6 Euler Sayısı e’nin Özelliği

Türevi kendisine eşit olan yegâne taban

Bölüm bilgisi

Grant’ın videosu: YouTube — Chapter 5: What’s so special about Euler’s number e? (≈13 dk)
Kaynak: 3Blue1Brown — Essence of Calculus
Okuma süresi: ≈20 dk

6.1 Bu Derste Ne Var?

Türev formülleri arasında önemli birini atlamıştık: üsteller. Bu derste $2^x$, $7^x$ gibi üstellerin türevini ve özellikle $e^x$’in neden en önemli üstel olduğunu görüyoruz. Kısa cevap: $e^x$’in türevi kendisine eşittir — ve bu, $e$ sayısını matematiğin (ve ML’in) her yerine yerleştirir.

Üç ana fikir:

Bir üstelin türevi, kendisinin bir katıdır. Üstel özellik $a^{t+dt} = a^t \cdot a^{dt}$ bunu sağlar.
O kat = $\ln(\text{taban})$ (doğal logaritma). $2^x$ için $\approx 0{,}6931 = \ln 2$; $3^x$ için $\ln 3$.
$e$, o katın tam 1 olduğu özel tabandır ($e \approx 2{,}71828$); yani $d(e^t)/dt = e^t$.

flowchart LR
    A["aᵗ (genel üstel)"] --> B["d/dt aᵗ = ln(a) · aᵗ<br/>(kendisinin bir katı)"]
    B --> C["a = 2 → ln 2 ≈ 0,693"]
    B --> D["a = 3 → ln 3 ≈ 1,099"]
    B --> E["a = e → ln e = 1<br/>⭐ d/dt eᵗ = eᵗ"]
    E --> F["Softmax, sigmoid, EMA<br/>weight decay, neural ODE"]
    style E fill:#fff3e0,stroke:#f57c00,stroke-width:3px
    style F fill:#fce4ec,stroke:#c2185b

Şekil 6.1: Üstellerin türev örüntüsü: tüm $a^t$’lerin türevi $\ln(a) \cdot a^t$. $e$, $\ln(a) = 1$ olan özel taban.

“e to the t actually equals its own derivative … the slope of a tangent line to any point on this graph equals the height of that point.” — Grant, 8:36

Builder Notu — ML Köprüleri

$e^x$’in türevi kendisi → softmax ($e^{\text{logit}}$), sigmoid ($1/(1+e^{-x})$), exponential decay (learning rate schedule, EMA), gradient flow — hepsi bu özelliğe dayanır.
$\ln(\text{taban})$ sabiti → log-uzay hesapları, log-likelihood, cross-entropy, logit; çarpımları toplama çeviren köprü.
“Oran $\propto$ miktar” → exponential decay her yerde: weight decay, lr decay, EMA momentum ($\beta$), RL’de discount $\gamma^t$; sürekli dinamik (neural ODE).
$e^{c \cdot t}$, $c$ = oran sabiti → öğrenme oranı çizelgesi $e^{-\lambda t}$, Adam’da $\beta_1/\beta_2$ üstel ortalamaları; $c$, “ne kadar hızlı büyür/söner” anlamını taşır.

6.2 $2^t$: Bir Popülasyon, Her Gün İkiye Katlanıyor

Sezgi için $2^t$ fonksiyonuna odaklanalım. Girdiyi bir zaman $T$ (gün cinsinden), çıktıyı ($2^t$) bir popülasyon büyüklüğü olarak düşün — her gün ikiye katlanan, verimli bir yaratık topluluğu.

$T = 0$’da kütle $2^0 = 1$; $T = 1$’de $2^1 = 2$; ve her gün ikiye katlanarak devam eder. Türev için, kütlenin büyüme oranı $dm/dt$’yi istiyoruz.

Önce tam bir günlük değişime bakalım. 3. ile 4. gün arasında kütle 8’den 16’ya çıkar — günde 8 birim artış, ki bu gün başındaki popülasyon büyüklüğüne eşit. Genel olarak tam-günlük büyüme oranı, o günün başındaki popülasyona eşittir.

Bu, “$2^t$’nin türevi kendisidir” demeye yol açabilir — doğru yönde ama tam doğru değil. Çünkü burada tam bir gün üzerinden karşılaştırma yapıyoruz; türev ise giderek küçülen değişimleri sorar. Sonraki bölümde bu farkı düzelteceğiz.

Builder Notu — EMA ve Üstel Sönüm

“Değişim oranı, mevcut büyüklüğe eşit/orantılı” — bu, tüm üstel büyüme/sönüm olgularının imzasıdır. ML’de bunu en çok exponential moving average (EMA) ve üstel öğrenme oranı sönümünde görürsün: bir büyüklük, kendi değerinin sabit bir oranı kadar güncellenir, bu da üstel bir eğri çizer.

6.3 Türev: $2^t$ Kendisinin Bir Katı (Üstel Özellik)

Tam-gün yerine küçük $dt$ için soralım: $[2^{t+dt} - 2^t] / dt$ nedir? Burada üstellerin en önemli özelliği devreye girer: üstte toplama varsa, çıktıyı bir çarpıma ayırabilirsin:

\[ \frac{2^{t+dt} - 2^t}{dt} = 2^t \cdot \frac{2^{dt} - 1}{dt} \]

$2^t$’yi dışarı çarpan olarak aldık. Şimdi kritik gözlem: sağdaki $(2^{dt} - 1)/dt$ terimi, başladığımız $t$’den tamamen bağımsız — içinde yalnızca $dt$ var. Hesap makinesine küçük $dt$ değerleri koyarsan, $dt$ küçüldükçe bu ifade çok belirli bir sayıya yaklaşır: yaklaşık $0{,}6931$.

Yani diğer fonksiyonların türevlerinin aksine, $dt$’ye bağlı her şey $t$’den ayrılıyor. Sonuç: $2^t$’nin türevi kendisidir, ama bir sabitle çarpılmış:

\[ \frac{d}{dt}\, 2^t = (0{,}6931\ldots)\, 2^t \]

Builder Notu — Log-uzay

Toplamayı (üstteki $t + dt$) çarpmaya ($2^t \cdot 2^{dt}$) çeviren bu özellik, ML’in log-uzayda çalışmasının nedenidir: olasılık çarpımları taşma yapar, ama log alınca toplama olur ve stabil kalır. Tersi yönde, $e^{\text{toplam}}$ = çarpım özdeşliği softmax’ın paydasını ve enerji-temelli modelleri tanımlar. “Toplamsal ↔︎ çarpımsal” köprüsü, üstel/logaritmik fonksiyonların ML’deki her yerdeliğinin kökü.

