![urazdev's tweet photo. #Python ile etkisinde kaldığımız bir filmin konusuna benzer bir film önerelim bu gece için kendimize. Bunu nasıl yapabiliriz? Onlarca tavsiye sistemi mevcut.
Bir yol Kosinüs Benzerliği (Cosine Similarity) olabilir.
Kosinüs benzerliği, metin madenciliği ve doğal dil işleme gibi alanlarda kullanılan bir benzerlik ölçüsü olup iki vektör arasındaki açıyı ölçerek bu vektörlerin ne kadar benzer olduğunu belirler. Metin madenciliği bağlamında bu vektörler genellikle metinlerin kelime dağılımlarını temsil eden vektörlerdir ve aşağıdaki formülle hesaplanır.
Bir örnek yapalım. Aşağıdaki gibi iki tane cümle olsun.
* They placed an order for 500 Airbus aircraft.
* They will place an order for 500 Boeing aircraft.
Bu iki cümle ne kadar benzerdir? Hesaplayalım.
Benzersiz kelimeler: they, placed, an, order, for, 500 airbus, aircraft, will, place, boeing.
Stop word'leri de bu örnek için dahil edelim. Bunlar bir dilde çok kullanılan ama etkisiz kelimelerdir.
İlk cümle için vektör şöyle olacak: [1,1,1,1,1,1,1,1,0,0,0]
İkinci cümle için vektör şöyle olacak: [1,0,1,1,1,1,0,1,1,1,1]
Yani, içeriyorsa 1; içermiyorsa 0.
Pay kısmında nokta çarpım yapacağız. (1*1 + 1*0 + ... + 0*1) gibi. Payda kısmında ise her iki vektörde bulunan değerlerin (ayrı yapılacak) karelerini toplayıp karekökünü alıyoruz. Sonra her iki sonucu da çarpıyoruz. İlk vektör için (1^2 + ... + 0^2); ikinci vektör için (1^2 + ... + 1^2) gibi. Bunların karekökleri alınıp çarpılacak. Sonra payı paydaya bölüyoruz. Yaklaşık 0.71 gibi bir değer çıkacaktır. Vektör benzerliği 1'e yaklaştıkça artar.
Python'da ise aşağıdaki gibi yapılıyor.
Uygulama için Kaggle'dan aşağıdaki veri setini (8K'dan fazla en çok oy alan IMDB filmleri) indirebiliriz.
https://t.co/8w0HZ1piWO
Veri setindeki "title" ve "overview" kolonları yeterli olacaktır.
Kodun odak noktası aşağısıdır.
`TfidfVectorizer`: Belirli bir metin belgesindeki kelimelerin TF-IDF vektörlerini oluşturan bir sınıftır. 'english' parametresi, İngilizce stop-word'leri (etkisiz yaygın kelimeler) kaldırmak için kullanılır.
TF-IDF, "Term Frequency-Inverse Document Frequency" teriminin kısaltmasıdır. Bu, bir belge içindeki bir kelimenin önemini belirlemek için kullanılan istatistiksel bir ölçüdür. TF-IDF, bir kelimenin bir belgedeki sıklığını (TF) ve tüm belgelerdeki sıklığını (IDF) birleştirerek belgenin içeriğindeki önemini belirlemeye çalışır.
`fit_transform`: Metin belgesindeki kelimeleri işleyerek TF-IDF matrisini oluşturur.
* `cosine_similarity`: TF-IDF matrisini kullanarak belge benzerliklerini kosinüs benzerliği ile hesaplar.
* `cosine_sim`: Belgeler arasındaki benzerlik skorlarını içerir.
Sonrası bildiğimiz şekliyle nihai DataFrame'i oluşturmak.
En iyi eşleşme:
Seven Years in Tibet: Austrian mountaineer, Heinrich Harrer journeys to the Himalayas without his family to head an expedition in 1939. But when World War II breaks out, the arrogant Harrer falls into Allied forces' hands as a prisoner of war. He escapes with a fellow detainee and makes his way to Llaso, Tibet, where he meets the 14-year-old Dalai Lama, whose friendship ultimately transforms his outlook on life.
