TEDxBoston 2011
Jean-Baptiste Michel + Erez Lieberman Aiden: What we learned from 5 million books
5 Milyon Kitaptan Ne Öğrendik?
Filmed:
Readability: 3.9
2,049,453 views
Google Labs'ın Ngram Görüntüleyicisini hiç denediniz mi? Size yüzyıllara yayılmış 5 milyon kitabın arasından kelimeleri ve fikirleri aramanızı sağlayan bağımlılık yaratan bir araç. Erez Lieberman Aiden ve Jean-Baptiste Michel bizlere nasıl çalıştığını ve 500 milyar kelimeden öğrenebileceğimiz bazı ilginç şeyleri gösteriyorlar.
Jean-Baptiste Michel - Data researcher
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bioErez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ... Full bio
Jean-Baptiste Michel looks at how we can use large volumes of data to better understand our world. Full bioErez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ... Full bio
Double-click the English transcript below to play the video.
00:15
Erez Lieberman Aiden: Everyone knows
0
0
2000
Erez Lieberman Aiden: Herkes bilir ki
00:17
that a picture is worth a thousand words.
1
2000
3000
bir resim 1000 kelimeye değerdir.
00:22
But we at Harvard
2
7000
2000
Ama Harvard'daki bizler
00:24
were wondering if this was really true.
3
9000
3000
bunun gerçekten doğru olup olmadığını merak ediyorduk.
00:27
(Laughter)
4
12000
2000
(Gülüşmeler)
00:29
So we assembled a team of experts,
5
14000
4000
Böylece, Harvard, MIT,
00:33
spanning Harvard, MIT,
6
18000
2000
American Heritage Sözlüğü, Britannica Ansiklopedisi,
00:35
The American Heritage Dictionary, The Encyclopedia Britannica
7
20000
3000
ve gururlu sponsorlarımız Google'ın da arasında bulunduğu
00:38
and even our proud sponsors,
8
23000
2000
uzmanlardan oluşan
00:40
the Google.
9
25000
3000
bir ekip hazırladık.
00:43
And we cogitated about this
10
28000
2000
ve 4 yıl kadar
00:45
for about four years.
11
30000
2000
bunun üzerinde düşündük.
00:47
And we came to a startling conclusion.
12
32000
5000
Ve şaşırtıcı bir sonuca vardık.
00:52
Ladies and gentlemen, a picture is not worth a thousand words.
13
37000
3000
Bayanlar baylar, bir resim 1000 kelimeye değer değil.
00:55
In fact, we found some pictures
14
40000
2000
Hatta, biz 500 milyar kelimeye değer
00:57
that are worth 500 billion words.
15
42000
5000
resimler bulduk.
01:02
Jean-Baptiste Michel: So how did we get to this conclusion?
16
47000
2000
Jean-Baptiste Michel: peki bu sonuca nasıl vardık?
01:04
So Erez and I were thinking about ways
17
49000
2000
Erez ve ben, insan kültürünün ve insanlık tarihinin
01:06
to get a big picture of human culture
18
51000
2000
zamanla değişiminin
01:08
and human history: change over time.
19
53000
3000
genel bir tablosunu oluşturmak istiyorduk.
01:11
So many books actually have been written over the years.
20
56000
2000
Yıllar içinde o kadar çok kitap yazılmış ki.
01:13
So we were thinking, well the best way to learn from them
21
58000
2000
Biz de düşündük ki. onlardan öğrenmenin en iyi yolu
01:15
is to read all of these millions of books.
22
60000
2000
tüm bu milyonlarca kitapları okumak.
01:17
Now of course, if there's a scale for how awesome that is,
23
62000
3000
Tabiki eğer bunun ne kadar süper bir şey olduğunu gösteren bir grafik varsa,
01:20
that has to rank extremely, extremely high.
24
65000
3000
bu çok çok yüksek bir sıralamaya sahip olmalı.
01:23
Now the problem is there's an X-axis for that,
25
68000
2000
Problem şu ki, bir de X ekseni var,
01:25
which is the practical axis.
26
70000
2000
ki o da kullanışlılık ekseni.
01:27
This is very, very low.
27
72000
2000
Bu da çok çok düşük bir seviyede.
01:29
(Applause)
28
74000
3000
(Alkışlar)
01:32
Now people tend to use an alternative approach,
29
77000
3000
Şimdi insanlar alternatif bir yaklaşım kullanmaya meyilli,
01:35
which is to take a few sources and read them very carefully.
30
80000
2000
bu da bir kaç kaynağı almak ve onlar dikkatlice okumak.
01:37
This is extremely practical, but not so awesome.
31
82000
2000
Bu inanılmaz kullanışlı, ama o kadar süper değil.
01:39
What you really want to do
32
84000
3000
Gerçekte yapmak istediğiniz şey
01:42
is to get to the awesome yet practical part of this space.
33
87000
3000
süper ama kullanışlı olan bu alana gelmek.
01:45
So it turns out there was a company across the river called Google
34
90000
3000
Öğrendik ki bir kaç sene önce bir dijitalizasyon projesi başlatan
01:48
who had started a digitization project a few years back
35
93000
2000
bu yaklaşımı mümkün kılabilecek
01:50
that might just enable this approach.
36
95000
2000
nehrin ötesinde Google adında bir şirket varmış.
01:52
They have digitized millions of books.
37
97000
2000
Mİlyonlarca kitabı dijitalize hale getirdiler.
