Hani bilgisayar bilimi okuyoruz ya. Madem Data Science gibi kavramlar da yaygınlaşıyor. İtalya’daki caselerin artış grafiğine curve fit edip, önümüzdeki günlerde neler olabilir bir bakalım.

Curve fit edeceğimiz veri aşağıda resimle gösterilmiştir:

Öncelikle aşağıdaki sayfadan İtalya’nın verilerine erişelim: https://www.worldometers.info/coronavirus/country/italy

1. Orada “Total Coronavirus Cases in Italy” başlıklı grafik üzerinde çalışacağımızı varsayalım.

2. Sayfanın üzerinde sağ tuş —> sayfa kaynağını görüntüle diyelim. CTRL+F arama tuş kombinasyonu ile “Total Cases” diye aratalım.

1. Şimdi Python tarafına geçelim. Anaconda Python 3.7 ve Jupyter notebook kurulu olduğunu varsayarak işlemlere devam edelim. Eğer yoksa bunları 5-10 dakika içinde kuralım.

2. Aşağıdaki resimlerde adım adım açıklama bulunmaktadır. Onlara bakalım:

Öncelikle gerekli kütüphaneleri ekleyelim

# bu kütüphane np kısaltmasıyla bütün data işleri için
import numpy as np

# bu kütüphane grafik çizdirmek için
import matplotlib.pyplot as plt

xAxis ve yAxis verilerini site kaynağından kopyalayalım

x_data = ["Feb 15","Feb 16","Feb 17","Feb 18","Feb 19","Feb 20","Feb 21","Feb 22","Feb 23","Feb 24","Feb 25","Feb 26","Feb 27","Feb 28","Feb 29","Mar 01","Mar 02","Mar 03","Mar 04","Mar 05","Mar 06","Mar 07","Mar 08","Mar 09","Mar 10","Mar 11","Mar 12","Mar 13","Mar 14","Mar 15","Mar 16"]

y_data = [3,3,3,3,3,4,21,79,157,229,323,470,655,889,1128,1701,2036,2502,3089,3858,4636,5883,7375,9172,10149,12462,15113,17660,21157,24747,27980]

x_data = np.arange(1, len(y_data)+1) # x_data'yı 1 .. 31 şeklinde artan gün sayılarına çeviriyoruz.

plt.figure(figsize=(20, 6)) # plot boyutunu 20,6 olacak şekilde seçtim
plt.scatter(x_data, y_data, color='red') 

Data’ya oturtacağımız test fonksiyonunu belirleyelim (tabiki üstsel yani exp)

from scipy import optimize

def test_func(x, a, b):
    return a * np.exp(b * x)

params, params_cov = optimize.curve_fit(test_func, x_data, y_data)

print("Exponential funcion coefficients:") 
print(params) 
print("Covariance of coefficients:") 
print(params_cov) 

Exponential funcion coefficients:
[120.02529489   0.17731157]
Covariance of coefficients:
[[ 1.28120792e+02 -3.69039274e-02]
 [-3.69039274e-02  1.07314988e-05]]

optimize.curve_fit() fonksiyonunun bize verdiği params[0] ve params[1] parametrelerine sırasıyla $a$ ve $b$ diyecek olursak genel denklemimiz:

\(ans = a * e^{(b*t)}\) olur (t gün cinsinden zamandır)

ans = (params[0]*(np.exp(params[1]*x_data))) 

dolayısıyla genel denklemimiz (İtalya için): \(120 e^{(0.17 * t)}\) şeklindedir.

t=10 için

120 * np.exp(0.177 * 10)

704.5024033659122

t=20 için

120 * np.exp(0.177 * 20)

4136.030302902886

t=32 için

120 * np.exp(0.177 * 32)

34595.94448576838

Sıkı durun t=35 için

120 * np.exp(0.177 * 35)

58834.9733997621

ans içinde tutulan curve ile orjinal data’yı aynı yerde plot edelim

plt.figure(figsize=(20, 6))
plt.scatter(x_data, y_data, color = 'red', label='Data')
plt.plot(x_data,  ans, '--', color ='blue', label='Fitted function')

plt.legend(loc='best')

plt.show()

Elimizde 31 günlük veri mevcuttu. Bu verilere oturttuğumuz curve ile:

t=35 için yani 35. gün için case sayısı çok korkutucu 58.834. Umarım öyle olmaz, ama istatistik böyle diyor.