Kundun: The Tibetans refer to the Dalai Lama as 'Kundun', which means 'The Presence'. He was forced to escape from his native home, Tibet, when communist China invaded and enforced an oppressive regime upon the peaceful nation. The Dalai Lama escaped to India in 1959 and has been living in exile in Dharamsala ever since.
X'te Python postları için oluşturduğum GitHub reposundan kodlara ulaşabilirsiniz.
https://t.co/NkY0SGznNL](https://pbs.twimg.com/media/GAW_i94XQAA9Y_6.png)
![urazdev's tweet photo. #Python ile etkisinde kaldığımız bir filmin konusuna benzer bir film önerelim bu gece için kendimize. Bunu nasıl yapabiliriz? Onlarca tavsiye sistemi mevcut.
Bir yol Kosinüs Benzerliği (Cosine Similarity) olabilir.
Kosinüs benzerliği, metin madenciliği ve doğal dil işleme gibi alanlarda kullanılan bir benzerlik ölçüsü olup iki vektör arasındaki açıyı ölçerek bu vektörlerin ne kadar benzer olduğunu belirler. Metin madenciliği bağlamında bu vektörler genellikle metinlerin kelime dağılımlarını temsil eden vektörlerdir ve aşağıdaki formülle hesaplanır.
Bir örnek yapalım. Aşağıdaki gibi iki tane cümle olsun.
* They placed an order for 500 Airbus aircraft.
* They will place an order for 500 Boeing aircraft.
Bu iki cümle ne kadar benzerdir? Hesaplayalım.
Benzersiz kelimeler: they, placed, an, order, for, 500 airbus, aircraft, will, place, boeing.
Stop word'leri de bu örnek için dahil edelim. Bunlar bir dilde çok kullanılan ama etkisiz kelimelerdir.
İlk cümle için vektör şöyle olacak: [1,1,1,1,1,1,1,1,0,0,0]
İkinci cümle için vektör şöyle olacak: [1,0,1,1,1,1,0,1,1,1,1]
Yani, içeriyorsa 1; içermiyorsa 0.
Pay kısmında nokta çarpım yapacağız. (1*1 + 1*0 + ... + 0*1) gibi. Payda kısmında ise her iki vektörde bulunan değerlerin (ayrı yapılacak) karelerini toplayıp karekökünü alıyoruz. Sonra her iki sonucu da çarpıyoruz. İlk vektör için (1^2 + ... + 0^2); ikinci vektör için (1^2 + ... + 1^2) gibi. Bunların karekökleri alınıp çarpılacak. Sonra payı paydaya bölüyoruz. Yaklaşık 0.71 gibi bir değer çıkacaktır. Vektör benzerliği 1'e yaklaştıkça artar.
Python'da ise aşağıdaki gibi yapılıyor.
Uygulama için Kaggle'dan aşağıdaki veri setini (8K'dan fazla en çok oy alan IMDB filmleri) indirebiliriz.
https://t.co/8w0HZ1piWO
Veri setindeki "title" ve "overview" kolonları yeterli olacaktır.
Kodun odak noktası aşağısıdır.
`TfidfVectorizer`: Belirli bir metin belgesindeki kelimelerin TF-IDF vektörlerini oluşturan bir sınıftır. 'english' parametresi, İngilizce stop-word'leri (etkisiz yaygın kelimeler) kaldırmak için kullanılır.
TF-IDF, "Term Frequency-Inverse Document Frequency" teriminin kısaltmasıdır. Bu, bir belge içindeki bir kelimenin önemini belirlemek için kullanılan istatistiksel bir ölçüdür. TF-IDF, bir kelimenin bir belgedeki sıklığını (TF) ve tüm belgelerdeki sıklığını (IDF) birleştirerek belgenin içeriğindeki önemini belirlemeye çalışır.
`fit_transform`: Metin belgesindeki kelimeleri işleyerek TF-IDF matrisini oluşturur.
* `cosine_similarity`: TF-IDF matrisini kullanarak belge benzerliklerini kosinüs benzerliği ile hesaplar.
