Örüntü teorisi - Pattern theory

Ulf Grenander tarafından formüle edilen desen teorisi , dünyanın bilgisini kalıplar olarak tanımlamak için matematiksel bir biçimciliktir . Yapay zekaya yönelik diğer yaklaşımlardan farklıdır, çünkü kalıpları tanımak ve sınıflandırmak için algoritmalar ve makineler yazarak başlamaz ; daha ziyade, kalıp kavramlarını kesin bir dilde ifade etmek ve yeniden düzenlemek için bir kelime hazinesi öngörür. Matematiksel kapsamı bakımından geniş olan Desen Teorisi, cebir ve istatistiğin yanı sıra yerel topolojik ve küresel entropik özellikleri kapsar.

Yeni cebirsel kelime dağarcığına ek olarak, istatistiksel yaklaşımı şu amaçlarla yenidir:

• Daha önce yaygın olan yapay uyaranlar yerine gerçek dünya verilerini kullanarak bir veri setinin gizli değişkenlerini tanımlayın .
• Gizli değişkenler için önceki dağılımları ve Gibbs benzeri bir grafiğin köşelerini oluşturan gözlemlenen değişkenler için modelleri formüle edin .
• Bu grafiklerin rastgeleliğini ve değişkenliğini inceleyin.
• Desenlerin deformasyonlarını listeleyerek uygulanan temel stokastik model sınıflarını oluşturun .
• Modellerden sentezleyin (örnekleyin), sadece onlarla sinyalleri analiz etmekle kalmayın.

Brown Üniversitesi Desen Teorisi Grubu Ulf Grenander tarafından 1972 yılında kuruldu. Şu anda pek çok matematikçi bu grupta çalışıyor ve bunların arasında Fields Madalyalı David Mumford da var . Mumford, Grenander'ı Desen Teorisi'ndeki "gurusu" olarak görüyor.

Örnek: Natural Language Grammar

Dilbilgisi otomatı

Dilbilgisi üreteçleri

Aşağıdaki cebirsel tanımları motive etmek için bir örnekle başlıyoruz. Dil kalıplarını temsil etmek istiyorsak, ilkeller için en acil aday kelimeler olabilir. Bununla birlikte, kelimelerin atom olarak uygunsuzluğunu hemen belirtmek için "sırayla" gibi ifadeler ayarlayın . Diğer ilkelleri ararken dilbilgisi kurallarını deneyebiliriz. Dilbilgilerini sonlu durum otomatları veya bağlamdan bağımsız gramerler olarak temsil edebiliriz . Aşağıda örnek bir sonlu durum dilbilgisi otomatıdır.

Aşağıdaki ifadeler, kalıp teorisinde otomat ve programlama kodunun birkaç basit kuralından üretilir :

küçük kulübenin sahibi olan çocuk derin ormana gitti

prens göle yürüdü

Kız göle yürüdü ve prenses göle gitti

güzel prens karanlık ormana yürüdü

Olarak sonlu durumlu makinalar eyleminde kuralları yeniden böyle cümleler oluşturmak için jeneratörler devlet 1'de bir makine başladığında, devlet 2 gider ve “” kelimesini yazar eğer şu şekildedir: cümleler oluşturun. Durum 2'den itibaren 4 kelimeden birini yazıyor: prens, oğlan, prenses, kız, rastgele seçilmiş. Herhangi bir kelimeyi seçme olasılığı , otomata karşılık gelen Markov zinciri tarafından verilir . Böylesine basit bir otomat bazen daha garip cümleler üretir:

kötü kötü prens göle yürüdü

Prens karanlık ormana yürüdü ve prens bir ormana yürüdü ve küçük büyük bir evin sahibi olan büyük bir küçük büyük kulübede yaşayan prenses bir ormana gitti

Sonlu durum diyagramından, sinyali oluşturan aşağıdaki üreteçleri (sağda gösterilen) çıkarabiliriz. Bir üretici 4'lü bir demettir: mevcut durum, sonraki durum, yazılan sözcük, birden çok seçenek olduğunda yazılı sözcüğün olasılığı. Kendisine, her bir jeneratör olan durum geçiş ok durum diyagramı Markov zinciri için.

