UML Diyagramları

YAPISAL DİYAGRAMLAR

  Sınıf (Class) diyagramı: Class odaklı tasarımlarda kullanılır. Sınıfların özelliklerini birbirleri arasındaki ilişkiyi göstermede kullanılır. Özellikle nesne yönelimli projelerde tercih edilirler. Kodlamada kolaylık sağlarlar.

  Nesne (Object) diyagramı: Bir nesne(object) sınıfın (class) bir örneğidir. Bu tür diyagramlarda sınıfın yerine gerçek nesneler kullanılır. Bu sayede modellenen sistemin yapısının belirli bir andaki bütün ya da kısmi  görünüşü tarif edilir.

  Bileşen (Component) diyagramı: Bir yazılım projesi birden fazla bileşene yani component’e ayrılarak programcılar arasında paylaştırılabilir. Bu component’ler programcılar tarafından birbirlerinden bağımsız geliştirilirler ve en sonunda da birleştirilirler. Bu birleştirme işlemi component diyagramındaki gibi olmalıdır.

  Paket (Package) diyagramı, bir sistemin hangi mantıksal gruplara bölündüğünü ve bu gruplar arasındaki bağımlılıkları betimler. Fazla detaya inmeden genel hatlarıyla modelleme yapılır, bu diyagram sistemin temel mantığı oluşturulurken kullanılmalıdır.

  Dağılım (Deployment) diyagramı, sistemde kullanılan donanımları, bu donanımların içinde yer alan bileşenleri ve bu bileşenlerin arasındaki bağlantıları gösterir.

  

  Birleşik Yapı (Composite Structure) diyagramı: bir sınıfın iç yapısını ve bu yapının mümkün kıldığı iletişimleri tarif eder. Bu daha detay bir diyagramdır. Deneyimsiz bir programcıya bu diyagram deneyimli bir programcı tarafından hazırlanıp bir yol haritası olması için verilebilir.

DAVRANIŞ DİYAGRAMLARI

Kullanım Senaryosu (Use-Case) diyagramı: Aktörler vardır. Bu aktörlerin yaptıkları ve yapamadıkları şeyler bu diyagramla ifade edilir. Bu diyagramı oluşturmanın faydaları:

·         Müşteri ile geliştiriciler arasında iletişimi sağlamak

·         Sistemin sınırlarını belirlemek

·         User Guide oluşturmada yardımcı olmak

  Durum (Statechart) diyagramı: Bir nesnenin sahip olacağı tüm durumların modellendiği diyagramdır. Nesneler çeşitli durumlarda bulunabilirler ve birtakım olaylar sonucunda bir durumdan başka bir duruma geçebilirler ve bu geçiş esnasında başka olayların meydana gelmesini tetikleyebilirler. Tüm bu ilişkiler bu durum diyagramıyla ifade edilirler. Daha çok sistemin genel işleyişinde mantıksal bir hata yapılmaması için kullanılan diyagramlardır.

 Faaliyet (Activity) diyagramı: Modellenen sistemdeki iş akışını adım adım gösterir. Kapsamlı bir şekilde komut akışını tarif eder. En önemli özelliği paralel davranışları desteklemesidir. Multithreaded uygulamalar geliştirirken uygulamanın algoritmik mantığı bu diyagramla gösterilebilmektedir. Karmaşık algoritmalarda da tercih edilebilecek bir diyagramdır. Bu diyagramlar sayesinde gereksiz yere ardışık yapılan işlemler rahatlıkla görülebilir ve bunların paralel yapılması sağlanabilir.

ETKİLEŞİM DİYAGRAMLARI

 Sıralama (Sequence) diyagramı: Bir uygulamada nesnelerin birbirleri ile olan ilişkisi zamana göre değişiyorsa, statik bir ilişkiden bahsetmek mümkün değilse, ilişki yapısı dinamikse bu diyagramlar kullanılır. Nesnelerin yaşam süreleri de bu diyagramla gösterilir.

 İletişim (Communication) diyagramı: Sınıf, Sıralama ve Kullanım Senaryoları diyagramlarındaki bilgileri kullanarak sistemin hem statik yapısını hem de dinamik davranışını gösterir. Bu üç diyagramın üzerinde, onları kapsayıcı nitelikte bir diyagramdır ve sistemi daha genel hatlarıyla ortaya koymada kullanılır.

 Etkileşime Bakış (Interaction Overview) diyagramı: Farklı etkileşim diyagramları kullanarak, bunlar arasındaki komut akışını gösterir. Bir başka deyişle, elemanları etkileşim diyagramları olan faaliyet diyagramlarıdır.

  Zaman Akış (Timing) diyagramı: Odağın zaman kısıtlamaları olduğu etkileşim diyagramıdır. Nesnelerin bir zaman akışı içerisinde birbirleri ile etkileşimini göstermede kullanılır.