* `cosine_sim`: Belgeler arasındaki benzerlik skorlarını içerir.
Sonrası bildiğimiz şekliyle nihai DataFrame'i oluşturmak.
En iyi eşleşme:
Seven Years in Tibet: Austrian mountaineer, Heinrich Harrer journeys to the Himalayas without his family to head an expedition in 1939. But when World War II breaks out, the arrogant Harrer falls into Allied forces' hands as a prisoner of war. He escapes with a fellow detainee and makes his way to Llaso, Tibet, where he meets the 14-year-old Dalai Lama, whose friendship ultimately transforms his outlook on life.
Kundun: The Tibetans refer to the Dalai Lama as 'Kundun', which means 'The Presence'. He was forced to escape from his native home, Tibet, when communist China invaded and enforced an oppressive regime upon the peaceful nation. The Dalai Lama escaped to India in 1959 and has been living in exile in Dharamsala ever since.
X'te Python postları için oluşturduğum GitHub reposundan kodlara ulaşabilirsiniz.
https://t.co/NkY0SGznNL](https://pbs.twimg.com/media/GAW9MtrXoAAaHa_.png)
![urazdev's tweet photo. #Python ile etkisinde kaldığımız bir filmin konusuna benzer bir film önerelim bu gece için kendimize. Bunu nasıl yapabiliriz? Onlarca tavsiye sistemi mevcut.
Bir yol Kosinüs Benzerliği (Cosine Similarity) olabilir.
Kosinüs benzerliği, metin madenciliği ve doğal dil işleme gibi alanlarda kullanılan bir benzerlik ölçüsü olup iki vektör arasındaki açıyı ölçerek bu vektörlerin ne kadar benzer olduğunu belirler. Metin madenciliği bağlamında bu vektörler genellikle metinlerin kelime dağılımlarını temsil eden vektörlerdir ve aşağıdaki formülle hesaplanır.
Bir örnek yapalım. Aşağıdaki gibi iki tane cümle olsun.
* They placed an order for 500 Airbus aircraft.
* They will place an order for 500 Boeing aircraft.
Bu iki cümle ne kadar benzerdir? Hesaplayalım.
Benzersiz kelimeler: they, placed, an, order, for, 500 airbus, aircraft, will, place, boeing.
Stop word'leri de bu örnek için dahil edelim. Bunlar bir dilde çok kullanılan ama etkisiz kelimelerdir.
İlk cümle için vektör şöyle olacak: [1,1,1,1,1,1,1,1,0,0,0]
İkinci cümle için vektör şöyle olacak: [1,0,1,1,1,1,0,1,1,1,1]
Yani, içeriyorsa 1; içermiyorsa 0.
Pay kısmında nokta çarpım yapacağız. (1*1 + 1*0 + ... + 0*1) gibi. Payda kısmında ise her iki vektörde bulunan değerlerin (ayrı yapılacak) karelerini toplayıp karekökünü alıyoruz. Sonra her iki sonucu da çarpıyoruz. İlk vektör için (1^2 + ... + 0^2); ikinci vektör için (1^2 + ... + 1^2) gibi. Bunların karekökleri alınıp çarpılacak. Sonra payı paydaya bölüyoruz. Yaklaşık 0.71 gibi bir değer çıkacaktır. Vektör benzerliği 1'e yaklaştıkça artar.
Python'da ise aşağıdaki gibi yapılıyor.
Uygulama için Kaggle'dan aşağıdaki veri setini (8K'dan fazla en çok oy alan IMDB filmleri) indirebiliriz.
https://t.co/8w0HZ1piWO
Veri setindeki "title" ve "overview" kolonları yeterli olacaktır.
Kodun odak noktası aşağısıdır.
`TfidfVectorizer`: Belirli bir metin belgesindeki kelimelerin TF-IDF vektörlerini oluşturan bir sınıftır. 'english' parametresi, İngilizce stop-word'leri (etkisiz yaygın kelimeler) kaldırmak için kullanılır.