6.4 Gizemli Sabitler: $\ln(\text{taban})$

2’de özel bir şey yok. $3^t$ ile çalışsaydık, üstel özellik yine “türev kendisiyle orantılı” sonucunu verirdi, ama bu kez sabit $\approx 1{,}0986$ olurdu. $8^t$ için sabit $\approx 2{,}079$ çıkar — ve dikkat: bu, 2 tabanının sabitinin tam üç katıdır ($3 \cdot 0{,}6931 = 2{,}079$). Tesadüf değil: $8 = 2^3$ olduğundan sabitler de bu ilişkiyi taşır.

Örüntü şu: oran sabiti, tabanın doğal logaritmasıdır ($\ln$):

\[ \frac{d}{dt}\, a^t = \ln(a)\cdot a^t \]

\[ \ln 2 \approx 0{,}6931, \qquad \ln 3 \approx 1{,}0986, \qquad \ln 8 = 3\ln 2 \approx 2{,}079 \]

Builder Notu — Cross-entropy

$\ln(\text{taban})$ sabiti, ML’de logit ve log-likelihood’un temelidir. Bir softmax çıktısının logu, $\ln(\text{taban})$ ilişkileriyle doludur; cross-entropy kaybı $= -\sum \log p$, doğal logaritma üzerine kuruludur. Üstel bir büyümenin “hızını” ($\ln$ taban) okumak, log-ölçekli grafiklerde eğimi okumakla aynı şeydir.

6.5 $e$: Sabitin Tam 1 Olduğu Taban

Doğal soru: öyle bir taban var mı ki o orantı sabiti tam 1 olsun — yani üstelin türevi yalnızca kendisine orantılı değil, kendisine eşit olsun? Var: özel sabit $e \approx 2{,}71828$.

Aslında $e$ burada “tesadüfen ortaya çıkmaz”; bu özellik $e$’yi tanımlayan şeydir. “Neden bunca sayı içinde $e$?” diye sormak, “neden bunca sayı içinde $\pi$, çemberin çevresinin çapına oranı?” diye sormak gibidir.

Tüm üsteller kendi türevleriyle orantılıdır; ama yalnızca $e$’de o sabit 1’dir:

\[ \frac{d}{dt}\, e^t = e^t \qquad (e \approx 2{,}71828) \]

Builder Notu — Neural ODE

“Türevi kendine eşit” özelliği, $e^t$’yi diferansiyel denklemlerin doğal çözümü yapar — ve ML’de sürekli dinamiklerin dili budur. Bir neural ODE’de gizli durumun zaman evrimi $dy/dt = f(y)$ biçimindedir; en basit hâli ($f(y) = c \cdot y$) doğrudan üstel çözüm verir.

6.6 $e^{ct}$ Bir Seçimdir: $c$’nin Anlamı

Zincir kuralıyla (Ders 4) artık her şeyi çözebiliriz. $d(e^{3t})/dt$ nedir? Dış fonksiyon $e^x$ (türevi kendisi), iç fonksiyon $3t$ (türevi 3). Zincir kuralı:

\[ \frac{d}{dt}\, e^{ct} = c\, e^{ct} \]

Şimdi gizemli sabitler tamamen çözülüyor. 2 sayısını $e^{\ln 2}$ olarak yazabiliriz. O hâlde $2^t = e^{(\ln 2) \cdot t}$, ve zincir kuralı türevin sabitini doğrudan $\ln 2$ yapar:

\[ 2^t = e^{(\ln 2)\, t} \qquad \frac{d}{dt}\, 2^t = \ln 2 \cdot 2^t \]

İşte $0{,}6931 = \ln 2$ buradan geliyor; aynısı her taban için geçerli (sabit = $\ln$ taban). Bu yüzden calculus uygulamalarında üsteller neredeyse hiç “taban üzeri $t$” yazılmaz; $e^{\text{sabit} \cdot t}$ yazılır.

Builder Notu — Hep Aynı Kalıp

$e^{ct}$ yazımı ML’de standarttır çünkü $c$, “ne kadar hızlı” sorusunun yanıtıdır. Öğrenme oranı sönümü genelde $\text{lr}(t) = \text{lr}_0 \cdot e^{-\lambda t}$ biçimindedir; $\lambda$, sönüm hızıdır. EMA güncellemesi (momentum $\beta$) ve Adam’ın $\beta_1/\beta_2$’si üstel ortalamalardır. RL’de discount $\gamma^t = e^{(\ln \gamma) \cdot t}$. Hep aynı kalıp: $e^{ct}$, $c$ = oran.

6.7 Doğanın Üstelleri: Oran $\propto$ Miktar

Neden bu kadar çok şey üstel? Çünkü doğada pek çok olguda, bir niceliğin değişim oranı, o niceliğin kendisiyle orantılıdır:

Popülasyon: büyüme oranı, mevcut nüfusla orantılı (kaynak sınırı yoksa).
Newton soğuması: sıcak su soğur, soğuma oranı su ile oda arasındaki sıcaklık farkıyla orantılı.
Bileşik faiz: paranın büyüme oranı, o anki para miktarıyla orantılı.

Bu durumların hepsinde, niceliği zamana karşı tanımlayan fonksiyon bir üsteldir. Matematiksel olarak “oran kendisiyle orantılı” demek:

\[ \frac{dN}{dt} = c\, N \qquad N(t) = N_0\, e^{ct} \]

Bu fonksiyonu yazmanın çok yolu olsa da, $e^{c \cdot t}$ seçmek doğaldır — çünkü $c$, tam olarak değişen değişkenin büyüklüğü ile değişim oranı arasındaki orantı sabitidir.

“it’s the same as the proportionality constant between the size of the changing variable and the rate of change.” — Grant, 13:05

Builder Notu — Gradient Flow

$dN/dt = c \cdot N$ denklemi, ML’deki sürekli-zaman düşüncesinin iskeletidir. Weight decay bir sönüm denklemidir ($dw/dt = -\lambda w \to w(t) = w_0 e^{-\lambda t}$). EMA: yeni ortalama, eskiyle üstel ağırlıklı karışır. Gradient flow, SGD’nin sürekli limiti olarak $d\theta/dt = -\nabla L$ biçiminde yazılır; lineerleştirildiğinde özdeğerler $e^{\lambda t}$ terimleri verir ve eğitimin kararlılığını (patlama/sönme) belirler.