Üreteçlerin bir konfigürasyonunun doğrusal olarak birbirine bağlandığını ve böylece çıktısının bir cümle oluşturduğunu ve böylece her bir jeneratörün kendisinden önce ve sonra jeneratörlere "bağlanacağını" hayal edin. Bu bağları 1x, 1y, 2x, 2y, ... 12x, 12y olarak belirtin. Her sayısal etiket otomatın durumuna karşılık gelir ve her "x" ve "y" harfi gelen ve giden bağlara karşılık gelir. Daha sonra aşağıdaki bağ tablosu (solda) otomat diyagramına eşdeğerdir. Basitlik adına, bono tablosunun sadece yarısı gösterilmektedir - tablo aslında simetriktir .

Bu örnekten anlaşılabileceği gibi ve incelenen tipik sinyaller, ilkelleri ve bağ tablolarını tanımlamak biraz düşünmeyi gerektirir. Örnek, diğer sinyal problemlerinde hemen görülmeyen bir başka önemli gerçeği vurgulamaktadır: bir konfigürasyon, gözlemlenen sinyal değildir; daha ziyade bir cümle olarak imgesi gözlemlenir. Burada, bir gözlemlenebilir olanı, gözlemlenemez bir yapıdan ayırt etmek için önemli bir gerekçe yatmaktadır. Ek olarak, gizli Markov modelleriyle ilişkilendirmek için cebirsel bir yapı sağlar . Aşağıdaki görme örneği gibi duyusal örneklerde, gizli konfigürasyonlar ve gözlemlenen görüntüler çok daha benzerdir ve böyle bir ayrım haklı görünmeyebilir. Neyse ki, gramer örneği bize bu ayrımı hatırlatıyor.

Doğal dilin bağlantı gramer teorisinde daha karmaşık bir örnek bulunabilir .

Cebirsel temeller

Örnekten motive olarak, aşağıdaki tanımlara sahibiz:

1. Bir jeneratör olarak çekilmiş, ${\ displaystyle g {\ in} G}$

   

   gözlenen sinyali üreten Patern Teorisinin ilkelidir. Yapısal olarak, bir sinyal oluşturucu oluşturmak için 'leri bağlayan bağ denilen arabirimlere sahip bir değerdir . 2 komşu jeneratör bağ değerleri aynı olduğunda bağlanır. Benzerlik öz haritaları s: G -> G, katı cisim dönüşümleri veya ölçeklendirme gibi baktığımız dünyanın değişmezliklerini ifade eder. ${\ displaystyle b {\ in} B}$${\ displaystyle g}$${\ displaystyle s {\ in} S}$
2. Yapıştırıcı jeneratörlerini , adı verilen bir bağ birleştirme tablosu ile yerel olarak açıklanan global özelliklerle bir zemine Σ karşı sinyali oluşturan bir konfigürasyona , c bağlar . Boolean fonksiyonu düzgünlüğü 4-tuple ana bileşeni olan <G, S ρ, Σ>, olarak tanımlanır ${\ displaystyle \ rho}$${\ displaystyle \ rho}$

   ${\ displaystyle \ rho (c) = \ prod _ {{\ text {komşu bağlar}} b ', b' '\ c} \ rho (b', b '') içinde.}$