01:54
So what that means is, one could use computational methods
38
99000
3000
Yani bu şu anlama geliyor: biri bu kitapların hepsini okumak için
01:57
to read all of the books in a click of a button.
39
102000
2000
bir klikle bilgisayarlı methodları kullanabilir.
01:59
That's very practical and extremely awesome.
40
104000
3000
Bu çok kullanışlı ve inanılmaz süper.
02:03
ELA: Let me tell you a little bit about where books come from.
41
108000
2000
ELA: Sizlere biraz kitapların nereden geldiğinden bahsedeyim.
02:05
Since time immemorial, there have been authors.
42
110000
3000
Zamanın başlangıcından beri, yazarlar vardı.
02:08
These authors have been striving to write books.
43
113000
3000
Bu yazarlar kitap yazmak için çabalayıp durdular.
02:11
And this became considerably easier
44
116000
2000
Bir kaç yüzyıl önce matbaa makinesinin geliştirilmesiyle
02:13
with the development of the printing press some centuries ago.
45
118000
2000
bu gittikçe kolaylaştı.
02:15
Since then, the authors have won
46
120000
3000
O zamandan beri, 129 milyon farklı vesilelerle
02:18
on 129 million distinct occasions,
47
123000
2000
kitaplar yayınlayarak,
02:20
publishing books.
48
125000
2000
yazarlar kazandı.
02:22
Now if those books are not lost to history,
49
127000
2000
Şimdi ise bu kitaplar tarih arasında kaybolup gitmediyse
02:24
then they are somewhere in a library,
50
129000
2000
bir kütüphanenin tekinde
02:26
and many of those books have been getting retrieved from the libraries
51
131000
3000
ve bu kitapların çoğu kütüphanelerden getirtiliyor,
02:29
and digitized by Google,
52
134000
2000
ve günümüze kadar 15 milyon kitabı taramış olan,
02:31
which has scanned 15 million books to date.
53
136000
2000
Google tarafından dijitalize hale getiriliyorlar.
02:33
Now when Google digitizes a book, they put it into a really nice format.
54
138000
3000
Şimdi Google bir kitabı dijitalize hale getirdiğinde, onu çok güzel bir formatla sunuyorlar.
02:36
Now we've got the data, plus we have metadata.
55
141000
2000
Şimdi elimizde veri var ve meta veri var.
02:38
We have information about things like where was it published,
56
143000
3000
Kitabın nerede basıldığı, yazarın kim olduğu
02:41
who was the author, when was it published.
57
146000
2000
ne zaman basıldığı gibi şeyler hakkında bilgimiz var.
02:43
And what we do is go through all of those records
58
148000
3000
Yaptığımız ise bütün bu bilgileri taramak
02:46
and exclude everything that's not the highest quality data.
59
151000
4000
ve yüksek kaliteli olmayan tüm verileri ayıklamak.
02:50
What we're left with
60
155000
2000
Elimizde kalan şey ise
02:52
is a collection of five million books,
61
157000
3000
5 milyon kitabın
02:55
500 billion words,
62
160000
3000
500 milyar kelimenin toplamı,
02:58
a string of characters a thousand times longer
63
163000
2000
kültürel genomumuzun gerçek bir parçası,
03:00
than the human genome --
64
165000
3000
açık açık yazıldığında,
03:03
a text which, when written out,
65
168000
2000
buradan aya kadar,
03:05
would stretch from here to the Moon and back
66
170000
2000
10 kez gidip gelebilecek,
03:07
10 times over --
67
172000
2000
insan genomundan 1000 kere daha uzun olan
03:09
a veritable shard of our cultural genome.
68
174000
4000
bir karakterler dizisi.
03:13
Of course what we did
69
178000
2000
Böyle aşırı abartılı bir durumla karşı karşıya kaldığımızda
03:15
when faced with such outrageous hyperbole ...
70
180000
3000
yaptığımız şey
03:18
(Laughter)
71
183000
2000
(Gülüşmeler)
03:20
was what any self-respecting researchers
72
185000
3000
kendine saygısı olan her araştırmacının
03:23
would have done.
73
188000
3000
yapacağı şeydi.
03:26
We took a page out of XKCD,
74
191000
2000
XKDC'den bir sayfayı aldık,
03:28
and we said, "Stand back.
75
193000
2000
ve "Sıkı durun, bilim yapmayı deneyeceğiz"
03:30
We're going to try science."
76
195000
2000
dedik.
03:32
(Laughter)
77
197000
2000
(Gülüşmeler)
03:34
JM: Now of course, we were thinking,
78
199000
2000
JM: Tabii ki, şöyle düşündük,
03:36
well let's just first put the data out there
79
201000
2000
bilimle ilgilenen insanlar için
03:38
for people to do science to it.
80
203000
2000
elimizdeki datayı ortaya koyalım.
03:40
Now we're thinking, what data can we release?
81
205000
2000
Düşünmeye başladık, hangi datayı yayınlayabiliriz?
03:42
Well of course, you want to take the books
82
207000
2000
Tabii ki, bu kitapları alıp
03:44
and release the full text of these five million books.
83
209000
2000
bu 5 milyon kitabın tam metinlerini yayınlamak istiyorsunuz.
03:46
Now Google, and Jon Orwant in particular,
84
211000
2000
Google'dakiler, özellikle Jon Orwant,
03:48
told us a little equation that we should learn.
85
213000
2000
bize öğrenmemiz gereken bir denklemden bahsettiler.
