme yapmadığım Next Minix Amigo HD uydu alıcımı güncelledim. Aşamaları ve karşılaştığım problemleri buradan paylaşacağım.

Öncelikle ne olur ne olmaz düşüncesiyle mevcut kanalları USB belleğe yedeklemek istedim. Bu amaçla 16 GB USB belleği uydu alıcıya taktım. Güncelleme > USB’den güncelleme‘yi seçtim. Daha sonra Kanalları Yedekle‘yi seçtim. Bu esnada bilinmeyen disk dosya sistemi hatasıyla karşılaştım (hata, checking partition please later şeklinde de olabilir) ve yedekleme gerçekleştirilemedi. USB’nin dosya formatından olabilir düşüncesiyle dosya formatını kontrol ettim. Dosya formatı doğru biçimde, FAT32 formatındaydı. Belki USB belleğin boyutu büyük gelmiştir düşüncesiyle 8 GB farklı bir USB bellekte aynı işlemi gerçekleştirdim ve bu kez yedek alındı (Sorun ya USB belleğin boyutunda yada kendisindeydi).

Daha sonra USB belleği bilgisayara takıp yedeği bilgisayara attım. Next Minix Amigo HD uydu alıcının web sitesine girerek yazılım ve kanal listesi dosyalarını inceledim. Sağolsun Next’in desteği bu konuda çok iyi. Sürekli güncellemeler geliyor. Siteyi incelediğimde güncel kanal listesinin, güncel yazılımdan daha eski olduğunu gördüm. Bu durumda sadece yazılımı güncellemenin hem yazılımı hem de kanal listesini güncelleyeceğini düşünerek, güncel yazılımı indirdim ve USB belleğe attım. Uyduya belleği takıp yine Güncelleme > USB’den Güncelleme seçeneğini seçtim. Belleğe attığım güncel yazılımın üzerine gelip OK tuşuna bastım. Güncelleme başladı bir dakika kadar sürdükten sonra uydu güncel bir şekilde yeniden başladı. Hem yazılım hem de kanal listesi düşündüğüm şekilde güncellendi. Kanal listesinin sıralı olması da ayrıca güzel oldu diyebilirim.

Yalnız güncellemede sanırım radyo kanalları bulunmuyormuş, ben ekstra olarak sadece TÜRKSAT radyo güncellemesini yaptım ve sırasını değiştirmek istediğim kanalların sırasını değiştirdim.

Ürünün güncelleme desteğinin güzel olmasından dolayı bu ürünü uydu alıcısı almak isteyenlere tavsiye ediyorum.

eskisehir escort eskisehir escort porno porno izle
porno izle