   ${\ displaystyle \ rho}$ izin verilebilir jeneratör komşuları kavramını yakalıyor gibi görünüyor. Yani, düzenlilik, bir bağ tablosu aracılığıyla, bir jeneratör için hangi komşuların kabul edilebilir olduğunu tanımlayan uyarıcı alan yasasıdır. Uyaran alanının yasalarıdır. Daha sonra, bir boole fonksiyonundan bir olasılık değerine düzenliliği gevşeteceğiz, hangi uyarıcı komşuların olası olduğunu yakalayacaktır. Σ jeneratörlerin fiziksel düzenlemesidir. Görüşte 2 boyutlu bir kafes olabilir. Dilde doğrusal bir düzenlemedir.
3. Bir görüntü (C mod R), herhangi bir algısal aparattan bağımsız olarak var olandan farklı olarak, gözlemlenen bir Konfigürasyon kavramını yakalar. Görüntüler, yalnızca dış bağlarıyla ayırt edilen, yapılandırmanın bileşimini ve benzerlik dönüşümlerini miras alan yapılandırmalardır. Resmi olarak, görüntüler bir Tanımlama Kuralı "~" ile 3 özelliğe sahip bölümlere ayrılmış eşdeğerlik sınıflarıdır:
   1. ext (c) = ext (c ') her c ~ ​​c' olduğunda
   2. sc ~ sc 'her zaman c ~ c'
   3. sigma (c1, c2) ~ sigma (c1 ', c2') c1 ~ c1 ', c2 ~ c2' her düzenli olduğunda.
   Fiziksel bir uyarana karşılık gelen bir konfigürasyon, birçok gözlemcinin algısının tanımlama kuralına karşılık gelen birçok görüntüye sahip olabilir.
4. Bir desen , bir görüntünün S değişmez alt kümesi olarak tanımlanan, bir görüntünün tekrarlanabilir bileşenleridir. Benzerlikler, kalıpları tanımlamak için kullandığımız referans dönüşümlerdir, örneğin katı gövde dönüşümleri. İlk bakışta, bu tanım yalnızca minimum alt görüntünün tekrar tekrar tekrarlandığı doku desenleri için uygun görünüyor. Köpek gibi bir nesnenin görüntüsüne bakacak olsaydık, tekrarlanmaz, ancak tanıdık geliyor gibi görünür ve bir kalıp olması gerekir.
5. Bir deformasyon algısal cihazında çevre ve hata için gürültü hesaplarını orijinal görüntünün bir dönüşümdür. Grenander 4 tip deformasyon tanımlar: gürültü ve bulanıklık, çok ölçekli üst üste binme, alan çarpıtma ve kesintiler.

   Örnek 2 Yönlendirilmiş sınır

   

   Konfigürasyon
   

   Resim
   

   Jeneratörler

   Görüntüyü oluşturan jeneratörlerin bu konfigürasyonu, bağlanma tablosu tarafından birbirine dokunan ilkeller tarafından yaratılır ve "0" ve "1" olmayan jeneratörleri tek bir sınır elemanına eşleyen tanımlama kuralı ile bir gözlemci tarafından algılanır. "0" ve "1" olmayan jeneratörlerin her biri 90 derece döndürülerek diğer dokuz tanımlanmamış jeneratör oluşturulur. "Yönlendirilmiş sınırlar" özelliği göz önünde bulundurularak, üreteçler biraz düşünülerek pişirilir ve şu şekilde yorumlanır: "0" oluşturucu iç elemanlara karşılık gelir, "1" dışa karşılık gelir, "2" ve dönüşleri düz elemanlardır. ve geri kalanı dönen öğelerdir.

   Ürün (tüm nbr bağları) olarak tanımlanan Boole düzenliliği ile, tek bir jeneratörün bile bağ tablosunu ihlal eden herhangi bir konfigürasyon dikkate alınmaz. Bu nedenle, bağ tablosuna yapışan tüm komşu üreticilerle yalnızca en saf halindeki özelliklere izin verilir. Bu katı koşul, Boolean bağ tabloları yerine olasılık ölçüleri kullanılarak gevşetilebilir.

   ${\ displaystyle p (c) = \ prod _ {{\ text {komşu bağlar}} b ', b' '\ c} A (b', b '')}$

   Yeni düzenlilik artık mükemmel yönlendirilmiş bir sınır dikte etmez, ancak Acceptor işlevi A () açısından bir konfigürasyon olasılığını tanımlar. Bu tür konfigürasyonların, ilgilenilen özelliğe göre safsızlıklara ve kusurlara sahip olmasına izin verilir.

   Üreticilerin ve tam bağ tablolarının verilmiş olmasının yararı ile desen analizinin zor bir kısmı yapılır. Yeni bir sinyal ve özellik sınıfıyla uğraşırken, jeneratörleri ve bağ tablosunu tasarlama görevi çok daha zordur.

   Yine gramerlerde olduğu gibi, üreteçleri ve bağ tablolarını belirlemek biraz düşünmeyi gerektirir. Bir konfigürasyonun bizim gözlemlediğimiz bir sinyal olmadığı gerçeği kadar ince. Daha ziyade, görüntüsünü tanımlama kuralının siluet izdüşümleri olarak görüyoruz.

Entropi

Örüntü Teorisi, sırayı p ( c ) ile verilen ilgi özelliği açısından tanımlar .