03:50
So you have five million, that is, five million authors
86
215000
3000
Şimdi elinizde 5 milyon yazar var
03:53
and five million plaintiffs is a massive lawsuit.
87
218000
3000
ve 5 milyon davacı devasa bir toplu dava demek.
03:56
So, although that would be really, really awesome,
88
221000
2000
Yani bu her ne kadar çok çok süper bir şey olsa da,
03:58
again, that's extremely, extremely impractical.
89
223000
3000
tekrar edelim, çok ama çok kullanışsız.
04:01
(Laughter)
90
226000
2000
(Gülüşmeler)
04:03
Now again, we kind of caved in,
91
228000
2000
Ve tekrardan, boyun eğdik,
04:05
and we did the very practical approach, which was a bit less awesome.
92
230000
3000
ve o kadar süper olmayan kullanışlı yaklaşımı kullandık.
04:08
We said, well instead of releasing the full text,
93
233000
2000
Tam metini yayınlamak yerine,
04:10
we're going to release statistics about the books.
94
235000
2000
kitaplar hakkında istatistikleri yayınlayalım dedik.
04:12
So take for instance "A gleam of happiness."
95
237000
2000
"Bir Pırıltı Mutluluk" 'u ele alalım.
04:14
It's four words; we call that a four-gram.
96
239000
2000
3 kelime; biz buna üç-gram dedik.
04:16
We're going to tell you how many times a particular four-gram
97
241000
2000
Size bu üç-gram'ın 1801, 1802, 1803 ten baslayip
04:18
appeared in books in 1801, 1802, 1803,
98
243000
2000
2008'e kadar olan kitaplarda kaç defa
04:20
all the way up to 2008.
99
245000
2000
geçtiğini söyleyeceğiz.
04:22
That gives us a time series
100
247000
2000
Bu, bize bu cümlenin zaman içinde
04:24
of how frequently this particular sentence was used over time.
101
249000
2000
kaç defa tekrarladığını gösteren bir zaman dizini sunacak.
04:26
We do that for all the words and phrases that appear in those books,
102
251000
3000
Bu yöntemi, bu kitaplardaki tüm kelime ve deyimlere uygularsak
04:29
and that gives us a big table of two billion lines
103
254000
3000
sonunda elimizde kültürümüzün ne şekilde değistigini gösteren
04:32
that tell us about the way culture has been changing.
104
257000
2000
iki milyar satırlık bir tablo ortaya çıkacak.
04:34
ELA: So those two billion lines,
105
259000
2000
ELA: Peki, bu iki milyar satır,
04:36
we call them two billion n-grams.
106
261000
2000
bunlara iki milyar n-gram diyelim.
04:38
What do they tell us?
107
263000
2000
Bize ne söylüyorlar?
04:40
Well the individual n-grams measure cultural trends.
108
265000
2000
Yalın n-gramlar, kültürel trendleri ölçmeye yarıyor.
04:42
Let me give you an example.
109
267000
2000
Bir örnek vermeme izin verin.
04:44
Let's suppose that I am thriving,
110
269000
2000
Diyelim ki ben çok başarılı oldum.
04:46
then tomorrow I want to tell you about how well I did.
111
271000
2000
ve ertesi gün size ne kadar başarılı olduğumu söylemek istedim.
04:48
And so I might say, "Yesterday, I throve."
112
273000
3000
Diyebilirim ki, ben dün "başardım." (throve)
04:51
Alternatively, I could say, "Yesterday, I thrived."
113
276000
3000
Ya da diyebilirim ki "başardım". (thrived)
04:54
Well which one should I use?
114
279000
3000
Hangisini kullanmalıyım?
04:57
How to know?
115
282000
2000
Nasıl bileceğiz?
04:59
As of about six months ago,
116
284000
2000
Bundan yaklaşık altı ay önce
05:01
the state of the art in this field
117
286000
2000
bu sorunun yanıtını öğrenmek için
05:03
is that you would, for instance,
118
288000
2000
mesela bu muhteşem saçlara sahip
05:05
go up to the following psychologist with fabulous hair,
119
290000
2000
psikoloğa gider ve derdiniz ki,
05:07
and you'd say,
120
292000
2000
"Steve, sen düzensiz fiil çekimi konusunda
05:09
"Steve, you're an expert on the irregular verbs.
121
294000
3000
tam bir uzmansın. Hangisini ( throve veya thrived)
05:12
What should I do?"
122
297000
2000
kullanmam gerekir?"
05:14
And he'd tell you, "Well most people say thrived,
123
299000
2000
O da size derdi ki "Bak insanların çoğu 'thrived' diyor,
05:16
but some people say throve."
124
301000
3000
ama bazıları 'thrıve' da diyorlar."
05:19
And you also knew, more or less,
125
304000
2000
Ve şunu da biliyorsunuz ki,
05:21
that if you were to go back in time 200 years
126
306000
3000
eğer bundan 200 yıl önceye gidebiliyor olsanız
05:24
and ask the following statesman with equally fabulous hair,
127
309000
3000
ve aynı derece müthiş saçlara sahip bu devlet adamına aynı soruyu sorsanız,
05:27
(Laughter)
128
312000
3000
(Gülüşmeler)
05:30
"Tom, what should I say?"
129
315000
2000
"Tom, hangisini kullanmalıyım?" deseniz
05:32
He'd say, "Well, in my day, most people throve,
130
317000
2000
O size " Bak, benim zamanımda çoğu insan 'throve' diyordu,
05:34
but some thrived."
131
319000
3000
ama bazıları 'thrived' da der." diyecektir.