Son olarak:

Yazımın sonuna geldik. Ödev olarak size bunun Türkiye ya da başka bir ülke versiyonunu yapmanızı tavsiye ederim. Eğer hiç numpy vs. tecrübeniz olmamışsa mutlaka uğraşıp elinizi kirletin. Türkiye olarak sonuçlar ürkütecek olsa da tedbiri elden bırakmayarak bir miktar belki sonuçları curve dışına itebiliriz. Allah ya da tanrı ya da neyse yardımcımız olsun…

Referanslar

• https://mehmet-akif-akkus.gitbook.io/numpy-ile-veri-bilimi/ozel-diziler
• https://jupyter.brynmawr.edu/services/public/dblank/Jupyter%20Notebook%20Users%20Manual.ipynb
• http://scipy-lectures.org/intro/scipy/auto_examples/plot_curve_fit.html
• https://www.geeksforgeeks.org/scipy-curve-fitting/
• https://tr.khanacademy.org/math/algebra2/exponential-growth-and-decay-alg-2
• https://idari.cu.edu.tr/sanli/matikt1-5.pdf
• https://www.digitalocean.com/community/tutorials/how-to-crawl-a-web-page-with-scrapy-and-python-3

Programlama dili geliştirirken karşımıza çıkan en temel öğelerden birisi ayrıştırıcı yazımıdır. Bildiğiniz üzere programlama dilini yazı tabanlı geliştiriyoruz çoğunlukla (scratch gibi blok tabanlı diller de mevcuttur). Yazdığımız kodun hatalı olup olmadığının denetlenmesi ayrıştırıcının sorumluluğundadır.

Parse Tree (Ayrıştırıcı Ağacı) nedir?

Ayrıştırıcılar genellikle parse tree adını verdiğimiz ayrıştırma ağacı kuralları yazarak oluşturulur. En temel manada örnek vermek gerekirse, bunu cümlelerin nasıl oluştuğundan hareketle anlatabiliriz:

En basit Türkçe gramer

Cümle = özne yüklem

Evet, gördüğünüz üzere Türkçe cümle ifadeleri sırasıyla özne ve yüklemin arka arkaya gelmesinden oluşur. Peki yazdığımız bu ayrıştırıcı kuralına uyan bir kaç cümle örneği verelim:

Ali geldi.

Ahmet gidiyor.

Biraz daha karmaşık hali

Tabi her Türkçe cümlenin bu kadar basit ifade edilmediğini içinizden geçirdiğinizi duyar gibiyim. Biliyoruz ki; çok daha karmaşık cümleler kurabiliriz ve yazdığımız ayrıştırıcı ağacı bunlarında kontrolüne imkan sağlamalıdır. Hadi şimdi yeni bir gramer belirleyelim:

cümle = özne tümleç yüklem

Evet yeni gramerimiz öncekine ek olarak tümleç adı verilen konum, zaman gibi ifadelerin belirtiği ek dil ögelerini de içlerinde barındırırlar. Şimdi de bu ayrıştırıcı kuralına uyan örneklere bakalım:

Ali sinemaya gidiyor.

Ali otobüsle gidiyor.

Ali sabah gidiyor.

Birden fazla tümleç kullanmak istesek

Şu ana kadar geldiğimiz noktada özne, tümleç ve yüklemden oluşan basit bir gramerimiz var. Peki bu gramer şu cümlenin doğruluğunu test edebilir mi?

Ali sinemaya sabah gidiyor.

Malesef yapamaz, çünkü örnek cümlemiz 2 tane tümleç içermektedir. Cümleler doğası gereği hiç tümleç içermeyeceği gibi, bir, iki, üç hatta beş tümleç de içerebilir. Dolayısıyla yazdığımız ayrıştırıcı kuralı bütün bunları kapsayıcı olmalıdır. İşte tüm bu varyasyonları içermek üzere:

tümleç*

Ifadesini kullanıyoruz. Bu hiç olmayadabilir bir den fazla defa da bulunabilir anlamına gelmektedir. Dolayısıyla yukarıda verdiğimiz örnek ve aşağıdaki örnek cümleler artık gramer tarafından test edilebilir olacaktır:

Ali sinemaya akşam arabayla gidiyor

Şimdi tüm bunları deneyebileceğiniz, grameri yazılmış deneme sitesini şurada bulabilirsiniz:

See the Pen Simple Turkish Parser by Mehmet Akif AKKUS (@mehmetakifakkus) on CodePen.