Enerji ( c ) = −log P ( c )

İstatistik

Grenander'ın Bayesci çıkarımın Örüntü Teorisi uygulaması , görüntünün yeniden yapılandırılmasına doğru eğilmiş gibi görünmektedir (örneğin, içerik adreslenebilir bellek ). Buna I-deforme olmuş görüntü verilir, bul I. Bununla birlikte, Mumford'un Patern Teorisi yorumu daha geniştir ve PT'yi çok daha iyi bilinen istatistiksel yöntemleri içerecek şekilde tanımlar. Mumford'un bir konuyu Örüntü Teorisi olarak dahil etme kriterleri, HMM , EM algoritması , dinamik programlama fikir çemberi gibi "ortak teknikler ve motivasyonlarla karakterize edilen" yöntemlerdir . Bu bölümdeki konular Mumford'un Kalıp Teorisi konusundaki yaklaşımını yansıtacaktır. İstatistiksel Desen Teorisi ilkesi aşağıdaki gibidir:

• Gizli ilgi durumlarını ortaya çıkarmak için yapılandırılmış olanlar yerine gerçek dünya sinyallerini kullanın.
• Bu tür sinyaller, tamamen deterministik bir analize yenik düşmek için çok fazla karmaşıklık ve yapaylık içerir, bu nedenle stokastik yöntemleri de kullanın.
• Herhangi bir simetri, parçaların bağımsızlığı, önemli istatistikler üzerindeki marjinaller dahil olmak üzere sinyalin doğal yapısına saygı gösterin. Bayes kuralı ile gizli durumları türetilmiş modellerden örnekleyerek ve çıkararak doğrulayın.
• Tüm modalitelerde, sınırlı bir deformasyon ailesi, saf kalıpları gerçek dünya sinyallerine çevirir.
• Bir gözlemi etkileyen stokastik faktörler güçlü koşullu bağımsızlık gösterir.

İstatistiksel PT, Bayes teoremi ve Markov Modelleri şeklinde koşullu olasılığın her yerde kullanımını sağlar . Bu kavramların her ikisi de, gizli durumlar (konfigürasyonlar) ve gözlemlenen durumlar (görüntüler) arasındaki ilişkiyi ifade etmek için kullanılır. Markov Modelleri , düzenlilik için bağ tablosunun amacını anımsatan uyaranın yerel özelliklerini de yakalar.

Genel kurulum şu şekildedir:

S = bilmek istediğimiz verilerin gizli durumu olsun . i = gözlemlenen görüntü. Bayes teoremi şunu verir:

p ( s | i ) p ( i ) = p ( s , ben ) = p ( ben | s ) p ( s )

Sinyali analiz etmek için (tanıma): i'yi düzeltin, p'yi maksimize edin, s'yi çıkarın.

Sinyalleri sentezlemek için (örnekleme): 'leri düzeltin, i'ler oluşturun, gerçek dünya görüntüleriyle karşılaştırın

Aşağıdaki koşullu olasılık örnekleri, bu yöntemleri uygulamada gösterir:

Yerel mülkler için koşullu olasılık

N-gram Metin Dizeleri: Örneklerle Mumford'un Desen Teorisi, Bölüm 1'e bakın.

MAP ~ MDL (MDL, MAP olasılıklı formülasyonunun neden analitik olarak anlamlı olduğuna dair bir fikir verir)

Gizli gözlemlenen durumlar için koşullu olasılık

Makine çevirisi için Bayes Teoremi

Fransızca cümleleri İngilizceye çevirmek istediğimizi varsayalım . Burada, gizli konfigürasyonlar İngilizce cümlelerdir ve ürettikleri gözlemlenen sinyal Fransızca cümlelerdir. Bayes teoremi p ( e | f ) p ( f ) = p ( e , f ) = p ( f | e ) p ( e ) verir ve makine çevirisinin temel denklemine indirgenir: maksimize p ( e | f ) = p ( f | e ) p ( e ) üzerinde uygun e (yani not p ( f ) bağımsızdır e yüzden ve biz üzerinde maksimize zaman düşer e ). Bu, sorunu aşağıdakiler için üç ana hesaplamaya indirger:

1. p ( e ) herhangi bir e için , N -gram yöntemini ve dinamik programlamayı kullanarak
2. Herhangi bir e ve f için p ( f | e ) , hizalamalar ve bir beklenti maksimizasyonu (EM) algoritması kullanarak
3. e , dinamik programlama kullanarak 1 ve 2'nin çarpımını yine maksimize eden

Analiz, iki dile göre simetrik görünüyor ve eğer p ( f | e ) 'yi hesaplayabileceğimizi düşünüyorsak , neden analizi tersine çevirip p ( e | f )' yi doğrudan hesaplamıyoruz ? Bunun nedeni, p ( f | e ) ' nin hesaplanması sırasında asimetrik varsayımın kaynak cümlenin iyi biçimlendirilmesi ve hedef çeviri hakkında böyle bir varsayımda bulunamayız çünkü neye çevrileceğini bilmiyoruz.