6.8 Bu Dersin Özeti

Üstellerin türevi, kendilerinin bir katıdır; bunu üstel özellik $a^{t+dt} = a^t \cdot a^{dt}$ sağlar.
O kat, başlangıç zamanı $t$’den bağımsız bir sabittir: $(a^{dt} - 1)/dt$, $dt \to 0$ iken $\ln(a)$’ya yaklaşır.
$d(a^t)/dt = \ln(a) \cdot a^t$. Sayısal: $\ln 2 \approx 0{,}6931$, $\ln 3 \approx 1{,}0986$, $\ln 8 = 3 \cdot \ln 2 \approx 2{,}079$.
$e \approx 2{,}71828$, o sabitin tam 1 olduğu özel tabandır: $d(e^t)/dt = e^t$. Bu eşitlik $e$’yi tanımlar.
Zincir kuralıyla $d(e^{ct})/dt = c \cdot e^{ct}$; ve $2^t = e^{(\ln 2) \cdot t}$ yazımı gizemli sabitleri tamamen açıklar.
$e^{c \cdot t}$ yazmak bir seçimdir ($e$ fonksiyona özsel değil); değerini, $c$’ye “oranın miktara oranı” anlamını vermesi belirler.
“Değişim oranı miktarla orantılı” ($dN/dt = c \cdot N$) olan her olgu, üstel bir çözüme ($N_0 \cdot e^{ct}$) sahiptir.

Tek bir cümle

$e^x$, türevi tam kendisine eşit olan yegâne üstel tabandır (bu, $e$’nin tanımıdır); ve “değişim oranı, değişen miktarla orantılı” olan her olgu — popülasyon, soğuma, faiz, sönüm — doğal olarak $e^{c \cdot t}$ biçiminde yazılır, çünkü buradaki $c$ o orantı sabitidir.

6.9 Kontrol Soruları

Soru 1: d/dt [ $e^{5t}$ ] nedir?

Cevap: Zincir kuralı: dış fonksiyon $e^x$ (türevi kendisi), iç fonksiyon $5t$ (türevi 5). Sonuç: $e^{5t} \cdot 5 = 5e^{5t}$. Genel olarak $d(e^{ct})/dt = c \cdot e^{ct}$.

Soru 2: d($a^t$)/dt’deki orantı sabiti neden başlangıç zamanı t’den bağımsızdır?

Cevap: Üstel özellik sayesinde: $a^{t+dt} = a^t \cdot a^{dt}$. Fark oranında $a^t$ dışarı çarpan olarak çıkar ve geriye $(a^{dt} - 1)/dt$ kalır — bu ifade yalnızca $dt$’ye bağlıdır, $t$ hiç görünmez. Bu yüzden türev “kendisi çarpı bir sabit”tir; sabit $= \ln(a)$.

Soru 3: d/dt [ $e^{-t}$ ] nedir ve ne anlama gelir?

Cevap: $c = -1$ için $d(e^{ct})/dt = c \cdot e^{ct} = -e^{-t}$. Türev daima değerin negatifi: fonksiyon her zaman azalır, üstelik o anki değeriyle orantılı hızda. Bu üstel sönümdür — radyoaktif bozunma, weight decay, lr sönümü hep bu biçimde.

Soru 4: (Builder) Weight decay’de $w(t) = w_0 \cdot e^{-\lambda t}$. λ büyürse ne olur? Yarı-ömür nedir?

Cevap: $\lambda$ büyüdükçe sönüm hızlanır — ağırlık daha çabuk küçülür. Yarı-ömür, değerin yarıya indiği süredir: $e^{-\lambda t} = 1/2 \to t = \ln 2 / \lambda$. Yani $\lambda$ iki katına çıkarsa yarı-ömür yarıya iner. $\lambda$, “regularizasyonun ne kadar agresif olduğunu” doğrudan kontrol eder; EMA momentum $\beta$ ve Adam’ın $\beta_1/\beta_2$’si de aynı yarı-ömür mantığıyla okunur.

6.10 Egzersizler

Egzersiz 1. Şu türevleri bul: $d/dt[e^{-2t}]$, $d/dx[e^{x^2}]$ (zincir kuralı), $d/dt[3 \cdot e^t]$.

Egzersiz 2. $5^t$’nin türev sabitinin $\ln 5$ olduğunu göster: $5 = e^{\ln 5}$ yazıp zincir kuralını uygula. $\ln 5$’i hesapla ($\approx 1{,}609$) ve $(5^{0{,}001} - 1)/0{,}001$ ile karşılaştır.

Egzersiz 3. (Newton soğuması) Soğuma denklemi $dT/dt = -k(T - T_{\text{oda}})$. Çözümün $T(t) = T_{\text{oda}} + (T_0 - T_{\text{oda}}) \cdot e^{-kt}$ olduğunu, bu ifadeyi denkleme yerine koyarak doğrula.

Egzersiz 4. (Python — sayısal doğrulama) $(2^{dt} - 1)/dt$’nin $dt \to 0$ iken $\ln 2$’ye yaklaştığını göster; ayrıca $e^t$ ile sayısal türevinin çakıştığını çiz.

Egzersiz 5. (Sonraki dersin habercisi) Şimdiye kadar hep $y = f(x)$ biçiminde açık fonksiyonların türevini aldık. Peki $x^2 + y^2 = 25$ gibi, $y$’yi $x$ cinsinden açıkça çözmediğin kapalı bir ilişkide $dy/dx$ nasıl bulunur? Ders 6, kapalı türevi anlatacak.

6.11 Anahtar Kavramlar (Cheat Sheet)

Kavram	Tanım	Grant’ta
Üstel özellik	$a^{t+dt} = a^t \cdot a^{dt}$; toplama → çarpma	4m14
$d(a^t)/dt = \ln(a) \cdot a^t$	Türev = kendisi çarpı $\ln$(taban)	5m53
Gizemli sabit = $\ln$(taban)	$0{,}6931 = \ln 2$; $1{,}0986 = \ln 3$	10m45
$e \approx 2{,}71828$	Orantı sabitinin tam 1 olduğu taban	7m54
$d(e^t)/dt = e^t$	$e$’yi tanımlayan özellik; teğet eğimi = yükseklik	8m36
$d(e^{ct})/dt = c \cdot e^{ct}$	Zincir kuralı; $c$ = oran sabiti	9m00
$2^t = e^{(\ln 2) \cdot t}$	Her üstel, $e$ tabanında yazılabilir	9m58
Oran $\propto$ miktar	$dN/dt = c \cdot N \to N_0 \cdot e^{ct}$	11m55

6.12 ML Bağlantıları Özeti

7 köprü

$d(e^x)/dx = e^x$ → softmax ($e^{\text{logit}}$), sigmoid, gradient flow, neural ODE’lerin doğal çözümü.
Üstel sönüm → weight decay ($w_0 e^{-\lambda t}$), lr schedule, EMA momentum, RL discount $\gamma^t = e^{(\ln \gamma) \cdot t}$.
$\ln$(taban) sabiti → logit, log-likelihood, cross-entropy; kayıp eğrilerini log-ölçekte okumak.
Üstel özellik (toplam → çarpım) → log-olasılık toplamı (taşma önleme), enerji-temelli modeller, softmax paydası.
$e^{ct}$, $c$ = oran → yarı-ömür/$\beta$ okuması: EMA, Adam ($\beta_1/\beta_2$), öğrenme oranı çizelgeleri.
$dN/dt = c \cdot N$ → sürekli dinamik; gradient flow lineerleştirmesinde özdeğer $e^{\lambda t}$, eğitimin patlama/sönme kararlılığı.
$e$’nin tanımı (türevi kendisi) → diferansiyel denklemlerin doğal çözüm tabanı; lineer sistem analizinin dili.