Referanslar:

1- http://matt.might.net/articles/grammars-bnf-ebnf

2- https://codepen.io/mehmetakifakkus/pen/RgRVLB

3- https://codepen.io/mehmetakifakkus/pen/YQWaWB

Öncelikle Yazıyı Temel Parçalarına Ayırabilmeliyiz

Bu Temel Parçalar Makinaya Tane Tane Anlatılmalı

Örnek Çok Basit Programlama Dili (Manav Dili)

Referanslar:

1- https://history-computer.com/ModernComputer/Software/Plankalkul.html 2- https://mehmetakifakkus.github.io/2017/09/05/yeni-baslayanlar-icin-programlama-dili-gelistirme-basit-turkce-ayristirici-parser.html

See the Pen Infix to postfix by Mehmet Akif AKKUS (@mehmetakifakkus) on CodePen.

See the Pen Sample Binary Tree by Mehmet Akif AKKUS (@mehmetakifakkus) on CodePen.

Programlama ile uğraşan hemen hemen herkes yazdığı kodları bir şekilde sürümlüyor. Git alternatifleri arasında (SVN, Autodesk Vault vb.) meşhur olanı. Github ise git ile versiyonladığınız kodlarınızı çevirimiçi olarak saklayabildiğiniz bir bulut hizmeti. Hemen hemen bütün meşhur kütüphanelerin bir Github adresi bulunuyor (Bootstrap, Node.js, JQuery, Ruby on Rails gibi).

Github varsayılanda çevrimiçi dosyalarınızı halka açık (ing. public) olarak tutuyor. Özel (ing. private) saklamak istedikleriniz için aylık sabit bir ücreti ödemek durumundasınız. Dosyalarımızın Github tarafından halka açık olarak tutulabiliyor olması bize bu dosyalara her an herkesin ulaşabileceği anlamına geliyor ve işte güzel haber! Madem böyle, sakladığımız dosyalar eğer web dosyaları olursa Github hesabımızda bir web sitesi barındırabiliriz. Hem de ücretsiz! Normalde en basit barındırma (ing. hosting) hizmeti için yaklaşık 5$ gibi bir ücreti vermek durumundasınız.

Github pages adını verdiği bir hizmet ile durağan (ing. static) sayfalar barındırmanıza izin veriyor. Hatta bunun için Jekyll adı verilen durağan sayfa üreticisi uygulamayı kendisine entegre etmiş. Jekyll markdown adı verilen yazma stilini kullanıyor. Yani siz belirli kurallar dahilinde yazdığınız markdown formatındaki dosyanıza karşılık gelen html kodu otomatik olarak Jekyll tarafından üretiliyor. Şöyle bir örnek verelim:

Daha fazla markdown örnekleri için şu sayfaya göz atabilirsiniz. Gördüğünüz gibi html yazmaktan çok daha daha kolay.

Jekyll belirli bir dizin yapısında verdiğiniz dosyaları gayet güzel bir blog sayfası olarak gösterebiliyor. Şimdi sizi çok detaya boğmak istemiyorum. Çalışan bir blog safyası kod dizini şu şekilde oluyor. Çalışan ön izlemesi de böyle. Blog sayfasındaki her bir ana sekme burada bir dizin içerisinde tutulmuş. Blog yazıları blog dizininde bulunuyor. Kendim yeni bir Github Blog’una https://mehmetakifakkus.github.io adresinde başladım. Projelerimi açıklamak ve yaptıklarımla alakalı insanları bilgilendirmek için kullanıyorum şimdilik.

Eğer hızlıca başlamak ve yukarıdaki şablonu kullanmak isterseniz hemen bu link’teki dosyaları indirebilir ve kendi isteğinize göre değiştirip git kaynağı (ing. repository) haline getirip Github’a yükleyebilirsiniz. İlgili yönergeler yukarıdaki önizlemede blunuyor.

Blog sayfanız hayırlı olsun. İyi yazmalar!