Şimdi yukarıdaki üç bölümlü ayrıştırmada p ( f | e ) 'ye odaklanıyoruz . Diğer iki parça, p ( e ) ve e maksimizasyonu , N- gram modeli ile benzer teknikler kullanır . Büyük bir eğitim veri kümesinden (bu tür veri kümeleri Kanada parlamentosundan alınmıştır ) Fransızca-İngilizce çeviri verildiğinde :

       NULL   And    the    program      has    been    implemented
                     Le     programme    a ete     mis en application

cümle çifti, aşağıdaki gibi okunan bir hizalama (2, 3, 4, 5, 6, 6, 6) olarak kodlanabilir : Fransızca'daki ilk kelime ikinci İngilizce kelimeden, Fransızca'daki ikinci kelime üçüncü kelimeden gelir. İngilizce kelime vb. Bir hizalama, çevirinin basit bir kodlaması olsa da, bir hizalamaya yönelik hesaplama açısından daha uygun bir yaklaşım, onu dört parametreye ayırmaktır:

1. Doğurganlık : Fransız dizisindeki ona bağlanacak kelime sayısı. Örneğin n (3 | uygulanmış) = "uygulanmış" olma olasılığı üç kelimeye çevrilir - kelimenin doğurganlığı
2. Sahte olma : NULL yapıtını, sahte bir Fransızca sözcükte savrulma olasılığını temsil eden bir sözcük olarak tanıtıyoruz. Örneğin p ₁ ve tamamlayıcısı p ₀ = 1 -  p _{1 olacaktır} .
3. Çeviri : her kelimenin çevrilmiş hali. Örneğin, t ( a | has) = ​​İngilizcenin Fransızcaya "a" çevirmesi "sahip" olma olasılığı.
4. Bozulma : Fransız dizisindeki bu kelimelerin işgal edeceği gerçek konumlar. Örneğin d (5 | 2, 4, 6) = dört kelimelik bir İngilizce cümle ve altı kelimelik bir Fransızca cümle için beşinci pozisyona hareket eden ikinci pozisyon Fransızca kelimenin çarpıtılması. Eğitim verilerimizden öncelikleri kolayca temsil etmek ve çıkarmak için hizalamaları bu şekilde kodluyoruz ve yeni formül

${\ displaystyle {\ begin {align} p (f | e) & = {\ text {Olası tüm hizalamaların toplamı ve}} p (a, f | e) \\ & = n_ {0} (v_ {0 } | \ toplam _ {j = 1} ^ {l} {v_ {j}}) \ cdot \ prod _ {j = 1} ^ {l} n (v_ {j} | e_ {j}) v_ {j }! \ cdot \ prod _ {j = 1} ^ {m} t (f_ {j} | e_ {a_ {j}}) \ cdot \ prod _ {j: a_ {j} \ not = 0} ^ { m} d (j | a_ {j}, l, m) \ end {hizalı}}}$

Bir EM algoritmasını göstermede basitlik uğruna, sadece çeviri olasılıklarını t () içeren basit bir hesaplamadan geçeceğiz , ancak yöntemin tüm ihtişamıyla tüm parametrelere uygulandığını söylememize gerek yok. Her kelimenin doğurganlığı 1 ve (3) hiçbir çarpıtma olasılığının olmadığı NULL (2) kelimesi olmayan basitleştirilmiş durumu (1) düşünün. Eğitim veri külliyatımız iki cümle çifti içerecektir: bc  →  xy ve b  →  y . İki kelimelik bir İngilizce cümlenin "bc" nin Fransızca " xy " cümlesine çevrilmesi iki olası hizalamaya sahiptir ve tek cümlelik kelimeler dahil, hizalamalar şunlardır:

                         b c   b c   b
                         | |    x    |
                         x y   x y   y

Sırasıyla Parallel, Crossed ve Singleton olarak adlandırılır.