05:37
So now what I'm just going to show you is raw data.
132
322000
2000
Öylese şimdi sizle ham veriyi paylaşacağım.
05:39
Two rows from this table of two billion entries.
133
324000
4000
Bu tablodaki iki sıra, iki milyar kayıt demek.
05:43
What you're seeing is year by year frequency
134
328000
2000
Burada gördüğünüz zaman içinde "thrived" ve "throve"
05:45
of "thrived" and "throve" over time.
135
330000
3000
kelimelerinin yıllık frekansı.
05:49
Now this is just two
136
334000
2000
Burada gördüğünüz, iki milyar satırdan
05:51
out of two billion rows.
137
336000
3000
sadece iki tanesi.
05:54
So the entire data set
138
339000
2000
Yani aslında veri setinin tamamı
05:56
is a billion times more awesome than this slide.
139
341000
3000
bu slaytta gördüşünüzden milyar kez daha müthiş.
05:59
(Laughter)
140
344000
2000
(Gülüşmeler)
06:01
(Applause)
141
346000
4000
(Alkışlar)
06:05
JM: Now there are many other pictures that are worth 500 billion words.
142
350000
2000
JM: Şimdi, 500 milyar kelime eden çok farklı başka resimler de var.
06:07
For instance, this one.
143
352000
2000
mesela bu gördüğünüz.
06:09
If you just take influenza,
144
354000
2000
Eğer sadece grip virüsünü alırsanız,
06:11
you will see peaks at the time where you knew
145
356000
2000
dünyada insanların ölümüne neden olan bir grip salgını
06:13
big flu epidemics were killing people around the globe.
146
358000
3000
olduğu zamanlarda pik yaptığını görürsünüz.
06:16
ELA: If you were not yet convinced,
147
361000
3000
ELA: Eğer hala deniz seviyesinin
06:19
sea levels are rising,
148
364000
2000
yükseldiğine ve atmosferik CO2 ve
06:21
so is atmospheric CO2 and global temperature.
149
366000
3000
yerkürenin ısısının arttığına ikna olmadıysanız buna bakabilirsiniz.
06:24
JM: You might also want to have a look at this particular n-gram,
150
369000
3000
JM: Ya da bu diğer n-grama bakarsanız,
06:27
and that's to tell Nietzsche that God is not dead,
151
372000
3000
Nietzsche'ye Tanrıinın ölmediğini söyleyebilirsiniz,
06:30
although you might agree that he might need a better publicist.
152
375000
3000
ama siz de kabul edeceksiniz ki daha iyi bir halkla ilişkiler uzmanına ihtiyacı var.
06:33
(Laughter)
153
378000
2000
(Gülüşmeler)
06:35
ELA: You can get at some pretty abstract concepts with this sort of thing.
154
380000
3000
ELA: Bu tip birşeyi kullanarak epey soyut kavramlara varabilirsiniz.
06:38
For instance, let me tell you the history
155
383000
2000
mesela izin verin size 1950 yılının hikayesini
06:40
of the year 1950.
156
385000
2000
anlatayım.
06:42
Pretty much for the vast majority of history,
157
387000
2000
Tarih boyunca 1950 yılı
06:44
no one gave a damn about 1950.
158
389000
2000
kimsenin pek de umrunda olmadı.
06:46
In 1700, in 1800, in 1900,
159
391000
2000
1700'ler, 1800'ler veya 1900'lerde
06:48
no one cared.
160
393000
3000
kimsenin umrunda değildi.
06:52
Through the 30s and 40s,
161
397000
2000
30'lar ve 40'larda da öyle.
06:54
no one cared.
162
399000
2000
Kimse takmadı.
06:56
Suddenly, in the mid-40s,
163
401000
2000
Birden, 40'lı yılların ortasında,
06:58
there started to be a buzz.
164
403000
2000
bir uğultu ortaya çıkmaya başladı.
07:00
People realized that 1950 was going to happen,
165
405000
2000
İnsanlar 1950'nin yaklaştığını fark ettiler,
07:02
and it could be big.
166
407000
2000
ve bu büyük bir olaydı.
07:04
(Laughter)
167
409000
3000
(Gülüşmeler)
07:07
But nothing got people interested in 1950
168
412000
3000
Ama 1950'lerde hiçbir şey insanları 1950 yılı
07:10
like the year 1950.
169
415000
3000
kadar çok ilgilendirmedi.
07:13
(Laughter)
170
418000
3000
(Gülüşmeler)
07:16
People were walking around obsessed.
171
421000
2000
İnsanlar kafayı yemişlerdi, 1950'de yaptıkları
07:18
They couldn't stop talking
172
423000
2000
şeykeri anlatmaktan başka hiçbir şey yapmadan
07:20
about all the things they did in 1950,
173
425000
3000
ortalıkta dolanıyorladı,
07:23
all the things they were planning to do in 1950,
174
428000
3000
1950'de yapmayı planladıkları şeyler,
07:26
all the dreams of what they wanted to accomplish in 1950.
175
431000
5000
1950'de kavuşmayı umdukları bütün hayalleri.
07:31
In fact, 1950 was so fascinating
176
436000
2000
Aslında, 1950 öylesine inanılmazdı ki,
07:33
that for years thereafter,
177
438000
2000
geçtikten yıllarca sonra bile,
07:35
people just kept talking about all the amazing things that happened,
178
440000
3000
bu müthiş yıl ve onda olup bitenlerden bahsettiler.