First one is restoring damaged parts of the old pictures due to the folding. Secondly, the other area is extracting the unwanted objects on an image. For example, in order to avoid children from envy at cigarette, blurring the cigarette parts of an image is not sufficient. However. if we take the cigarette pixels as inpainting domain, we can easily remove it from image only by diffusing the surrounding pixels to the inpainting domain pixels.

Scope Definition

The scope of this article is giving the methods of the inpainting which is taken from three inpainting papers, and giving the implementation details of the paper of Bornemann and Ma ̈rz. The materials that we have used to apply this method are an original image with m x n pixels and the scratch image including the inpainting domain defined by 0-valued pixels and the data domain defined by the 1-valued pixels, and this scratch has also the same pixel size with the original image.

The Problem Definition

As we have mentioned at the introduction part, the image inpainting is such an interpolating problem that it is achieved by diffusing the information of the data pixels to the inpainting domain pixels.

The most important thing while interpolating is the selecting the most important data domain pixels which affects the inpainting domain pixels more than the other surrounding pixels. At the paper that we have encountered, there are several approaches to this problem. However, there are some papers whose main goal is to reduce the complexity of the code in order to reduce the execution time. Therefore, the quality of the output image is insufficient for these methods. As you can easily see, there is an inverse proportion between the quality of an image and the execution time of the code. The question in our main paper that we have utilized (implemented) is how can we obtained (restored in a plausible way) relatively high quality image, while reducing the execution time.

The Methods We Used

First of all, we want to give the brief information about the methods. The first method is visiting the inpainting domain pixels in ordered manner, and calculate the intensity of the pixel. The robust property of this method is its speed, because, we visit the pixels only once, this means that if there are n pixels in inpaiting domain, the method calculates the same method for n times. The other method is that iterating each pixel of the inpainting domain until the energy converges to its stable state, namely global minimal. The robust feature of this procedure is the high qualitative result of output images. Nevertheless, the weak side is speed, since, including the previous assumption if each inpainting domain pixels are iterated average $m$ times, then the total calculation is $m x n$.

teleasmethod If we come to our main paper written by Bornemann, the method uses the high speed features of the first method and the high quality feature of the second method. In order to give a detailed information of these approaches, we would like to give the notations of the terms that we have used along this report.

$\Omega$ is the image domain $D$ is the inpainting domain $\Omega \backslash D$ is the data domain $\partial \Omega$ is the inpainting boundary which is the closest pixels to the data domain $B_{\epsilon, h}(x_k) = {y \in \Omega_h : |y - x| \leq \epsilon}$ is the neighbourhood pixels inside the radius $\epsilon B^ <{\epsilon, h}(x_k) = B{\epsilon, h}(x_k)$ is the neighbourhood pixels inside the radius \epsilon which are in data domain.

First of all, we think the surrounding pixels in data domain as neurons which excite the neuron which is the current inpainting pixel.

Before calculation, we order the inpainting domain pixels according to the distances from the closest data domain pixel. After calculation of this we start to visit these pixels in ordered manner. it means that we visiting an painting the pixels like peeling. In other words, we start from the outermost part of the inpainting domain to the innermost skeleton part. While doing this operation, we calculate the $\mu(x)$ and $\vec{c}(x)$ functions which are unknown elements of equation 5. In order to reduce the computational complexity, we only calculate once for each lattice or boundary of inpainting domain.

Algorithm

vector calculation is a bit complex when compared with the calculation of . For this process, we apply the Weickert’s structure tensor method [2]. In order to clarify better, we would like to show the procedure steps one by one:

First of all we apply Gaussian filter to the image with the \sigma value. See Equation 1 (1) \begin{equation} u_\sigma = K_\sigma \star u \end{equation}

We take the gradient of an image. We take the pixels of data domain from the gradient image. For each pixel at the neighbourhood of the inpainting domain pixels, we calculate the structure tensor matrix being the symmetrix positive semidefinite 2 x 2-matrix. See Equation 2 (2) \begin{equation} J_p(\nabla u_\sigma) = K_\rho \star ({\nabla u_\sigma}^\top \otimes \nabla u_\sigma) \end{equation}

We find the eigen vectors of the structure tensor matrix corresponding eigenvalues. These eigenvectors show the direction of the edge with respect to different orientations. The most significant direction is our coherence direction, so we attain the eigenvector, which shows the coherence direction to thed \vec{c}(x) . See Equation 3. (3) \begin{equation} \vec{c}(x_k) = \vec{w}(x_k) \end{equation}