Bir EM algoritmasını göstermek için, önce istenen parametreyi eşit şekilde ayarlayın, yani

t ( x | b ) = t ( y | b ) = t ( x | c ) = t ( y | c ) = 1 ⁄ 2

Sonra EM aşağıdaki gibi yinelenir

EM algoritmasının yinelemeleri

"Çapraz hizalama" için hizalama olasılığı ( b'nin y'ye bağlandığı ) ikinci cümle çifti b / y'den bir artış elde etti . Bu, t ( y | b ) ' yi daha da sağlamlaştırdı , ancak bir yan etki olarak t ( x | c )' yi de artırdı , çünkü x , aynı "çapraz hizalamada" c'ye bağlanır . T ( x | c ) 'yi artırmanın etkisi zorunlu olarak t ( y | c )' yi düşürmek anlamına gelir çünkü toplamları bire eşittir. Dolayısıyla, y ve c birlikte gerçekleşse bile, analiz birbirlerinin tercümesi olmadıklarını ortaya çıkarır. Gerçek verilerle, EM aynı zamanda olağan lokal ekstremum tuzaklarına da tabidir.

Konuşma tanıma için HMM'ler

"Kayak" nın titreşimsel dağılımı

Bilim adamları tanımlayıcı ve analitik bir çözüm ararken , onlarca yıldır konuşma tanıma bir çıkmaza girmiş gibi görünüyordu. Aşağıdaki ses dalgası p (t), "kayak" kelimesi söylenerek üretilir.

Dört farklı bölümü çok farklı özelliklere sahiptir. Pek çok üretici seviyesi arasından seçim yapılabilir (gizli değişkenler): konuşmacının beyninin niyeti , ağız ve ses tellerinin durumu veya 'telefonların' kendileri. Telefonlar, çıkarılabilecek tercih edilen üreteçtir ve kelimeyi gürültülü, oldukça değişken bir şekilde kodlar. Konuşma tanıma üzerine yapılan ilk çalışmalar, p (t) 'den çıkarılan ikili özelliklere dayanan mantıksal kuralları kullanarak bu çıkarımı belirleyici olarak yapmaya çalıştı. Örneğin, aşağıdaki tablo İngilizce ünsüzleri ayırt etmek için kullanılan bazı özellikleri göstermektedir .

Gerçek durumlarda, sinyal, arabaların geçmesi gibi arka plandaki sesler veya cümlenin ortasında öksürük gibi artefaktlar nedeniyle daha da karmaşıklaşır (Mumford'un 2. temeli). Belirleyici kurala dayalı yaklaşım başarısız oldu ve en son teknoloji (örneğin Dragon NaturallySpeaking ), daha iyisini yapmak için hassas bir şekilde ayarlanmış HMM'ler ve Bayes MAP tahmin edicilerinden oluşan bir aile kullanmaktır. Görme ve diğer uyaran kategorilerinde benzer hikayeler oynandı.

Ayrıca bakınız

• Kaçıran akıl yürütme
• Cebirsel istatistikler
• Hesaplamalı anatomi
• Biçimsel kavram analizi
• Dilbilgisi indüksiyonu
• Görüntü analizi
• İndüksiyon
• Kafes teorisi
• Mekansal istatistikler

Referanslar

daha fazla okuma

• 2007. Ulf Grenander ve Michael Miller Örüntü Teorisi: Temsilden Çıkarıma . Oxford University Press. Ciltsiz kitap. ( ISBN   9780199297061 )
• 1994. Ulf Grenander Genel Örüntü Teorisi . Oxford Science Publications. ( Mayıs ISBN   978-0198536710 )
• 1996. Ulf Grenander Elemanları Teorisi . Johns Hopkins Üniversitesi Yayınları. ( Mayıs ISBN   978-0801851889 )

Dış bağlantılar

• Brown Üniversitesi'nde Örüntü Teorisi Grubu
• Desen Teorisi: Grenander'in Fikirleri ve Örnekleri - David Mumford'un video dersi
• Örüntü Teorisi ve Uygulamaları - Brown Üniversitesi mezunlarının materyallerini içeren yüksek lisans ders sayfası