Topolojik Veri Analizi (TDA): Verinin Şeklini Matematik Olarak Okumak

"Veri bir şekle sahip"

Bir veri seti: $\mathbb{R}^n$'de milyonlarca nokta. Klasik analiz ortalama, kümeler bakar.

Ama soru: "Bu nokta bulutunun bir şekli var mı? Halka mı, top mu, tüp mü?"

Eğer verinin geometrik yapısı varsa, bu anlamlı bilgi'dir.

Topolojik veri analizi (TDA): bu şekli matematik olarak okumanın aracıdır.

Persistent Homology

Anahtar kavram. Süreç:

1. Skala değişimi

Her noktanın etrafında çember $\epsilon$ yarıçaplı. $\epsilon$ küçük → noktalar ayrı. $\epsilon$ büyük → birleşik.

2. Topolojik özellikler izle

Her $\epsilon$'da:

• 0-boyutlu: bağlantı bileşenleri.
• 1-boyutlu: döngüler (delikler).
• 2-boyutlu: boşluklar.

3. Persistence diyagramı

Her özelliğin doğum ve ölüm $\epsilon$'sı kaydedilir.

Kalıcı özellikler = gerçek.
Kısa ömürlü özellikler = gürültü.

Mapper algoritması

Carlsson, Singh (2007): yüksek boyutlu veriyi bir grafa indirgeyen yöntem.

İçinde filtre + küme + sinir.

Sonuç: veri içindeki yapısal motifler (Y-şeklinde dallanma, halka, vs.).

Tarihsel köken

• 1990'lar: hesaplamalı topoloji başlangıçları.
• 2000'ler: Gunnar Carlsson (Stanford) ve ekibi TDA'yı sistematikleştirdi.
• Persistent homology: Edelsbrunner-Letscher-Zomorodian (2002).

Uygulamalar

1. Kanser tipi sınıflandırma

Meme kanseri verisi: Carlsson ekibi yeni alt tipler keşfetti.

2. Beyin görüntüleme

fMRI verisi: TDA ile bağlantı kalıpları.

3. Sensör ağları

Robot lokalizasyon, kapsama problemi.

4. Materyaller

Cam, polimer yapıları.

5. Finansal piyasalar

Hisse senedi fiyat ilişkileri.

6. Yapay zeka

Sinir ağı iç temsillerinin şekli. TDA + ML.

7. Kozmoloji

Galaksi dağılımının topolojisi.

8. Sosyal ağ

Twitter, Facebook ağlarının yapısal motifleri.

TopoNet ve modern AI

Carlsson kendi şirketi Ayasdi kurdu. Pek çok endüstriye uyguladı.

Modern AI sistemleri: graph neural networks + TDA birleşimi.

Felsefi anlamı

Klasik istatistik: ortalama, dağılım.

TDA: yapı, ilişki.

Modern veri bilimi: iki yaklaşım birbirini tamamlar. TDA "yapısal istatistik".

Sınırlamalar

• Hesap maliyeti: yüksek.
• Yorumlanabilirlik: persistence diyagramları zor okunur.
• Veri ihtiyacı: az veri için zayıf.
• Parametrik bağımlılık: filtre seçimi kritik.

Modern alanlar

• TDA + deep learning: transformer çıktılarının topolojisi.
• TDA + reinforcement learning: durum uzayı yapısı.
• TDA + protein katlanması: yapı motifleri.
• TDA + lengvistik: dil yapısı.

Sonuç

Topolojik veri analizi:

• Verinin geometrik şeklini matematik olarak okur.
• Persistent homology + Mapper ana araçlar.
• Gunnar Carlsson (2000'ler) sistematik kurdu.
• Biyoloji, kanser, sosyal ağ, AI uygulamaları.
• Klasik istatistiği tamamlayan modern yaklaşım.

Modern veri biliminin olası bir geleceği. Henüz olgunlaşmamış ama hızla büyüyen alan.

"Veri şekli vardır; matematiği bunu okuyabilir." TDA'nın paradigması.