In order to attain the value of the closest pixels into the inpainting pixels to the outermost pixels of the inpainting domain, we created a method that we apply vector multiplication between \vec{c}(x) and x - y which is the direction vector of the inpainting domain (Equation 4), and we find the most significant c c value for each inpainting pixels, because, if there is an edge entering the inpainting domain, then the most affected pixels are at the direction of the edge. (4) \begin{equation} \vec{c}(x_k) = \operatorname{arg\,max}{\substack{ \vec{v} \in \vec{w}(y) \ y \in B^<{\epsilon, h}(x_k) }} (|\vec{v}(y) . (x - y)|) \end{equation*}

We calculate the weight function for each inpainting outermost domain pixels by using Equation 5. (5) \begin{equation} w(x, y) = \sqrt{\frac{\pi}{2}} \frac{\mu(x)}{|x - y|} e^{- \frac{\mu^2(x)}{2 \epsilon^2} |\vec{c}^\perp(x) . (x - y)|^2} \end{equation}

We inpaint the pixel with respect to Equation 6. (6) \begin{equation} u(x_k) = \frac{\sum_{B^<_{\epsilon, h}(x_k)} w(x_k, y) . u(y)}{\sum_{B^<_{\epsilon, h}(x_k)} w(x_k, y)} \end{equation}

Results and Discussion

In this programming project Bornemann et. al.’s study named “Fast Image Inpainting Based on Coherence Transport” was implemented. This study consists modified type of two other inpainting technique. One of them is Telea et.al’s [5] and the other one is Bertalmio et. al.’s study [1].

In the following part, the difference Telea’s method and Bornemann’s method will be compared in terms of output quality and complexity. Then Bornemann’s result will be examined with several different parameters. Since we did not implement Bertalmio’s algorithm and could not find it on the internet we could not address it in comparisons. Nevertheless, we expect that Bornemann’s method faster than Bertalmio’s method and can produce results as plausible as Bertalmio does.

While implementing this method, first Telea’s method is implemented since Bornemann’s study basically utilizes Telea’s method with modifying its weight function such that it preserves edges.

Telea’s method produces peculiar results when compared to Bornemann’s method. Sample images that restored using Telea’s and Bornemann’s method can see on our test image on Figure ??. Restoration of our test image can show that Bornemann’s coherence transport-like inpainting is much better than Telea’s method. Because Telea is just doing averaging and transporting pixel data, therefore result is seen peculiar, especially image points where inpainting domain occludes edges. In other images Figure ??, ??, ??, these differences on edges can be see clearly.

Zaten bir GitHub hesabınız varsa bunu denemeniz için size haklı bir kaç neden saymak istiyorum.

• Dosyalarınız diğer bütün dökümanlarınız gibi GitHub üzerinde tutuluyor. Hosting için para harcamıyorsunuz.
• Ara ara çıkan plug-in güncellemeleri, wordpress güncellemeleri gibi işlerle uğraşmıyorsunuz.
• Veri tabanı ihtiyacınız yok.

Hakkaten düşündüğümüzde hepsi hepi topu bir kaç sayfalık postlar için kocaman bir MySql veri tabanı kurmaya mı gerek var? Hayır. Veya sosyal medya paylaşımları için bir ton plug-in mi kurmalıyım? Hayır. Peki ya okuyucu yorumları için de mi kurmam gereken bir şeyler var? Hayır. Bahsettiğim bütün bu şeyler için bir database kurulu olmasına ve PHP çalışmasına gerek yok. Yazdığımız text dosyaları bizin veri tabanımız olurken, Html dosyalırının render edilmesini ise Jekyll halledecek.

Farklı bir YLSY yazısı ile karşınızdayım. Sözlü mülakat ile alakalı bir yazımı yine kendi blogum üzerinden paylaşmıştım hatırlarsanız. 28 Ekim Çarşamba günü MEB YLSY ofisi yetkilileri bir toplantı düzenledi. Her ne kadar birbirini tekrar eden gereksiz sorular olsa da toplantının sonuna kadar dinleyip çok değerli bilgiler de edindim diyebilirim.