 KAYNAKLAR

1-) UML Weekend Crash Course, Thomas A. Pender, Wiley Publishing Inc., 2002.

2-) UML Bible, Tom Pender, John Wiley, 2003.

3-) UML Distilled: A Brief Guide to the Standard Object Modeling Language, Martin Fowler, Kendall Scott, Addison Wesley, 1999.

4-) The Elements of UML Style, Scott W. Ambler, Cambridge University, 2003.

5-) Visual Modeling with Rational Rose 2000 and UML, Terry Quatrani, Addison Wesley,1999.

6-) The Object Primer 3rd Edition: Agile Model Driven Development with UML2, Scott W. Ambler, 2003.

7-) UML in a Nutshell , Sinan Si Alhir, O’Reilly, 1998.

8-) UML 2 for Dummies, Michael Jesse Chonoles and James A. Schardt, Hungry Minds, 2003.

9-) www.adtmag.com/article.asp?id=2656

10-) www.visualuml.com/whitepapers/UML%20collaboration%20diagrams.pdf


Konuyla ilgili olarak aşağıdaki yazılarıma da bakabilirsiniz:

• UML Kullanmanın Avantajları
• UML Nedir?

UML Kullanmanın Avantajları

UML büyük projelerde kesinlikle kullanılması gereken bir modelleme dilidir.  

(Bakın: UML Nedir?) 

Bu dilin oldukça kapsamlı olduğunu ve bir yazılım projesinde gerekecek her modellemeyi bünyesinde barındırdığını ayrıca belirtmek isterim.  UML kullanmanın faydalarını aşağıdaki gibi sıralayabiliriz:

• Tasarım ve analiz UML ile yapıldıktan sonra ve mantıksal hatalar ayıklandıktan sonra kodlama işi oldukça kolaylaşacaktır.

• Takım çalışması yapmak kolaylaşacaktır.

• Ekipte meydana gelecek değişiklikte yeni gelenlere projenin anlatılması daha rahat olacaktır.

• Proje başkalarına devredilirken diyagramlar devralanın projeyi rahatlıkla anlamasını sağlayacaktır.

• Olası tüm senaryolar baştan belirlendiği için programın tutarlılığı artar.

• Tekrar kullanılabilecek kodların sayısı artar. Bu da maliyeti düşürür. 

Bir sonraki yazımda UML diyagramlarından da bahsetmek istiyorum, özellikle de favori diyagramım olan user case diyagramlarından. Projelerinizde UML kullanırsanız asla pişman olmazsınız, ancak dikkat etmeniz gereken bir nokta var: UML kullanmış olmak için kullanılmamalıdır, sağlayacağı fayda harcatacağı emekten daha az olmamalıdır.  Örneğin çok küçük bir yazılım projesinde gereksiz diyagramlar kullanıldığında bu vakit ve emek kaybına yol açabilir. Amaç kaliteli yazılım geliştirmektir, UML ise sadece araçtır, bunu unutmayalım. 

K-NN Algoritması

Arkadaşlar bitirme projesinde bu algoritmayı kullandık, aşağıdaki yazı da bitirme projemin ara raporunda kullandığım, son raporda da kullanacağım bir yazıdır, Oktay Hoca'dan proje alan arkadaşların yazıyı raporlarında kullanmamasını rica ediyorum. 

Bu algoritmayı C#'da kodladık, ileride kısaca kodları da paylaşmak istiyorum. Umarım faydalı olur..

C# kodları ve açıklaması için lütfen buraya tıklayın...

K-NN (En Yakın Komşuluk) Algoritması

KNN, eğitimli öğrenme algoritmasıdır ve amacı, yeni bir örnek geldiğinde varolan öğrenme verisi üzerinde sınıflandırma yapmaktır. Algoritma, yeni bir örnek geldiğinde, onun en yakın K komşusuna bakarak örneğin sınıfına karar verir. [1]

Bu algoritma ile yeni bir vektörü sınıflandırabilmek için doküman vektörü ve eğitim dokümanları vektörleri kullanılır. Tüm eğitim dökümanları ve kategorisi belirlenecek olan doküman vektörel olarak ifade edildikten sonra bu vektörler K-NN algoritması ile karşılaştırılırlar. 

Kategorisi belirlenmek istenen metnin vektörü, öğrenme kümesindeki metinlerin vektörleri ile karşılaştırılır. 

K-NN algoritmasında terim ağırlıklandırma için 3 çeşit yöntem kullanılabilir.

1-Bit ağırlıklandırma yöntemi,

2-Frekans ağırlıklandırma yöntemi,

3-Tf-IDF ağırlıklandırma yöntemi.