Tek bir şey alıp gideceksen

Üstellerin sihri tek bir özellikten gelir — türevleri kendileriyle orantılıdır, orantı sabiti de $\ln$(taban). $e$, bu sabitin tam 1 olduğu sayıdır; yani $e^x$ kendi türevine eşittir. Bu yüzden “değişimi kendi büyüklüğüne bağlı” olan her şey (büyüme, sönüm, softmax, EMA, discount) $e^{c \cdot t}$ ile yazılır ve $c$ sana o değişimin hızını söyler.

--- title: "Euler Sayısı e'nin Özelliği" subtitle: "Türevi kendisine eşit olan yegâne taban" --- ::: {.callout-note title="Bölüm bilgisi"} - **Grant'ın videosu:** [YouTube — Chapter 5: What's so special about Euler's number e?](https://www.youtube.com/watch?v=m2MIpDrF7Es&list=PLZHQObOWTQDMsr9K-rj53DwVRMYO3t5Yr&index=5) (≈13 dk) - **Kaynak:** [3Blue1Brown — Essence of Calculus](https://www.3blue1brown.com/topics/calculus) - **Okuma süresi:** ≈20 dk ::: ## Bu Derste Ne Var? {#sec-e-intro} Türev formülleri arasında önemli birini atlamıştık: **üsteller**. Bu derste $2^x$, $7^x$ gibi üstellerin türevini ve özellikle **$e^x$**'in neden en önemli üstel olduğunu görüyoruz. Kısa cevap: $e^x$'in türevi **kendisine eşittir** — ve bu, $e$ sayısını matematiğin (ve ML'in) her yerine yerleştirir. **Üç ana fikir:** 1. **Bir üstelin türevi, kendisinin bir katıdır.** Üstel özellik $a^{t+dt} = a^t \cdot a^{dt}$ bunu sağlar. 2. **O kat = $\ln(\text{taban})$** (doğal logaritma). $2^x$ için $\approx 0{,}6931 = \ln 2$; $3^x$ için $\ln 3$. 3. **$e$**, o katın tam **1** olduğu özel tabandır ($e \approx 2{,}71828$); yani $d(e^t)/dt = e^t$. ```{mermaid} %%| label: fig-e-map %%| fig-cap: "Üstellerin türev örüntüsü: tüm $a^t$'lerin türevi $\\ln(a) \\cdot a^t$. $e$, $\\ln(a) = 1$ olan özel taban." flowchart LR A["aᵗ (genel üstel)"] --> B["d/dt aᵗ = ln(a) · aᵗ<br/>(kendisinin bir katı)"] B --> C["a = 2 → ln 2 ≈ 0,693"] B --> D["a = 3 → ln 3 ≈ 1,099"] B --> E["a = e → ln e = 1<br/>⭐ d/dt eᵗ = eᵗ"] E --> F["Softmax, sigmoid, EMA<br/>weight decay, neural ODE"] style E fill:#fff3e0,stroke:#f57c00,stroke-width:3px style F fill:#fce4ec,stroke:#c2185b ``` > *"e to the t actually equals its own derivative ... the slope of a tangent line to any point on this graph equals the height of that point."* — Grant, 8:36 ::: {.callout-tip title="Builder Notu — ML Köprüleri"} - **$e^x$'in türevi kendisi** → **softmax** ($e^{\text{logit}}$), **sigmoid** ($1/(1+e^{-x})$), **exponential decay** (learning rate schedule, EMA), gradient flow — hepsi bu özelliğe dayanır. - **$\ln(\text{taban})$ sabiti** → log-uzay hesapları, **log-likelihood**, **cross-entropy**, logit; çarpımları toplama çeviren köprü. - **"Oran $\propto$ miktar"** → exponential decay her yerde: **weight decay**, lr decay, EMA momentum ($\beta$), RL'de **discount** $\gamma^t$; sürekli dinamik (neural ODE). - **$e^{c \cdot t}$, $c$ = oran sabiti** → öğrenme oranı çizelgesi $e^{-\lambda t}$, Adam'da $\beta_1/\beta_2$ üstel ortalamaları; $c$, "ne kadar hızlı büyür/söner" anlamını taşır. ::: ## $2^t$: Bir Popülasyon, Her Gün İkiye Katlanıyor {#sec-2t} Sezgi için $2^t$ fonksiyonuna odaklanalım. Girdiyi bir **zaman** $T$ (gün cinsinden), çıktıyı ($2^t$) bir **popülasyon büyüklüğü** olarak düşün — her gün ikiye katlanan, verimli bir yaratık topluluğu. ```{python} #| label: fig-2t-buyume #| fig-cap: "$2^t$: her gün ikiye katlanan popülasyon. Gün-başına büyüme = o günkü kütleye eşit (kabaca; tam türev için bölümün sonuna bak)." #| fig-width: 11 #| fig-height: 5 import numpy as np import matplotlib.pyplot as plt t = np.arange(0, 7) m = 2**t fig, axes = plt.subplots(1, 2, figsize=(11, 5)) # Sol: tam-gün ölçek ax = axes[0] ax.bar(t, m, color='#60a5fa', edgecolor='#1e3a8a', linewidth=1.5) for ti, mi in zip(t, m): ax.text(ti, mi + 1, f'{mi}', fontsize=10, ha='center', color='#0f172a') ax.set_xlabel('gün $T$', fontsize=11) ax.set_ylabel('kütle $2^T$', fontsize=11) ax.set_title('Tam-gün büyüme: gün-başına artış = mevcut kütle', fontsize=11) ax.grid(alpha=0.3) # büyüme okları for ti in range(1, 6): ax.annotate('', xy=(ti+1, m[ti+1]), xytext=(ti+1, m[ti]), arrowprops=dict(arrowstyle='->', color='#c2410c', lw=1.5)) ax.text(ti+1+0.15, (m[ti]+m[ti+1])/2, f'+{m[ti+1]-m[ti]}', fontsize=9, color='#c2410c') # Sağ: sürekli grafik + teğet ax = axes[1] ts = np.linspace(0, 6, 200) ms = 2**ts ax.plot(ts, ms, color='#1e3a8a', linewidth=2.5, label='$2^t$') # teğet at t = 3 t0 = 3 m0 = 2**t0 egim = np.log(2) * m0 tt = np.linspace(t0 - 1.2, t0 + 1.2, 30) ax.plot(tt, egim*(tt - t0) + m0, '--', color='#dc2626', linewidth=2, label=f"teğet eğimi = $\\ln 2 \\cdot 2^3 \\approx {egim:.2f}$") ax.plot(t0, m0, 'o', color='#dc2626', markersize=10, zorder=5) ax.set_xlabel('$t$', fontsize=11) ax.set_ylabel('$2^t$', fontsize=11) ax.set_title("Sürekli türev: $d(2^t)/dt = \\ln 2 \\cdot 2^t$", fontsize=11) ax.legend(fontsize=10, loc='upper left') ax.grid(alpha=0.3) plt.tight_layout() plt.show() ``` $T = 0$'da kütle $2^0 = 1$; $T = 1$'de $2^1 = 2$; ve her gün ikiye katlanarak devam eder. Türev için, kütlenin büyüme oranı $dm/dt$'yi istiyoruz. Önce **tam bir günlük** değişime bakalım. 