Harun Karcı ve Semih Aktekin beyfendiler sabırla yaklaşık 4 saat boyunca bir kısmı hakkaten gereksiz, tekrarlı sorulara usanmadan sabırla cevap verdiler. Kendilerine bu anlamda teşekkür ediyorum.

Toplantıyı süzüp özetlemek gerekirse, bir kaç madde halinde:

1. Son 10 senede büyük bir çoğunluğu olmak üzere, 1929 yılından beri çok sayıda insan bu bursla yurtdışında okumuş ve şu an rektörlük, rektör danışmanlığı gibi yüksek seviyeli görevler de dahil olmak üzere bir çok saygın insan üretmiş bu program. Orta ve düşük gelirli vatandaş olarak bizlerin yurtdışı eğitimi alması için biçilmiş kaftan.
2. MEB kesinlikle aldığı kararları öğrenci lehinde almakta. Kolay kolay kimseyi tazminat ödeyecek duruma getirmek istememekte. Anladığım kadarıyla zorla kaşınmadığımız ve programı suistimal etmediğimiz sürece iyi niyetliler. Toplantıda bu yönde örnekler verildi. Örneğin, eşlerin dönüşte aynı üniversitede yer alabilmeleri kolaylığı, yurtdışına aynı ya da yakın üniversiteye normalde listede olmamasına rağmen gidilebilmesi, dönünce YÖK’ün bursiyer adına kadro açması gibi.
3. MEB öğrenciden ciddiyet istiyor. Bu işe gerçekten gönül vermiş, akademik kariyer yapmak konusunda kararlılık ve hatta gözü karartmışlık gerekiyor. Ya hele bi gidelim, bi bakalım olmazsa geri döneriz gibi küçük bir kararsızlık bu burs programında affedilecek cinsten değil. Zaten baktığımızda araştırmanın ne demek olduğunu bilen az çok yüksek lisans yapmış kişilerin programda epeyce var olduğunu görebiliyoruz.
4. En üst seviyeli üniversitelerde eğitim alınması amaçlanıyor. Dünya sıralaması ilk 500 üniversite olması için ısrar ediliyor. Hatta bir ara ilk 100, ilk 10 olsun denildi. Kişi başı verilen yüzbinlerce dolar olunca, böyle bir istek normal doğrusu. Not: Bu arada gidilen üniversitenin ilk 500 de yer almaması durumunda o ülkede en iyiler arasında olması da diğer bir opsiyon.
5. Bir çok konuda esneklik, kolaylık var: Örneğin 1) tarihler çok esnek, dil puanınız varsa ve kabul aldıysanız hemen ilk kafile ile yurtdışına çıkabilirsiniz (soruya bir kaç parmak kalkmıştı). 2) Dil kursuna illa ki MEB organize ettiği programa katılmak zorunda değilsiniz, kendi imkanlarınızla istediğiniz yerde azami süreler içinde puanınızı elde edebilirsiniz. 3) Yeriştirebileceğinizi düşünüyorsanız yüksek lisans tez aşamasında iken yüksek lisansı bitirmiş gibi direk doktoraya başvurabilirsiniz. 4) Programdan hangi aşamada ayrılırsanız o zamana kadar aldığınız reel bursları ödemekle yükümlüsünüz, senetteki değil, 5) Kadrolar YÖK tarafından garantili, döndüğünüzde adınıza kadro açılıyor, böylece kısa bir süre içinde kadronuza atanıyorsunuz.
6. Bazı yasaklar da var elbette: 1) Üniversite adına gidiyorsanız mutlaka doktorayı bitirin dönmelisiniz. 2) Haber vermeden gittiğiniz ülkeden ayrılamazsınız. Belli bir süreden fazla Türkiye’de kalınca örneğin burslar yurtiçi bursu olarak güncelleniyor.