07:38
in '51, '52, '53.
179
443000
2000
1951, 52, 53 yıllarında.
07:40
Finally in 1954,
180
445000
2000
Sonunda 1954 yılında biri uyandı ve
07:42
someone woke up and realized
181
447000
2000
nihayet insanlar 1950'nin
07:44
that 1950 had gotten somewhat passé.
182
449000
4000
geçip gitmiş olduğunu fark ettiler.
07:48
(Laughter)
183
453000
2000
(Gülüşmeler)
07:50
And just like that, the bubble burst.
184
455000
2000
Birdenbire, patlayan bir balon gibi.
07:52
(Laughter)
185
457000
2000
(Gülüşmeler)
07:54
And the story of 1950
186
459000
2000
Ve 1950 yılının hikayesi aslında
07:56
is the story of every year that we have on record,
187
461000
2000
yaşadığımız her yılın hikayesi.
07:58
with a little twist, because now we've got these nice charts.
188
463000
3000
Ufak tefek farklılıklar, çünkü artık bu güzel grafiklere sahibiz.
08:01
And because we have these nice charts, we can measure things.
189
466000
3000
Bunlara sahip olduğumuz için bazı şeyleri ölçümleyebiliyoruz.
08:04
We can say, "Well how fast does the bubble burst?"
190
469000
2000
Böylece şunu sorabiliyoruz, "Balonun patlaması ne kadar sürer?"
08:06
And it turns out that we can measure that very precisely.
191
471000
3000
ve görünen o ki artık bunu oldukça hassas şekilde ölçebiliyoruz.
08:09
Equations were derived, graphs were produced,
192
474000
3000
Formüller yazıyor, grafikler çiziyoruz,
08:12
and the net result
193
477000
2000
ve net sonuç şu ki
08:14
is that we find that the bubble bursts faster and faster
194
479000
3000
her geçen yıl bu baloncuklar daha kolay sönüyor.
08:17
with each passing year.
195
482000
2000
Her geçen yıl geçmişe olan ilgimizi
08:19
We are losing interest in the past more rapidly.
196
484000
5000
daha büyük bir hızla kaybediyoruz.
08:24
JM: Now a little piece of career advice.
197
489000
2000
JM: Siz ufak bir kariyer önerisi.
08:26
So for those of you who seek to be famous,
198
491000
2000
Eğer aranızda ünlü olmayı planlayanlar varsa,
08:28
we can learn from the 25 most famous political figures,
199
493000
2000
bu 25 ünlü politik figürden, yazardan ve aktörden
08:30
authors, actors and so on.
200
495000
2000
birşeyler öğrenebilirsiniz.
08:32
So if you want to become famous early on, you should be an actor,
201
497000
3000
Eğer genç yaşta ünlü olmak isterseniz, aktör olmalısınız,
08:35
because then fame starts rising by the end of your 20s --
202
500000
2000
çünkü onlar 20'li yaşların sonunda ünlü olmaya başlıyorlar --
08:37
you're still young, it's really great.
203
502000
2000
hala genç bir yaş, süper.
08:39
Now if you can wait a little bit, you should be an author,
204
504000
2000
Eğer biraz daha bekleyecek olursanız, o zaman yazar olmalısınız,
08:41
because then you rise to very great heights,
205
506000
2000
çünkü o zaman çok ama çok ünlü olabilirsiniz.
08:43
like Mark Twain, for instance: extremely famous.
206
508000
2000
Mark Twain gibi mesela: çok çok ünlü.
08:45
But if you want to reach the very top,
207
510000
2000
Ama en tepeye ulaşmak istiyorsanız,
08:47
you should delay gratification
208
512000
2000
o zaman ünlü olmak için daha beklemeli ve
08:49
and, of course, become a politician.
209
514000
2000
elbette ki poitikacı olmalısınız.
08:51
So here you will become famous by the end of your 50s,
210
516000
2000
Böylece 50 yaş civarında ünlü olabilir, ve hayatınızın
08:53
and become very, very famous afterward.
211
518000
2000
sonrasını çok ama çok ünlü geçirebilirsiniz.
08:55
So scientists also tend to get famous when they're much older.
212
520000
3000
Bilimadamlar çok daha geç yaşlarda ünlü oluyorlar.
08:58
Like for instance, biologists and physics
213
523000
2000
Mesela biyologlar ve fizikçiler neredeyse
09:00
tend to be almost as famous as actors.
214
525000
2000
aktörler kadar ünlü olabilirler.
09:02
One mistake you should not do is become a mathematician.
215
527000
3000
Ama yapacağınız en büyük hata Matematikçi olmak olacaktır.
09:05
(Laughter)
216
530000
2000
(Gülüşmeler)
09:07
If you do that,
217
532000
2000
Eğer bunu yaparsanız,
09:09
you might think, "Oh great. I'm going to do my best work when I'm in my 20s."
218
534000
3000
şöyle düşünebilirsiniz, " Şahane, 20'li yaşlarda en önemli çalışmalarımı yapacağım."
09:12
But guess what, nobody will really care.
219
537000
2000
Ama bilin bakalım ne olacak: kimse sizi umursamayacak.
09:14
(Laughter)
220
539000
3000
(Gülüşmeler)
09:17
ELA: There are more sobering notes
221
542000
2000
ELA: n-gramlardan elde edebileceğiniz
09:19
among the n-grams.
222
544000
2000
daha fena veriler de var.