3. ile 4. gün arasında kütle 8'den 16'ya çıkar — günde 8 birim artış, ki bu **gün başındaki popülasyon büyüklüğüne eşit**. Genel olarak tam-günlük büyüme oranı, o günün başındaki popülasyona eşittir. Bu, "$2^t$'nin türevi kendisidir" demeye yol açabilir — doğru yönde ama tam doğru değil. Çünkü burada **tam bir gün** üzerinden karşılaştırma yapıyoruz; türev ise giderek **küçülen** değişimleri sorar. Sonraki bölümde bu farkı düzelteceğiz. ::: {.callout-tip title="Builder Notu — EMA ve Üstel Sönüm"} "Değişim oranı, mevcut büyüklüğe eşit/orantılı" — bu, tüm **üstel büyüme/sönüm** olgularının imzasıdır. ML'de bunu en çok **exponential moving average** (EMA) ve **üstel öğrenme oranı sönümü**nde görürsün: bir büyüklük, kendi değerinin sabit bir oranı kadar güncellenir, bu da üstel bir eğri çizer. ::: ## Türev: $2^t$ Kendisinin Bir Katı (Üstel Özellik) {#sec-ustel-ozellik} Tam-gün yerine küçük $dt$ için soralım: $[2^{t+dt} - 2^t] / dt$ nedir? Burada üstellerin **en önemli özelliği** devreye girer: üstte toplama varsa, çıktıyı bir çarpıma ayırabilirsin: $$ \frac{2^{t+dt} - 2^t}{dt} = 2^t \cdot \frac{2^{dt} - 1}{dt} $$ $2^t$'yi dışarı çarpan olarak aldık. Şimdi kritik gözlem: sağdaki $(2^{dt} - 1)/dt$ terimi, **başladığımız $t$'den tamamen bağımsız** — içinde yalnızca $dt$ var. Hesap makinesine küçük $dt$ değerleri koyarsan, $dt$ küçüldükçe bu ifade çok belirli bir sayıya yaklaşır: yaklaşık **$0{,}6931$**. ```{python} #| label: fig-ln-yakinsama #| fig-cap: "$(a^{dt} - 1)/dt$, $dt \\to 0$ iken $\\ln(a)$'ya yakınsar. Üç farklı taban için gözle görülür yakınsama." #| fig-width: 9 #| fig-height: 5 dts = np.logspace(0, -8, 50) fig, ax = plt.subplots(figsize=(9, 5)) for a, color, lbl in [(2, '#1e3a8a', '$(2^{dt}-1)/dt \\to \\ln 2 \\approx 0,693$'), (3, '#c2410c', '$(3^{dt}-1)/dt \\to \\ln 3 \\approx 1,099$'), (np.e, '#16a34a', '$(e^{dt}-1)/dt \\to \\ln e = 1$')]: vals = (a**dts - 1) / dts ax.semilogx(dts, vals, 'o-', color=color, markersize=5, linewidth=1.5, label=lbl) ax.axhline(np.log(a), color=color, linestyle=':', linewidth=1, alpha=0.6) ax.set_xlabel('$dt$', fontsize=12) ax.set_ylabel('$(a^{dt} - 1)/dt$', fontsize=12) ax.set_title("Üstellerin gizemli sabiti = $\\ln(\\text{taban})$", fontsize=12) ax.legend(fontsize=10, loc='upper right') ax.grid(True, which='both', alpha=0.3) ax.invert_xaxis() plt.tight_layout() plt.show() ``` Yani diğer fonksiyonların türevlerinin aksine, $dt$'ye bağlı her şey $t$'den ayrılıyor. Sonuç: $2^t$'nin türevi kendisidir, ama bir **sabitle** çarpılmış: $$ \frac{d}{dt}\, 2^t = (0{,}6931\ldots)\, 2^t $$ ::: {.callout-tip title="Builder Notu — Log-uzay"} Toplamayı (üstteki $t + dt$) çarpmaya ($2^t \cdot 2^{dt}$) çeviren bu özellik, ML'in **log-uzayda** çalışmasının nedenidir: olasılık çarpımları taşma yapar, ama log alınca toplama olur ve stabil kalır. Tersi yönde, $e^{\text{toplam}}$ = çarpım özdeşliği softmax'ın paydasını ve enerji-temelli modelleri tanımlar. "Toplamsal ↔ çarpımsal" köprüsü, üstel/logaritmik fonksiyonların ML'deki her yerdeliğinin kökü. ::: ## Gizemli Sabitler: $\ln(\text{taban})$ {#sec-ln} 2'de özel bir şey yok. $3^t$ ile çalışsaydık, üstel özellik yine "türev kendisiyle orantılı" sonucunu verirdi, ama bu kez sabit $\approx 1{,}0986$ olurdu. $8^t$ için sabit $\approx 2{,}079$ çıkar — ve dikkat: bu, 2 tabanının sabitinin tam **üç katıdır** ($3 \cdot 0{,}6931 = 2{,}079$). Tesadüf değil: $8 = 2^3$ olduğundan sabitler de bu ilişkiyi taşır. Örüntü şu: oran sabiti, tabanın **doğal logaritmasıdır** ($\ln$): $$ \frac{d}{dt}\, a^t = \ln(a)\cdot a^t $$ $$ \ln 2 \approx 0{,}6931, \qquad \ln 3 \approx 1{,}0986, \qquad \ln 8 = 3\ln 2 \approx 2{,}079 $$ ::: {.callout-tip title="Builder Notu — Cross-entropy"} $\ln(\text{taban})$ sabiti, ML'de **logit** ve **log-likelihood**'un temelidir. Bir softmax çıktısının logu, $\ln(\text{taban})$ ilişkileriyle doludur; cross-entropy kaybı $= -\sum \log p$, doğal logaritma üzerine kuruludur. Üstel bir büyümenin "hızını" ($\ln$ taban) okumak, log-ölçekli grafiklerde eğimi okumakla aynı şeydir. ::: ## $e$: Sabitin Tam 1 Olduğu Taban {#sec-e-tanim} Doğal soru: öyle bir taban var mı ki o orantı sabiti tam **1** olsun — yani üstelin türevi yalnızca kendisine *orantılı* değil, kendisine **eşit** olsun? Var: özel sabit **$e \approx 2{,}71828$**. Aslında $e$ burada "tesadüfen ortaya çıkmaz"; bu özellik $e$'yi **tanımlayan** şeydir. "Neden bunca sayı içinde $e$?" diye sormak, "neden bunca sayı içinde $\pi$, çemberin çevresinin çapına oranı?" diye sormak gibidir. ```{python} #| label: fig-e-tanim #| fig-cap: "$e^t$'in her noktasındaki teğet eğimi = o noktanın yüksekliğine eşit. Bu özellik $e$'yi diğer tüm tabanlardan ayırır." #| fig-width: 9 #| fig-height: 5.5 t = np.linspace(-1, 2.5, 200) y = np.exp(t) fig, ax = plt.subplots(figsize=(9, 5.5)) ax.plot(t, y, color='#1e3a8a', linewidth=2.5, label='$e^t$') # Birkaç noktada teğet eğimi = yükseklik for t0 in [-0.5, 0.5, 1.5]: y0 = np.exp(t0) tt = np.linspace(t0 - 0.6, t0 + 0.6, 30) ax.plot(tt, y0 * (tt - t0) + y0, '--', color='#dc2626', linewidth=1.5, alpha=0.8) ax.plot(t0, y0, 'o', color='#dc2626', markersize=9, zorder=5) ax.annotate(f'eğim = yükseklik = {y0:.2f}', xy=(t0, y0), xytext=(t0 - 0.5, y0 + 1), fontsize=10, color='#7f1d1d', arrowprops=dict(arrowstyle='->', color='#dc2626')) ax.axhline(0, color='#94a3b8', linewidth=0.7) ax.set_xlabel('$t$', fontsize=12) ax.set_ylabel('$e^t$', fontsize=12) ax.set_title(r'$\frac{d}{dt}\,e^t = e^t$ — teğet eğimi = grafik yüksekliği', fontsize=12) ax.legend(fontsize=11, loc='upper left') ax.grid(alpha=0.3) plt.tight_layout() plt.show() ``` Tüm üsteller kendi türevleriyle orantılıdır; ama yalnızca $e$'de o sabit 1'dir: $$ \frac{d}{dt}\, e^t = e^t \qquad (e \approx 2{,}71828) $$ ::: {.callout-tip title="Builder Notu — Neural ODE"} "Türevi kendine eşit" özelliği, $e^t$'yi diferansiyel denklemlerin doğal çözümü yapar — ve ML'de **sürekli dinamiklerin** dili budur. Bir neural ODE'de gizli durumun zaman evrimi $dy/dt = f(y)$ biçimindedir; en basit hâli ($f(y) = c \cdot y$) doğrudan üstel çözüm verir. ::: ## $e^{ct}$ Bir Seçimdir: $c$'nin Anlamı {#sec-ect} Zincir kuralıyla ([Ders 4](04-zincir-carpim-kurali.qmd)) artık her şeyi çözebiliriz. $d(e^{3t})/dt$ nedir? Dış fonksiyon $e^x$ (türevi kendisi), iç fonksiyon $3t$ (türevi 3). Zincir kuralı: $$ \frac{d}{dt}\, e^{ct} = c\, e^{ct} $$ Şimdi gizemli sabitler tamamen çözülüyor. 