TF-IDF, "Term Frequency-Inverse Document Frequency" teriminin kısaltmasıdır. Bu, bir belge içindeki bir kelimenin önemini belirlemek için kullanılan istatistiksel bir ölçüdür. TF-IDF, bir kelimenin bir belgedeki sıklığını (TF) ve tüm belgelerdeki sıklığını (IDF) birleştirerek belgenin içeriğindeki önemini belirlemeye çalışır.
`fit_transform`: Metin belgesindeki kelimeleri işleyerek TF-IDF matrisini oluşturur.
* `cosine_similarity`: TF-IDF matrisini kullanarak belge benzerliklerini kosinüs benzerliği ile hesaplar.
* `cosine_sim`: Belgeler arasındaki benzerlik skorlarını içerir.
Sonrası bildiğimiz şekliyle nihai DataFrame'i oluşturmak.
En iyi eşleşme:
Seven Years in Tibet: Austrian mountaineer, Heinrich Harrer journeys to the Himalayas without his family to head an expedition in 1939. But when World War II breaks out, the arrogant Harrer falls into Allied forces' hands as a prisoner of war. He escapes with a fellow detainee and makes his way to Llaso, Tibet, where he meets the 14-year-old Dalai Lama, whose friendship ultimately transforms his outlook on life.
Kundun: The Tibetans refer to the Dalai Lama as 'Kundun', which means 'The Presence'. He was forced to escape from his native home, Tibet, when communist China invaded and enforced an oppressive regime upon the peaceful nation. The Dalai Lama escaped to India in 1959 and has been living in exile in Dharamsala ever since.
X'te Python postları için oluşturduğum GitHub reposundan kodlara ulaşabilirsiniz.
https://t.co/NkY0SGznNL](https://pbs.twimg.com/media/GAW4vHUXIAARoRg.png)
Olivia
Online
Tensör Akademi
@tensorakademi
Matematik ve Bilgisayar Bilimleri (Takipler sizlerle tanışmak içindir😊) Siz de bizi takip ederseniz akademimizi büyütebiliriz👍👍👍🙏. Youtube Kanalı👇👇
Joined August 2022
392 Following
235 Followers
40 Posts
Tensör Akademi
Matematik ve Bilgisayar Bilimleri
https://t.co/dw3w45ePgw
Çok güzel bir uygulama👏👌
#Python ile etkisinde kaldığımız bir filmin konusuna benzer bir film önerelim bu gece için kendimize. Bunu nasıl yapabiliriz? Onlarca tavsiye sistemi mevcut.
Bir yol Kosinüs Benzerliği (Cosine Similarity) olabilir.
Kosinüs benzerliği, metin madenciliği ve doğal dil işleme gibi alanlarda kullanılan bir benzerlik ölçüsü olup iki vektör arasındaki açıyı ölçerek bu vektörlerin ne kadar benzer olduğunu belirler. Metin madenciliği bağlamında bu vektörler genellikle metinlerin kelime dağılımlarını temsil eden vektörlerdir ve aşağıdaki formülle hesaplanır.
Bir örnek yapalım. Aşağıdaki gibi iki tane cümle olsun.
* They placed an order for 500 Airbus aircraft.
* They will place an order for 500 Boeing aircraft.
Bu iki cümle ne kadar benzerdir? Hesaplayalım.
Benzersiz kelimeler: they, placed, an, order, for, 500 airbus, aircraft, will, place, boeing.
Stop word'leri de bu örnek için dahil edelim. Bunlar bir dilde çok kullanılan ama etkisiz kelimelerdir.
İlk cümle için vektör şöyle olacak: [1,1,1,1,1,1,1,1,0,0,0]
İkinci cümle için vektör şöyle olacak: [1,0,1,1,1,1,0,1,1,1,1]
Yani, içeriyorsa 1; içermiyorsa 0.
Pay kısmında nokta çarpım yapacağız. (1*1 + 1*0 + ... + 0*1) gibi. Payda kısmında ise her iki vektörde bulunan değerlerin (ayrı yapılacak) karelerini toplayıp karekökünü alıyoruz. Sonra her iki sonucu da çarpıyoruz. İlk vektör için (1^2 + ... + 0^2); ikinci vektör için (1^2 + ... + 1^2) gibi. Bunların karekökleri alınıp çarpılacak. Sonra payı paydaya bölüyoruz. Yaklaşık 0.71 gibi bir değer çıkacaktır. Vektör benzerliği 1'e yaklaştıkça artar.