09:21
For instance, here's the trajectory of Marc Chagall,
223
546000
2000
Mesela, Marc Chagall'ın trajedisini ele alalım.
09:23
an artist born in 1887.
224
548000
2000
1887 yılında doğmuş bir sanatçı.
09:25
And this looks like the normal trajectory of a famous person.
225
550000
3000
Bu gördüğünüz ünlü bir insanın normal grafiğini gösteriyor.
09:28
He gets more and more and more famous,
226
553000
4000
her geçen gün daha ünlü oluyor,
09:32
except if you look in German.
227
557000
2000
ama eğer Almanca kayıtlara bakarsanız,
09:34
If you look in German, you see something completely bizarre,
228
559000
2000
Almanca kayıtlarda çok acaip birşey göreceksiniz,
09:36
something you pretty much never see,
229
561000
2000
daha önce pek görmediğiniz birşey.
09:38
which is he becomes extremely famous
230
563000
2000
Çok çok ünlü olurken, birden bire
09:40
and then all of a sudden plummets,
231
565000
2000
adeta yok oluyor.
09:42
going through a nadir between 1933 and 1945,
232
567000
3000
1933-1945 yılları arasında birden bire düşüyor,
09:45
before rebounding afterward.
233
570000
3000
daha sonra da tekrar yükseliyor.
09:48
And of course, what we're seeing
234
573000
2000
Ve burada gördüğümz şeyin açıklaması da
09:50
is the fact Marc Chagall was a Jewish artist
235
575000
3000
Marc Chagall'ın Nazi Almanyası'nda Yahudi bir
09:53
in Nazi Germany.
236
578000
2000
sanatçı olmaından kaynaklanıyor.
09:55
Now these signals
237
580000
2000
Bu işaretler
09:57
are actually so strong
238
582000
2000
öylesine güçlü ki
09:59
that we don't need to know that someone was censored.
239
584000
3000
birinin sansürlendiğini önceden bilmenize gerek yok.
10:02
We can actually figure it out
240
587000
2000
Bunu basit veri işleme yolu ile
10:04
using really basic signal processing.
241
589000
2000
kendiniz bulabilirsiniz.
10:06
Here's a simple way to do it.
242
591000
2000
İşte bunu yapmanın basit bir yolu.
10:08
Well, a reasonable expectation
243
593000
2000
Bir kimsenin herhangi bir zamandaki
10:10
is that somebody's fame in a given period of time
244
595000
2000
ün miktarı, kabaca ünlü olmadan önceki ve
10:12
should be roughly the average of their fame before
245
597000
2000
ünlü olduktan sonraki ün miktarlarının
10:14
and their fame after.
246
599000
2000
ortalaması olmalıdır.
10:16
So that's sort of what we expect.
247
601000
2000
Görmeyi beklediğimiz şey budur.
10:18
And we compare that to the fame that we observe.
248
603000
3000
Ve bu veriyi gözlemlediğimiz ünle karşılaştırırız.
10:21
And we just divide one by the other
249
606000
2000
Sonra bunları birbirine bölerek
10:23
to produce something we call a suppression index.
250
608000
2000
baskılama indeksi dediğimiz bir rakam buluruz.
10:25
If the suppression index is very, very, very small,
251
610000
3000
Eğer baskılama indeksi çok çok küçük bir rakamsa,
10:28
then you very well might be being suppressed.
252
613000
2000
baskılanmış olma ihtimaliniz çok yüksektir.
10:30
If it's very large, maybe you're benefiting from propaganda.
253
615000
3000
Eğer çok büyükse o zaman da propogandayla pomplanmış olma ihtimaliniz vardır.
10:34
JM: Now you can actually look at
254
619000
2000
JM: Şimdi, eğer toplumların genel baskılanma indekslerinin
10:36
the distribution of suppression indexes over whole populations.
255
621000
3000
dağılımına bakacak olursanız,
10:39
So for instance, here --
256
624000
2000
mesela burada --
10:41
this suppression index is for 5,000 people
257
626000
2000
5000 kişinin baskılama indeksleri var,
10:43
picked in English books where there's no known suppression --
258
628000
2000
bilinen bir baskılama olmayan İngilizce kitaplar bunlar --
10:45
it would be like this, basically tightly centered on one.
259
630000
2000
buna benzer birşey olacaktır, ortada yoğunlaşıyor.
10:47
What you expect is basically what you observe.
260
632000
2000
Kısaca görmeyi beklediğiniz şey ile gördüşünüz aynıdır.
10:49
This is distribution as seen in Germany --
261
634000
2000
Almanya'da gördüğümüz dağılım ise bu --
10:51
very different, it's shifted to the left.
262
636000
2000
çok farklı, sola doğru kaymış durumda.
10:53
People talked about it twice less as it should have been.
263
638000
3000
İnsanlar bunlar hakkında konuşmuş olmaları gerekenin yarısı kadar konuşmuşlar,
10:56
But much more importantly, the distribution is much wider.
264
641000
2000
daha da önemlisi, dağılım çok daha geniş.
10:58
There are many people who end up on the far left on this distribution
265
643000
3000
Dağılımın en solunda yer alan pek çok insan var,
11:01
who are talked about 10 times fewer than they should have been.
266
646000
3000
bunlar haklarında beklenenden 10 kat daha az konuşulmuş olan insanlar.
11:04
But then also many people on the far right
267
649000
2000
Ama en sağda da başkaları var.
11:06
who seem to benefit from propaganda.
268
651000
2000
Bunlar da propoganda'dan faydalanmış kimseler.