2 sayısını $e^{\ln 2}$ olarak yazabiliriz. O hâlde $2^t = e^{(\ln 2) \cdot t}$, ve zincir kuralı türevin sabitini doğrudan $\ln 2$ yapar: $$ 2^t = e^{(\ln 2)\, t} \qquad \frac{d}{dt}\, 2^t = \ln 2 \cdot 2^t $$ İşte $0{,}6931 = \ln 2$ buradan geliyor; aynısı her taban için geçerli (sabit = $\ln$ taban). Bu yüzden calculus uygulamalarında üsteller neredeyse hiç "taban üzeri $t$" yazılmaz; **$e^{\text{sabit} \cdot t}$** yazılır. ::: {.callout-tip title="Builder Notu — Hep Aynı Kalıp"} $e^{ct}$ yazımı ML'de standarttır çünkü $c$, "ne kadar hızlı" sorusunun yanıtıdır. Öğrenme oranı sönümü genelde $\text{lr}(t) = \text{lr}_0 \cdot e^{-\lambda t}$ biçimindedir; $\lambda$, sönüm hızıdır. EMA güncellemesi (momentum $\beta$) ve Adam'ın $\beta_1/\beta_2$'si üstel ortalamalardır. RL'de discount $\gamma^t = e^{(\ln \gamma) \cdot t}$. Hep aynı kalıp: $e^{ct}$, $c$ = oran. ::: ## Doğanın Üstelleri: Oran $\propto$ Miktar {#sec-orann-miktar} Neden bu kadar çok şey üstel? Çünkü doğada pek çok olguda, bir niceliğin **değişim oranı, o niceliğin kendisiyle orantılıdır**: - **Popülasyon:** büyüme oranı, mevcut nüfusla orantılı (kaynak sınırı yoksa). - **Newton soğuması:** sıcak su soğur, soğuma oranı su ile oda arasındaki sıcaklık **farkıyla** orantılı. - **Bileşik faiz:** paranın büyüme oranı, o anki para miktarıyla orantılı. ```{python} #| label: fig-buyume-sonum #| fig-cap: "Üstel büyüme ve sönüm: $c$ pozitifse büyür, negatifse söner. $|c|$ büyüklük \"hızı\" verir." #| fig-width: 11 #| fig-height: 4.5 t = np.linspace(0, 5, 200) fig, axes = plt.subplots(1, 2, figsize=(11, 4.5)) ax = axes[0] for c, color in [(0.3, '#60a5fa'), (0.5, '#1e3a8a'), (1.0, '#0f172a')]: ax.plot(t, np.exp(c*t), color=color, linewidth=2.2, label=f'$e^{{{c}t}}$') ax.set_xlabel('$t$', fontsize=11); ax.set_ylabel('$N(t)$', fontsize=11) ax.set_title('Üstel büyüme: $c > 0$', fontsize=11) ax.legend(fontsize=10); ax.grid(alpha=0.3) ax = axes[1] for c, color in [(-0.3, '#fb923c'), (-0.7, '#c2410c'), (-1.5, '#7f1d1d')]: ax.plot(t, np.exp(c*t), color=color, linewidth=2.2, label=f'$e^{{{c}t}}$') ax.set_xlabel('$t$', fontsize=11); ax.set_ylabel('$N(t)$', fontsize=11) ax.set_title('Üstel sönüm: $c < 0$ (weight decay, lr schedule)', fontsize=11) ax.legend(fontsize=10); ax.grid(alpha=0.3) plt.tight_layout() plt.show() ``` Bu durumların hepsinde, niceliği zamana karşı tanımlayan fonksiyon bir **üsteldir**. Matematiksel olarak "oran kendisiyle orantılı" demek: $$ \frac{dN}{dt} = c\, N \qquad N(t) = N_0\, e^{ct} $$ Bu fonksiyonu yazmanın çok yolu olsa da, $e^{c \cdot t}$ seçmek doğaldır — çünkü $c$, tam olarak değişen değişkenin büyüklüğü ile değişim oranı arasındaki **orantı sabitidir**. > *"it's the same as the proportionality constant between the size of the changing variable and the rate of change."* — Grant, 13:05 ::: {.callout-tip title="Builder Notu — Gradient Flow"} $dN/dt = c \cdot N$ denklemi, ML'deki sürekli-zaman düşüncesinin iskeletidir. **Weight decay** bir sönüm denklemidir ($dw/dt = -\lambda w \to w(t) = w_0 e^{-\lambda t}$). **EMA**: yeni ortalama, eskiyle üstel ağırlıklı karışır. Gradient flow, SGD'nin sürekli limiti olarak $d\theta/dt = -\nabla L$ biçiminde yazılır; lineerleştirildiğinde özdeğerler $e^{\lambda t}$ terimleri verir ve eğitimin kararlılığını (patlama/sönme) belirler. ::: ## Bu Dersin Özeti {#sec-ozet-5} 1. Üstellerin türevi, kendilerinin bir katıdır; bunu üstel özellik $a^{t+dt} = a^t \cdot a^{dt}$ sağlar. 2. O kat, başlangıç zamanı $t$'den bağımsız bir sabittir: $(a^{dt} - 1)/dt$, $dt \to 0$ iken $\ln(a)$'ya yaklaşır. 3. $d(a^t)/dt = \ln(a) \cdot a^t$. Sayısal: $\ln 2 \approx 0{,}6931$, $\ln 3 \approx 1{,}0986$, $\ln 8 = 3 \cdot \ln 2 \approx 2{,}079$. 4. $e \approx 2{,}71828$, o sabitin tam 1 olduğu özel tabandır: $d(e^t)/dt = e^t$. Bu eşitlik $e$'yi **tanımlar**. 5. Zincir kuralıyla $d(e^{ct})/dt = c \cdot e^{ct}$; ve $2^t = e^{(\ln 2) \cdot t}$ yazımı gizemli sabitleri tamamen açıklar. 6. $e^{c \cdot t}$ yazmak bir **seçimdir** ($e$ fonksiyona özsel değil); değerini, $c$'ye "oranın miktara oranı" anlamını vermesi belirler. 7. "Değişim oranı miktarla orantılı" ($dN/dt = c \cdot N$) olan her olgu, üstel bir çözüme ($N_0 \cdot e^{ct}$) sahiptir. ::: {.callout-important title="Tek bir cümle"} $e^x$, türevi tam kendisine eşit olan yegâne üstel tabandır (bu, $e$'nin tanımıdır); ve "değişim oranı, değişen miktarla orantılı" olan her olgu — popülasyon, soğuma, faiz, sönüm — doğal olarak $e^{c \cdot t}$ biçiminde yazılır, çünkü buradaki $c$ o orantı sabitidir. ::: ## Kontrol Soruları {#sec-sorular-5} ::: {.callout-note collapse="true" title="Soru 1: d/dt [ $e^{5t}$ ] nedir?"