Program şu tarz kişiler için uygun değil:

1. Yurtdışına gitmeyi “cool” 🙂 gören, “biraz da oraları bir görelim, boş zamanlarımızda gezeriz farklılık olur” şeklinde düşünenler (elbette gezilir görülür ama, hiç zaman bulamayan arkadaşlarım var),
2. Kitap okumayı, bir şeyler karalayıp yazmayı hayat tarzı olarak benimseyememiş, “doktora bu bi şekilde hallederiz, yapılır” şeklinde doktorayı gören,
3. Mesai saati dışında da çalışmayı kabullenemeyen,akademisyenliği sadece geçim sağlayacak bir iş olarak gören,

kişiler maalesef bu programda keyif alamayan, zorla azami sürede eğitimini tamamlayan ve zorunlu hizmetini de istemeye istemeye yapan kişilere dönüşüyor. Toplantıyı düzenleyen hocalarımın ve az çok akademik kariyerinde 4 seneyi geride bırakmış biri olarak benim görüşüm bu şekilde. (Yarıda bırakıp gelen arkadaşım var)

İnsanın kendisini iyi tanıması, ayrıca iyi bir gözlemci olması gerekli sanırım. Çünkü çalışacağınız hocayı, hassas yanlarını, önemsediği şeyleri de göz önünde bulundurmak gerekiyor. Hele muhatabınız sizinle aynı dili konuşmayan biriyse. (Bu arada yüksek lisans mezunu, doktora ortasında birisiyim, yabancı insanlarla da çalıştım).

Niyetim umut kırmak, can sıkmak değil, inanıyorsanız başarırsınız.

Toplantı ile alakalı bir kaç şeyden söz etmek gerekirse:

• Alanı ile alakalı uzman kişilerin MEB’dan gelmeleri ve özel sorulara anında cevap vermeleri nadir rastlanır bir durum gerçekten. Çok iyi düşünülmüş. Program oturaklaştıkça, seneden seneye değişmez bir hal aldıkça, çok gerekli olmayacak bir durum olduğunu tahmin ediyorum.
• Toplantı istatistiki bilgilerle dolu bir sunum eşliğinde yapılsa ve iletişim bilgilerini de içeren bu sunum insanlarla YYEGM sayfası üzerinden paylaşılsa çok daha iyi olurdu. İnternette yaptığım küçük bir araştırma ile konuyla alakalı SSS (Sıkça Sorulan Sorular) maalesef MEB sitesi yerine bloglar oluyor. Bu arada YLSY SSS isimli sitede toplantıda sorulan azımsanmayacak kadar soruya cevap verilmiş olduğunu görebilirsiniz.
• Gereksiz yere bir çok kişinin kendi durumu ile alakalı özel soruları yaklaşık 500 kişinin vaktini alacak şekilde sorması açıkcası çok da iyi olmadı. Ne yazık ki okumaya vakit ayırmayan (kılavuz, yönetmelik, belki 2 saat sürecek bir okumadan bahsediyoruz) bazıları 4 saatlik toplantıyı ve uzak şehirlerden gelmeyi çok yerinde bulmuş.
• Bütün bunlara rağmen kesinlikle yapılması gerekli bir toplantıydı. Çünkü çok kimseler çok araştırma yapmadan gelmişti. Ayrıca, sık değişen yönetmelik ve belirsiz bir çok durum birinci ağızdan bilgi almayı gerekli kılıyordu.

Toplantıyı düzenleyen özverili kişilere ve yazımı okuma zahmetinde teşekkür ediyorum. Yanlış yazdıysam lütfen beni uyarın ve affedin. Esen kalın! Mehmet Akif AKKUŞ

—————————

Toplantı ses kaydı: download (Bahadır Can Gündüz)

Toplantıda paylaşılan MEB uzman yardımcılarına ait mail adresleri: (Tanyel Baykut)

1. İngiltere (Üniversite ve kamu kurumları adına gidecek bursiyerler için) Taner KUZUCU Milli Eğitim Uzman Yardımcısı tkuzucu@meb.gov.tr
2. Ülke/Bölge Çalışmaları Ferhat KARATAŞ Milli Eğitim Uzman Yardımcısı fkaratas@meb.gov.tr
3. A.B.D. (Ülke/Bölge Çalışmaları ve MEB adına gidecek bursiyerler hariç) Hüseyin AKSU Milli Eğitim Uzman Yardımcısı aksuh@meb.gov.tr
4. Diğer Ülkeler (Ülke/Bölge Çalışmaları ve MEB adına gidecek bursiyerler hariç) Koray SUBAŞI Milli Eğitim Uzman Yardımcısı koraysubası@meb.gov.tr
5. Yalnızca MEB adına gidecek kişiler için (Tüm ülkeler) Mehmet Zaki APAYDIN Milli Eğitim Uzman Yardımcısı mzapaydın@meb.gov.tr