11:08
This picture is the hallmark of censorship in the book record.
269
653000
3000
Bu şekil, kitaplardaki sansürün fotoğrafı.
11:11
ELA: So culturomics
270
656000
2000
ELA: Biz bu yönteme Kültüromik
11:13
is what we call this method.
271
658000
2000
adını verdik.
11:15
It's kind of like genomics.
272
660000
2000
Biraz Genomik gibi.
11:17
Except genomics is a lens on biology
273
662000
2000
Ancak genomik insan genomundaki baz dizilimi
11:19
through the window of the sequence of bases in the human genome.
274
664000
3000
aracılığı ile biyoloji bilimine bir pencere açıyor.
11:22
Culturomics is similar.
275
667000
2000
Kültüromik de buna benziyor.
11:24
It's the application of massive-scale data collection analysis
276
669000
3000
İnsan kültrünü incelemek için yapılan çok yoğun bir
11:27
to the study of human culture.
277
672000
2000
veri toplama analizi uygulaması.
11:29
Here, instead of through the lens of a genome,
278
674000
2000
Burada, genomdaki pencere yerine
11:31
through the lens of digitized pieces of the historical record.
279
676000
3000
dijital hale getirilmiş tarihsel verilerin penceresinden bakıyoruz.
11:34
The great thing about culturomics
280
679000
2000
Kültüromik ile ilgili müthiş olan şey
11:36
is that everyone can do it.
281
681000
2000
bunu herkesin yapabiliyor olması.
11:38
Why can everyone do it?
282
683000
2000
Nasıl herkes yapabilir?
11:40
Everyone can do it because three guys,
283
685000
2000
herkes yapabilir, çünkü üç kişi
11:42
Jon Orwant, Matt Gray and Will Brockman over at Google,
284
687000
3000
Google'da çalışan Jon Orwant, Matt Gray ve Wıll Brockman,
11:45
saw the prototype of the Ngram Viewer,
285
690000
2000
Ngram prototipine baktılar ve dediler ki,
11:47
and they said, "This is so fun.
286
692000
2000
" Bu çok eğlenceli birşey.
11:49
We have to make this available for people."
287
694000
3000
Bunu herkesin ulaşabileceği hale getirmemiz lazım."
11:52
So in two weeks flat -- the two weeks before our paper came out --
288
697000
2000
Ve iki hafta içinde -- bizim makalemiz yayınlanmadan iki hafta önce --
11:54
they coded up a version of the Ngram Viewer for the general public.
289
699000
3000
herkesin kullanımına açık bir Ngram versiyonu programladılar.
11:57
And so you too can type in any word or phrase that you're interested in
290
702000
3000
ve artık siz de ilginizi çeken bir kelime ya da deyim yazarak
12:00
and see its n-gram immediately --
291
705000
2000
ona ait n-gramı hemen görebilirsiniz --
12:02
also browse examples of all the various books
292
707000
2000
ve sizin n-gramınızın yer aldığı kitapları
12:04
in which your n-gram appears.
293
709000
2000
tarayabilirsiniz.
12:06
JM: Now this was used over a million times on the first day,
294
711000
2000
JM: Bu uygulama, hayata geçtiği ilk gün ir milyonda defadan fazla kullanıldı,
12:08
and this is really the best of all the queries.
295
713000
2000
ve bu bence en güzel sorgulardan biri.
12:10
So people want to be their best, put their best foot forward.
296
715000
3000
İnsanlar iyi bir şey yapmak istediklerinde "ellerinden geleni yaptılar"
12:13
But it turns out in the 18th century, people didn't really care about that at all.
297
718000
3000
ama görünen o ki, 18. yüzyılda bunu pek umursamıyorlardı.
12:16
They didn't want to be their best, they wanted to be their beft.
298
721000
3000
O zaman "ellerinden geleni" değil, "evlerinden geleni" yapmak istediler.
12:19
So what happened is, of course, this is just a mistake.
299
724000
3000
Aslında olan şu, be elbette bir hata.
12:22
It's not that strove for mediocrity,
300
727000
2000
Gayret etmeyi bırakmadılar, sadece
12:24
it's just that the S used to be written differently, kind of like an F.
301
729000
3000
o dönemde L harfi daha farklı yazılıyordu, V'ye beziyordu biraz.
12:27
Now of course, Google didn't pick this up at the time,
302
732000
3000
Elbette, Google bunu o zaman yakalayamadı,
12:30
so we reported this in the science article that we wrote.
303
735000
3000
bu nedenle bunu yazdığımız makaleye ekledik.
12:33
But it turns out this is just a reminder
304
738000
2000
Ama görünen o ki, bu her ne kadar eğlenceli birşey
12:35
that, although this is a lot of fun,
305
740000
2000
olsa da, bize şunu anımsattı
12:37
when you interpret these graphs, you have to be very careful,
306
742000
2000
bu grafikleri anlamlandırırken çok dikkatli olmanız gerekiyor.
12:39
and you have to adopt the base standards in the sciences.
307
744000
3000
ve mutlaka bilimsel yöntemdeki temel standartları gözetmelisiniz.
12:42
ELA: People have been using this for all kinds of fun purposes.
308
747000
3000
ELA: İnsanlar bunu her türlü eğlenceli şey için kullanıyorlar.
12:45
(Laughter)
309
750000
7000
(Gülüşmeler)
12:52
Actually, we're not going to have to talk,
310
757000
2000
Aslında bundan sonra konuşmamız gereksiz,
12:54
we're just going to show you all the slides and remain silent.