} **Cevap:** Zincir kuralı: dış fonksiyon $e^x$ (türevi kendisi), iç fonksiyon $5t$ (türevi 5). Sonuç: $e^{5t} \cdot 5 = 5e^{5t}$. Genel olarak $d(e^{ct})/dt = c \cdot e^{ct}$. ::: ::: {.callout-note collapse="true" title="Soru 2: d($a^t$)/dt'deki orantı sabiti neden başlangıç zamanı t'den bağımsızdır?"} **Cevap:** Üstel özellik sayesinde: $a^{t+dt} = a^t \cdot a^{dt}$. Fark oranında $a^t$ dışarı çarpan olarak çıkar ve geriye $(a^{dt} - 1)/dt$ kalır — bu ifade yalnızca $dt$'ye bağlıdır, $t$ hiç görünmez. Bu yüzden türev "kendisi çarpı bir sabit"tir; sabit $= \ln(a)$. ::: ::: {.callout-note collapse="true" title="Soru 3: d/dt [ $e^{-t}$ ] nedir ve ne anlama gelir?"} **Cevap:** $c = -1$ için $d(e^{ct})/dt = c \cdot e^{ct} = -e^{-t}$. Türev daima değerin negatifi: fonksiyon her zaman azalır, üstelik o anki değeriyle orantılı hızda. Bu **üstel sönümdür** — radyoaktif bozunma, weight decay, lr sönümü hep bu biçimde. ::: ::: {.callout-note collapse="true" title="Soru 4: (Builder) Weight decay'de $w(t) = w_0 \cdot e^{-\lambda t}$. λ büyürse ne olur? Yarı-ömür nedir?"} **Cevap:** $\lambda$ büyüdükçe sönüm hızlanır — ağırlık daha çabuk küçülür. Yarı-ömür, değerin yarıya indiği süredir: $e^{-\lambda t} = 1/2 \to t = \ln 2 / \lambda$. Yani $\lambda$ iki katına çıkarsa yarı-ömür yarıya iner. $\lambda$, "regularizasyonun ne kadar agresif olduğunu" doğrudan kontrol eder; EMA momentum $\beta$ ve Adam'ın $\beta_1/\beta_2$'si de aynı yarı-ömür mantığıyla okunur. ::: ## Egzersizler {#sec-egzersizler-5} **Egzersiz 1.** Şu türevleri bul: $d/dt[e^{-2t}]$, $d/dx[e^{x^2}]$ (zincir kuralı), $d/dt[3 \cdot e^t]$. **Egzersiz 2.** $5^t$'nin türev sabitinin $\ln 5$ olduğunu göster: $5 = e^{\ln 5}$ yazıp zincir kuralını uygula. $\ln 5$'i hesapla ($\approx 1{,}609$) ve $(5^{0{,}001} - 1)/0{,}001$ ile karşılaştır. **Egzersiz 3.** *(Newton soğuması)* Soğuma denklemi $dT/dt = -k(T - T_{\text{oda}})$. Çözümün $T(t) = T_{\text{oda}} + (T_0 - T_{\text{oda}}) \cdot e^{-kt}$ olduğunu, bu ifadeyi denkleme yerine koyarak doğrula. **Egzersiz 4.** *(Python — sayısal doğrulama)* $(2^{dt} - 1)/dt$'nin $dt \to 0$ iken $\ln 2$'ye yaklaştığını göster; ayrıca $e^t$ ile sayısal türevinin çakıştığını çiz. ```{python} #| label: fig-e-ozdeslik #| fig-cap: "$e^t$ ile sayısal türevi ($\\Delta e^t / \\Delta t$) tam çakışır — bir fonksiyonun kendisine eşit türevi olmasının görsel kanıtı." #| fig-width: 9 #| fig-height: 5 import numpy as np import matplotlib.pyplot as plt for dt in [1e-1, 1e-2, 1e-3, 1e-5]: print(f"dt={dt:.0e} (2^dt - 1)/dt = {(2**dt - 1)/dt:.6f}") print("ln 2 =", np.log(2)) t = np.linspace(-2, 2, 200) fig, ax = plt.subplots(figsize=(9, 5)) ax.plot(t, np.exp(t), color='#1e3a8a', linewidth=2.5, label='$e^t$') ax.plot(t, np.gradient(np.exp(t), t), '--', color='#dc2626', linewidth=2, label='sayısal türev $\\Delta e^t / \\Delta t$') ax.legend(fontsize=11) ax.set_title("$e^t$ ile türevi çakışıyor — kendisine eşit türev", fontsize=12) ax.set_xlabel('$t$'); ax.set_ylabel('değer') ax.grid(alpha=0.3) plt.tight_layout() plt.show() ``` **Egzersiz 5.** *(Sonraki dersin habercisi)* Şimdiye kadar hep $y = f(x)$ biçiminde **açık** fonksiyonların türevini aldık. Peki $x^2 + y^2 = 25$ gibi, $y$'yi $x$ cinsinden açıkça çözmediğin **kapalı** bir ilişkide $dy/dx$ nasıl bulunur? Ders 6, **kapalı türevi** anlatacak. ## Anahtar Kavramlar (Cheat Sheet) {#sec-cheat-5} | Kavram | Tanım | Grant'ta | |--------|-------|----------| | **Üstel özellik** | $a^{t+dt} = a^t \cdot a^{dt}$; toplama → çarpma | 4m14 | | **$d(a^t)/dt = \ln(a) \cdot a^t$** | Türev = kendisi çarpı $\ln$(taban) | 5m53 | | **Gizemli sabit = $\ln$(taban)** | $0{,}6931 = \ln 2$; $1{,}0986 = \ln 3$ | 10m45 | | **$e \approx 2{,}71828$** | Orantı sabitinin tam 1 olduğu taban | 7m54 | | **$d(e^t)/dt = e^t$** | $e$'yi tanımlayan özellik; teğet eğimi = yükseklik | 8m36 | | **$d(e^{ct})/dt = c \cdot e^{ct}$** | Zincir kuralı; $c$ = oran sabiti | 9m00 | | **$2^t = e^{(\ln 2) \cdot t}$** | Her üstel, $e$ tabanında yazılabilir | 9m58 | | **Oran $\propto$ miktar** | $dN/dt = c \cdot N \to N_0 \cdot e^{ct}$ | 11m55 | ## ML Bağlantıları Özeti {#sec-ml-5} ::: {.callout-tip title="7 köprü"} 1. **$d(e^x)/dx = e^x$** → softmax ($e^{\text{logit}}$), sigmoid, gradient flow, neural ODE'lerin doğal çözümü. 2. **Üstel sönüm** → weight decay ($w_0 e^{-\lambda t}$), lr schedule, EMA momentum, RL discount $\gamma^t = e^{(\ln \gamma) \cdot t}$. 3. **$\ln$(taban) sabiti** → logit, log-likelihood, cross-entropy; kayıp eğrilerini log-ölçekte okumak. 4. **Üstel özellik (toplam → çarpım)** → log-olasılık toplamı (taşma önleme), enerji-temelli modeller, softmax paydası. 5. **$e^{ct}$, $c$ = oran** → yarı-ömür/$\beta$ okuması: EMA, Adam ($\beta_1/\beta_2$), öğrenme oranı çizelgeleri. 6. **$dN/dt = c \cdot N$** → sürekli dinamik; gradient flow lineerleştirmesinde özdeğer $e^{\lambda t}$, eğitimin patlama/sönme kararlılığı. 7. **$e$'nin tanımı (türevi kendisi)** → diferansiyel denklemlerin doğal çözüm tabanı; lineer sistem analizinin dili. ::: ::: {.callout-important title="Tek bir şey alıp gideceksen"} Üstellerin sihri tek bir özellikten gelir — türevleri kendileriyle orantılıdır, orantı sabiti de $\ln$(taban). $e$, bu sabitin tam 1 olduğu sayıdır; yani $e^x$ kendi türevine eşittir. Bu yüzden "değişimi kendi büyüklüğüne bağlı" olan her şey (büyüme, sönüm, softmax, EMA, discount) $e^{c \cdot t}$ ile yazılır ve $c$ sana o değişimin hızını söyler. :::

