Graph Representations: Matrix, List, Set

Eğitim Hakkında

Graf temsil yöntemleri ve seçim ölçütleri

Eğitim bir grafı bellekte temsil etmenin yollarını karşılaştırır. Komşuluk matrisi, komşuluk listesi, kenar listesi, sözlük ve küme tabanlı gösterim, ağırlıklı ve yönlü grafların kodlanması, seyrek matris (SciPy CSR), insidans matrisi, bellek maliyeti, kenar sorgu ve komşu gezme hızı, NetworkX ile dönüşümler ve gerçek veri kümelerinin yüklenmesi Python ile uygulamalı işlenir.

Süre ve Format

2 Gün. Her gün dört modül; 1. gün Temel Gösterimler; 2. gün Küme, Seyrek Yapı ve Karşılaştırma.

Seviye

Temel Seviye — grafların matris, liste ve küme ile temsili

Öğrenme Metodu

Katılımcılar aynı grafı dört farklı yapıda kodlar, bellek ve süre ölçümü yaparak hangi problemde hangi gösterimin uygun olduğunu deneyle görür.

Neden Bu Eğitim?

🧮Doğru Seçim

Graf yoğunluğuna göre matris veya listeyi gerekçeyle seçersiniz.

💾Bellek Bilinci

V ve E değerine göre bellek maliyetini önceden hesaplarsınız.

🔄Dönüşüm Becerisi

Gösterimler arasında dönüşüm yapıp kütüphane formatlarıyla çalışırsınız.

Anahtar Konular

graf temsilikomşuluk matrisikomşuluk listesiadjacency listkenar listesiseyrek matrisgraph data structuresnetworkx

“Veriyi doğru biçimde saklarsanız algoritma yarı yolda kazanılmıştır.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python temeli

Liste, sözlük, küme ve sınıf kullanımı yeterlidir.

2

Temel graf terimi

Düğüm, kenar, yönlü ve ağırlıklı kavramlarını duymuş olmak yeterlidir.

3

Jupyter

Notebook ortamı kurulu olmalıdır.

4

Temel matematik

Matris ve indeks kavramı bilgisi faydalıdır.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiKatılımcı komşuluk matrisi, komşuluk listesi ve kenar listesini yönlü, yönsüz ve ağırlıklı graflar için gerçekler.

Modül 1

Graf Terminolojisi

Düğüm, kenar, derece, giriş ve çıkış derecesi
Yönlü, yönsüz, ağırlıklı ve çoklu graf
Döngü (self-loop) ve paralel kenarlar
Yoğun ve seyrek graf tanımı
Tam graf ve ağaç özel durumları
Gerçek dünya graf örnekleri

Modül 2

Komşuluk Matrisi

2B liste ve NumPy ile matris oluşturma
Yönsüz graf için simetrik matris
Ağırlıklı graf ve sonsuz değer
Kenar sorgusu O(1)
O(V²) bellek maliyeti
Matris çarpımı ile yol sayısı

Modül 3

Komşuluk Listesi

Sözlük içinde liste ile gösterim
defaultdict kullanımı
Düğüm ekleme ve silme
Komşu gezme O(derece)
O(V+E) bellek
Ağırlıklı kenar için (komşu, ağırlık) çiftleri

Modül 4

Kenar Listesi ve İnsidans Matrisi

Kenar listesi ile giriş verisi okuma
Sıralı kenar listesi ve Kruskal uyumu
İnsidans matrisi yapısı
Hiper graf kavramına kısa bakış
CSV dosyasından graf yükleme
Gösterimlerin karşılaştırma tablosu

Günün hedefiKatılımcı küme ve seyrek matris gösterimlerini kurar, performans ölçümü yaparak gösterim seçimini gerekçelendirir.

Modül 1

Küme Tabanlı Gösterim

Komşuları set olarak saklama
Kenar varlığı sorgusu O(1) ortalama
Tekrarlayan kenarı otomatik önleme
Küme işlemleriyle ortak komşu bulma
Birleşim, kesişim ile graf birleştirme
frozenset ile değişmez kenarlar

Modül 2

Seyrek Matrisler

scipy.sparse: COO, CSR, CSC formatları
CSR'den satır gezme
Büyük graflarda bellek tasarrufu
networkx.to_scipy_sparse_array
Sparse matris çarpımı
Seyrek yapıda kenar ekleme maliyeti

Modül 3

Sınıf Tasarımı

Graph sınıfı arayüzü: add_edge, neighbors, has_edge
Soyut taban sınıf ve farklı arka uçlar
Yönlü ve yönsüz için ortak API
Yineleyici (iterator) ile kenar dolaşma
Birim testleri ile doğrulama
Tür ipuçlarıyla okunabilirlik

Modül 4

Ölçüm ve Seçim Rehberi

timeit ile kenar sorgu ve komşu gezme karşılaştırması
tracemalloc ile bellek ölçümü
Yoğunluk eşiği ve karar tablosu
NetworkX ile dönüşüm (DiGraph, Graph)
SNAP veya benzeri açık veri kümesini yükleme
Yaygın hata ve tuzaklar

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

Matris Gösterimi

Komşuluk matrisi ile yoğun grafları temsil edersiniz.

✅

Liste Gösterimi

Komşuluk listesi ile seyrek grafları verimli saklarsınız.

✅

Kenar Listesi

Kenar listesinden graf yükleyip dönüştürürsünüz.

✅

Küme Tabanlı Yapı

Set ile hızlı kenar sorgusu ve ortak komşu bulursunuz.

✅

Seyrek Matris

SciPy CSR ile büyük grafları az bellekle tutarsınız.

✅

Graph Sınıfı

Ortak API'li, test edilmiş Graph sınıfı yazarsınız.

✅

Performans Ölçümü

timeit ve tracemalloc ile gösterimleri kıyaslarsınız.

✅

Karar Verme

Yoğunluğa ve işleme göre uygun gösterimi gerekçelendirirsiniz.

Kimler İçin Uygundur?

Veri yapıları öğrenen öğrenciler
yeni başlayan geliştiriciler
veri bilimine geçen mühendisler için uygundur

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

Veri yapıları öğrenen öğrenciler, yeni başlayan geliştiriciler ve veri bilimine geçen mühendisler için uygundur. Liste, sözlük, küme ve sınıf kullanımı yeterlidir.

Graf algoritmaları bu eğitimde var mı?

Odak temsildir; dolaşma ve en kısa yol için ayrı bir eğitimimiz bulunur.

NetworkX kullanılıyor mu?

Evet, dönüşüm ve doğrulama için kullanılır.

Sertifika verilir mi?

Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir.

Matematik altyapısı gerekir mi?

Temel matris ve indeks bilgisi yeterlidir.

Sertifikalandırma

Bu eğitim Digital Vizyon Akademi Başarı Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

GRAPH DATA STRUCTURES: REPRESENTING GRAPHS USING MATRICES, LISTS, & SETS EĞİTİMİ