Python'da ise aşağıdaki gibi yapılıyor.
Uygulama için Kaggle'dan aşağıdaki veri setini (8K'dan fazla en çok oy alan IMDB filmleri) indirebiliriz.
https://t.co/8w0HZ1piWO
Veri setindeki "title" ve "overview" kolonları yeterli olacaktır.
Kodun odak noktası aşağısıdır.
`TfidfVectorizer`: Belirli bir metin belgesindeki kelimelerin TF-IDF vektörlerini oluşturan bir sınıftır. 'english' parametresi, İngilizce stop-word'leri (etkisiz yaygın kelimeler) kaldırmak için kullanılır.
TF-IDF, "Term Frequency-Inverse Document Frequency" teriminin kısaltmasıdır. Bu, bir belge içindeki bir kelimenin önemini belirlemek için kullanılan istatistiksel bir ölçüdür. TF-IDF, bir kelimenin bir belgedeki sıklığını (TF) ve tüm belgelerdeki sıklığını (IDF) birleştirerek belgenin içeriğindeki önemini belirlemeye çalışır.
`fit_transform`: Metin belgesindeki kelimeleri işleyerek TF-IDF matrisini oluşturur.
* `cosine_similarity`: TF-IDF matrisini kullanarak belge benzerliklerini kosinüs benzerliği ile hesaplar.
* `cosine_sim`: Belgeler arasındaki benzerlik skorlarını içerir.
Sonrası bildiğimiz şekliyle nihai DataFrame'i oluşturmak.
En iyi eşleşme:
Seven Years in Tibet: Austrian mountaineer, Heinrich Harrer journeys to the Himalayas without his family to head an expedition in 1939. But when World War II breaks out, the arrogant Harrer falls into Allied forces' hands as a prisoner of war. He escapes with a fellow detainee and makes his way to Llaso, Tibet, where he meets the 14-year-old Dalai Lama, whose friendship ultimately transforms his outlook on life.
Kundun: The Tibetans refer to the Dalai Lama as 'Kundun', which means 'The Presence'. He was forced to escape from his native home, Tibet, when communist China invaded and enforced an oppressive regime upon the peaceful nation. The Dalai Lama escaped to India in 1959 and has been living in exile in Dharamsala ever since.
X'te Python postları için oluşturduğum GitHub reposundan kodlara ulaşabilirsiniz.
https://t.co/NkY0SGznNL
![urazdev's tweet photo. #Python ile etkisinde kaldığımız bir filmin konusuna benzer bir film önerelim bu gece için kendimize. Bunu nasıl yapabiliriz? Onlarca tavsiye sistemi mevcut.
Bir yol Kosinüs Benzerliği (Cosine Similarity) olabilir.
Kosinüs benzerliği, metin madenciliği ve doğal dil işleme gibi alanlarda kullanılan bir benzerlik ölçüsü olup iki vektör arasındaki açıyı ölçerek bu vektörlerin ne kadar benzer olduğunu belirler. Metin madenciliği bağlamında bu vektörler genellikle metinlerin kelime dağılımlarını temsil eden vektörlerdir ve aşağıdaki formülle hesaplanır.
Bir örnek yapalım. Aşağıdaki gibi iki tane cümle olsun.
* They placed an order for 500 Airbus aircraft.
* They will place an order for 500 Boeing aircraft.
Bu iki cümle ne kadar benzerdir? Hesaplayalım.
Benzersiz kelimeler: they, placed, an, order, for, 500 airbus, aircraft, will, place, boeing.
Stop word'leri de bu örnek için dahil edelim. Bunlar bir dilde çok kullanılan ama etkisiz kelimelerdir.
İlk cümle için vektör şöyle olacak: [1,1,1,1,1,1,1,1,0,0,0]
İkinci cümle için vektör şöyle olacak: [1,0,1,1,1,1,0,1,1,1,1]
Yani, içeriyorsa 1; içermiyorsa 0.