Kavram	Tanım	Grant’ta
Üstel özellik	\(a^{t+dt} = a^t \cdot a^{dt}\); toplama → çarpma	4m14
\(d(a^t)/dt = \ln(a) \cdot a^t\)	Türev = kendisi çarpı \(\ln\)(taban)	5m53
Gizemli sabit = \(\ln\)(taban)	\(0{,}6931 = \ln 2\); \(1{,}0986 = \ln 3\)	10m45
\(e \approx 2{,}71828\)	Orantı sabitinin tam 1 olduğu taban	7m54
\(d(e^t)/dt = e^t\)	\(e\)’yi tanımlayan özellik; teğet eğimi = yükseklik	8m36
\(d(e^{ct})/dt = c \cdot e^{ct}\)	Zincir kuralı; \(c\) = oran sabiti	9m00
\(2^t = e^{(\ln 2) \cdot t}\)	Her üstel, \(e\) tabanında yazılabilir	9m58
Oran \(\propto\) miktar	\(dN/dt = c \cdot N \to N_0 \cdot e^{ct}\)	11m55

6 Euler Sayısı e’nin Özelliği

6.1 Bu Derste Ne Var?

6.2 \(2^t\): Bir Popülasyon, Her Gün İkiye Katlanıyor

6.3 Türev: \(2^t\) Kendisinin Bir Katı (Üstel Özellik)

6.4 Gizemli Sabitler: \(\ln(\text{taban})\)

6.5 \(e\): Sabitin Tam 1 Olduğu Taban

6.6 \(e^{ct}\) Bir Seçimdir: \(c\)’nin Anlamı

6.7 Doğanın Üstelleri: Oran \(\propto\) Miktar

6.8 Bu Dersin Özeti

6.9 Kontrol Soruları

6.10 Egzersizler

6.11 Anahtar Kavramlar (Cheat Sheet)

6.12 ML Bağlantıları Özeti