Algoritma En yakın komşuluk prensibine dayanır. Tüm dokümanlar vektörel olarak temsil edilir. Sorgu dokümanı ile diğer dokümanlar arasındaki cosinüs benzerliği hesaplanır. Benzerlik oranı 1’e en yakın olan n tane vektörün kategorisinden çok olanı dokümana atanır.

Uygulamada K-NN algoritmasının kullanılmasındaki nedenler aşağıdaki gibi sıralanabilir:

• Uygulanabilirliği basit bir algoritma olması.

• Gürültülü eğitim dokümanlarına karşı dirençli olması.

• Eğitim dokümanları sayısı fazla ise etkili olması

• Bu metot ölçeklendirilebilir bir metottur ve çok geniş veritabanları üzerinde de uygulanabilir.[4]

Her bir kelime vektörel uzayda bir boyuta karşılık gelmektedir. Her bir metin bu sayede vektörel uzayda ifade edilebilmektedir. K-NN algoritması ile vektörel uzayda bu metinlerin birbirlerine ne kadar benzedikleri tespit edilebilir. Bir başka ifadeyle birbirine en yakın metinler bulunabilir.

 Şekil 1  İki Boyutlu Vektör Uzayı

Yukarıdaki şekilde iki kelimeden oluşan bir ortak sözlüğe sahip dört metnin vektörel uzayda ifadesi gösterilmiştir. Eğer sözlük üç kelimeden oluşsaydı grafiğimiz de üç boyutlu olacaktı. Burada d1, d2 ve d3 eğitim dokümanlarımızdan oluşan vektörler, q ise sınıfını bulmak istediğimiz dökümanın vektörüdür.

Q dökümanının d1, d2 ve d3 eğitim dokümanlarından hangisine daha fazla benzediğini bulmak için aralarındaki açının cosinüs değerine bakılır. Aralarındaki açı ne kadar küçükse elde edilen cos(açı) değeri o kadar 1’e yakın olacaktır. Elde edilen değerin 1’e yakın olması, iki dökümanın birbirine ne kadar benzediğini ifade eder. 

Örneğin yukarıdaki örnekte q ile d2 arasındaki açı en küçüktür. Bu nedenle de q dökümanının en yakın olduğu doküman d2 dökümanıdır. Aralarındaki açının cosinüs degeri de 1’e yakın bir değer olarak karşımıza çıkmaktadır.

K-NN algoritmasında temel olarak aşağıdaki adımlar gerçekleştirilir:

1. K değerinin belirlenmesi.

2. Tüm öğrenme örnekleri ile olan uzaklığının hesaplanması.

3. Minimum uzaklıkğa göre sıralama işleminin yapılması.

4. Ait oldukları sınıf değerlerinin bulunması.

5. Değeri baskın olan sınıfın seçilmesi.

Burada k değerinin belirlenmesi, bize en yakın kaç vektöre bakılması gerektiğini ifade etmektedir. Örneğin k değerimiz 3 olsun. Bu durumda öğrenme kümesindeki dökümanlardan en yakın 3 tanesi alınarak dökümanın hangi sınıfa ait olduğuna karar verilir. Örneğin aşağıdaki gibi iki boyutlu kordinat sistemine yerleştirilmiş örneklerimiz olsun.

 

Şekil 2 Örnekler[2]

Yukarıdaki örneklerden maviye mi yoksa kırmızıya mı benzediğini tespit etmemiz gereken bir de yeşil örneğimiz olsun.

 

Şekil 3 Örnekler ve Sınıflandırılacak Veri[2]

K değerimizi 3 aldığımızdan yeşil örneğe en yakın olan 3 örneğe bakarız. K değeri 4 olsaydı en yakın 4 örneğe bakacaktık.

 

Şekil 4 En Yakın Üç Komşu[2]

En yakın 3 örnekten 2 tanesi kırmızı olduğundan yeşil örnek için de kırmızı sınıfına aittir diyebiliriz.

K-NN algoritmasında benzerlik hesabı aşağıdaki formülden yararlanılarak yapılabilir.

Denklem 1: K-NN Denklemi[4]

 

Yukarıdaki formülde: Wij terimin doküman içerisindeki ağırlığı, di eğitim dokümanı vektörüdür. q ise kategorisi bulunması istenen vektördür.

Kaynaklar

1.     http://ab.org.tr/ab08/bildiri/71.pdf (Erişim Tarihi: Kasım 2010)

2.    http://www.bilgisayarkavramlari.com/2008/11/17/knn-k-nearest-neighborhood-en-yakin-k-komsu/ (Erişim Tarihi: Kasım 2010)

3.     P. Hall; B. U. Park; R. J. Samworth (2008). "Choice of neighbor order in nearest-neighbor classification".

4.   http://www.metinmadenciligi.com/kaynaklar/mm1.pdf (Erişim Tarihi: Kasım 2010)