Pay kısmında nokta çarpım yapacağız. (1*1 + 1*0 + ... + 0*1) gibi. Payda kısmında ise her iki vektörde bulunan değerlerin (ayrı yapılacak) karelerini toplayıp karekökünü alıyoruz. Sonra her iki sonucu da çarpıyoruz. İlk vektör için (1^2 + ... + 0^2); ikinci vektör için (1^2 + ... + 1^2) gibi. Bunların karekökleri alınıp çarpılacak. Sonra payı paydaya bölüyoruz. Yaklaşık 0.71 gibi bir değer çıkacaktır. Vektör benzerliği 1'e yaklaştıkça artar.
Python'da ise aşağıdaki gibi yapılıyor.
Uygulama için Kaggle'dan aşağıdaki veri setini (8K'dan fazla en çok oy alan IMDB filmleri) indirebiliriz.
https://t.co/8w0HZ1piWO
Veri setindeki "title" ve "overview" kolonları yeterli olacaktır.
Kodun odak noktası aşağısıdır.
`TfidfVectorizer`: Belirli bir metin belgesindeki kelimelerin TF-IDF vektörlerini oluşturan bir sınıftır. 'english' parametresi, İngilizce stop-word'leri (etkisiz yaygın kelimeler) kaldırmak için kullanılır.
TF-IDF, "Term Frequency-Inverse Document Frequency" teriminin kısaltmasıdır. Bu, bir belge içindeki bir kelimenin önemini belirlemek için kullanılan istatistiksel bir ölçüdür. TF-IDF, bir kelimenin bir belgedeki sıklığını (TF) ve tüm belgelerdeki sıklığını (IDF) birleştirerek belgenin içeriğindeki önemini belirlemeye çalışır.
`fit_transform`: Metin belgesindeki kelimeleri işleyerek TF-IDF matrisini oluşturur.
* `cosine_similarity`: TF-IDF matrisini kullanarak belge benzerliklerini kosinüs benzerliği ile hesaplar.
* `cosine_sim`: Belgeler arasındaki benzerlik skorlarını içerir.
Sonrası bildiğimiz şekliyle nihai DataFrame'i oluşturmak.
En iyi eşleşme:
Seven Years in Tibet: Austrian mountaineer, Heinrich Harrer journeys to the Himalayas without his family to head an expedition in 1939. But when World War II breaks out, the arrogant Harrer falls into Allied forces' hands as a prisoner of war. He escapes with a fellow detainee and makes his way to Llaso, Tibet, where he meets the 14-year-old Dalai Lama, whose friendship ultimately transforms his outlook on life.
Kundun: The Tibetans refer to the Dalai Lama as 'Kundun', which means 'The Presence'. He was forced to escape from his native home, Tibet, when communist China invaded and enforced an oppressive regime upon the peaceful nation. The Dalai Lama escaped to India in 1959 and has been living in exile in Dharamsala ever since.
X'te Python postları için oluşturduğum GitHub reposundan kodlara ulaşabilirsiniz.
https://t.co/NkY0SGznNL](https://pbs.twimg.com/media/GAXA0skWEAEZ6dt.png)
Sinyaller ve Sistemler muhteşem bir kaynak.
https://t.co/uoqtcDnyNR
Bazı akademik kitap incelemeleri...
KİTAP İNCELEME: https://t.co/Nf4oxFQvWD
Who to follow
İnan Ünal
@drinanunal
Assoc. Prof at Munzur University, Mathematics (PhD), Differential Geometry (Assoc. Prof), AI Research (Junior), Computer Science ((2)PhD), College Math(Author)
Türkiye Matematik Kulübü
@matematiktr2020
Merhaba, bir şeyler yapıyoruz. @akademiktmk | @populertmk | @bizbizetmk
geogebramat
@geogebramat
Tüm Geogebra ve Matematik İçerikleri İçin İnstagram Sayfama Davetlisiniz !