311
759000
3000
size sadece bazı slaytları üzerinde konuşmaksızın göstereceğiz.
12:57
This person was interested in the history of frustration.
312
762000
3000
Bu kişi, düşkırıklığının, sıkıntının tarihçesi ile ilgileniyormuş.
13:00
There's various types of frustration.
313
765000
3000
Düşkırıklığının birkaç çeşidi vardır.
13:03
If you stub your toe, that's a one A "argh."
314
768000
3000
Eğer ayak parmağınızı bir yere çarpacak olursanız bu tek A harfli bir "Ah" demek.
13:06
If the planet Earth is annihilated by the Vogons
315
771000
2000
Eğer gezegenimiz dünya gezegenler arası otoyol yapmak isteyen
13:08
to make room for an interstellar bypass,
316
773000
2000
Vogonlar tarafından işgal edilecek olursa,
13:10
that's an eight A "aaaaaaaargh."
317
775000
2000
bu sekiz A değerinde bir "Aaaaaaaah" eder.
13:12
This person studies all the "arghs,"
318
777000
2000
Bu kişi bütün "Ahéları incelemiş.
13:14
from one through eight A's.
319
779000
2000
Tek A'lıdan sekiz A'lısına dek.
13:16
And it turns out
320
781000
2000
Ve görmüş ki,
13:18
that the less-frequent "arghs"
321
783000
2000
daha can sıkıcı şeylere ait "Ah"lar
13:20
are, of course, the ones that correspond to things that are more frustrating --
322
785000
3000
daha az sıklıkla ortaya çıkıyor,
13:23
except, oddly, in the early 80s.
323
788000
3000
ama 80'li yılların başları hariç.
13:26
We think that might have something to do with Reagan.
324
791000
2000
Biz bu durumun Reagan ile ilgili olduğunu düşünüyoruz.
13:28
(Laughter)
325
793000
2000
(Gülüşmeler(
13:30
JM: There are many usages of this data,
326
795000
3000
JM: Bu verilerin pek çok kullanım alanı var
13:33
but the bottom line is that the historical record is being digitized.
327
798000
3000
ama nihayetinde, bunlar tarihsel kayıtların dijital veriler hakine çevrilmesi.
13:36
Google has started to digitize 15 million books.
328
801000
2000
Google, 15 milyon kitabı dijital hale getirdi.
13:38
That's 12 percent of all the books that have ever been published.
329
803000
2000
Bu, bugüne dek basılmış kitapların %12'si demek.
13:40
It's a sizable chunk of human culture.
330
805000
3000
İnsanlığa ait kültür birikimin kayda değer bir kısmı.
13:43
There's much more in culture: there's manuscripts, there newspapers,
331
808000
3000
Kültüre ait daha pek çok veri var: yazmalar, gazeteler,
13:46
there's things that are not text, like art and paintings.
332
811000
2000
yazılı olmayan şeyler, sanat ve tablolar gibi.
13:48
These all happen to be on our computers,
333
813000
2000
Bunların hepsi dünyanın dört bir yanındaki
13:50
on computers across the world.
334
815000
2000
bilgisayarlarımıza geçebilir.
13:52
And when that happens, that will transform the way we have
335
817000
3000
Ve bu olduğunda, insanlığın geçmişi, bu günü ve
13:55
to understand our past, our present and human culture.
336
820000
2000
tüm yarattığı kültüre bakış açımız tamamen değişecek.
13:57
Thank you very much.
337
822000
2000
Çok teşekkürler.
13:59
(Applause)
338
824000
3000
(Alkışlar)
ABOUT THE SPEAKERS
Jean-Baptiste Michel - Data researcherJean-Baptiste Michel looks at how we can use large volumes of data to better understand our world.
Why you should listen
Jean-Baptiste Michel holds joint academic appointments at Harvard (FQEB Fellow) and Google (Visiting Faculty). His research focusses on using large volumes of data as tools that help better understand the world around us -- from the way diseases progress in patients over years, to the way cultures change in human societies over centuries. With his colleague Erez Lieberman Aiden, Jean-Baptiste is a Founding Director of Harvard's Cultural Observatory, where their research team pioneers the use of quantitative methods for the study of human culture, language and history. His research was featured on the covers of Science and Nature, on the front pages of the New York Times and the Boston Globe, in The Economist, Wired and many other venues. The online tool he helped create -- ngrams.googlelabs.com -- was used millions of times to browse cultural trends. Jean-Baptiste is an Engineer from Ecole Polytechnique (Paris), and holds an MS in Applied Mathematics and a PhD in Systems Biology from Harvard.
Jean-Baptiste Michel | Speaker | TED.com
Erez Lieberman Aiden - Researcher
Erez Lieberman Aiden pursues a broad range of research interests, spanning genomics, linguistics, mathematics ...
Why you should listen
Erez Lieberman Aiden is a fellow at the Harvard Society of Fellows and Visiting Faculty at Google. His research spans many disciplines and has won numerous awards, including recognition for one of the top 20 "Biotech Breakthroughs that will Change Medicine", by Popular Mechanics; the Lemelson-MIT prize for the best student inventor at MIT; the American Physical Society's Award for the Best Doctoral Dissertation in Biological Physics; and membership in Technology Review's 2009 TR35, recognizing the top 35 innovators under 35. His last three papers -- two with JB Michel -- have all appeared on the cover of Nature and Science.
Erez Lieberman Aiden | Speaker | TED.com