İnstagram : https://t.co/gsLpTf08QT
MÜHENDİSLİK VE İİBF İÇİN LİNEER CEBİR: https://t.co/hLhDB0S0sa
Kanalımıza abone oldunuz mu 😊
https://t.co/VVJvSDpILB
Harika Bir Manifold Kitabı
#ilerimatematik #diferansiyelgeometri #manifoldteorisi
https://t.co/dRj9zEm677
https://t.co/8pQ9WOQd25
Periyodik fonksiyonunun grafiği👍👍 #öabtmatematik #kalkulus #tamdeğer #fo... https://t.co/teN7yD7Nwv @YouTube aracılığıyla
Böyle bir kitap çevrilmiş yeni, okuyan birileri varsa önerir mi?
1-Matematik'te problemleri bir yerden başka bir yere taşıyarak, taşıdığımız yerde daha aşina olduğumuz teknikler sayesinde çözme fikri çok yaygın kullanılır. Bunların teknik detaylara çok girmeden en temel aktrabileceğim örneklerinden biri "Laplace Dönüşümü" kullanımıdır.
Çalışmaya devam…
Kalkülüse Giriş kitabı temel düzeyde konu anlatımı ve matematiğin uygulamalarını barındırması itibarı ile öğretmenlerimiz için çok güzel bir kaynak. Çevirenlerin ellerine sağlık… Teşekkürler @nobelyayin
“Aslında Bilgisayar Mühendisliği matematiğin başka bir dilde ifadesi…” “Bilgisayar Mühendislerinin çoğunluğunun yaptığı iş programcılık…”
İzlemelisiniz…👇👇👇
#matematikvebilgisayar
Matematik olmaz ise ilerleme de olmaz! https://t.co/fbnorre7OL
Faktöriyeller… https://t.co/zE6hKF4Pno
Mustafa Özdemir hocanın Analitik Geometri kitabı. Kısa bir bakış…
#analitikgeometri #matematikbölümü #öabtmatematik https://t.co/sg35M6Xe5E
Kapağı, baskısı ve içeriği ile harika bir diferansiyel denklemler kitabı👏👏👏 Çeviren hocalarımızın ellerine sağlık. Zaten, mühendisler Yunus Çengel’i iyi tanıyor.
Çok güzel bir Analitik Geometri Kitabı #analitikgeometri #matematikbölümü ... https://t.co/j8mE8vLPcx @YouTube aracılığıyla
Üniversite Matematiği-1 ders listesinde 7 limit 29 türev videosu bulunuyor.
ÜNİVERSİTE MATEMATİĞİ-1, Kalkülüs, Matematik-1
https://t.co/GwXHjatmR3
Last Seen Users on Sotwe
عاشق الايجات العراقي
Elie vi fem 🏳️⚧️
Seen from Spain
คลิปสาวทางบ้าน
Seen from Thailand
🔥HOT MILF🔥
Seen from Turkey
el botuna
Seen from Indonesia
Tony
Seen from South Africa
هـــــمــــســــاة سـ$ـــــكـــ$ــس
Seen from Egypt
حصريااات 🔥🥵
Seen from Netherlands
Tülay 🧜🏻♀️
Seen from Germany
Facials 4K
Seen from Belgium
Most Popular Users
Elon Musk 
@elonmusk
241.7M followers
Barack Obama
@barackobama
119M followers
Cristiano Ronaldo
@cristiano
114.4M followers
Donald J. Trump
@realdonaldtrump
111.9M followers
Narendra Modi
@narendramodi
107.2M followers
Rihanna
@rihanna
98.7M followers
NASA
@nasa
92.4M followers
Justin Bieber
@justinbieber
91.8M followers
KATY PERRY
@katyperry
90M followers
Taylor Swift
@taylorswift13
83.9M followers
Lady Gaga
@ladygaga
75.4M followers
Virat Kohli
@imvkohli
73.3M followers
Kim Kardashian
@kimkardashian
70.9M followers
YouTube
@youtube
68.8M followers
Neymar Jr
@neymarjr
66.3M followers
Bill Gates
@billgates
65.1M followers
Selena Gomez
@selenagomez
63M followers
The Ellen Show
@theellenshow
62.3M followers
CNN
@cnn
61.8M followers
X
@x
60.7M followers