Dijital elemanlarımızın verilerini işlemek için en iyi araçlar nelerdir? Sentetik veri oluşturma, veri bütünleştirme, görselleştirme, analiz ve daha fazlası için en etkili araçlar hakkında bilgi edinmek istiyorsanız, doğru yerdesiniz! İşte sizin için derlediğimiz en iyi araçlar ve kullanıcılarının verdiği geri bildirimler…

Dijital elemanların verilerini işlemek için birçok araç mevcuttur. Bu makalede, dijital elemanların verilerini işlemek için en iyi araçlar hakkında bazı bilgiler vereceğiz. Bu araçlar, popülerlik, kullanım kolaylığı ve işlevsellik gibi faktörlere göre seçilmiştir.

Excel, veri işlemesi için en popüler araçlardan biridir ve hemen hemen herkes tarafından kullanılabilir. Excel sayesinde verileri kolayca organize edebilir, analiz edebilir ve raporlayabilirsiniz.

Python, veri işleme, analiz ve görselleştirme gibi konularda oldukça etkili bir araçtır. Python'ın birçok veri işleme kütüphanesi mevcuttur ve bunlardan bazıları aşağıda verilmiştir.

Python'da, Panda veri işleme kütüphanesi ile büyük veri kümelerine erişebilir, analiz yapabilir ve görselleştirebilirsiniz. Panda, birçok veri formatını destekleyerek, çeşitli veri kaynaklarından veri alma ve işleme süreçlerini kolaylaştırır.

Numpy, Python'da yüksek seviye bir matematiksel fonksiyonlar kütüphanesidir, dolayısıyla veri işleme ve analiz için önemlidir. Numpy sayesinde, verileri sayısallaştırabilir, matris işlemleri yapabilir ve verileri kolayca manipüle edebilirsiniz.

R, istatistiksel analiz, veri görselleştirme ve makine öğrenimi uygulamaları için popüler bir araçtır. R'ın birçok veri işleme kütüphanesi mevcuttur ve bunlardan bazıları aşağıda verilmiştir.

R'da, Dplyr veri işleme kütüphanesi ile büyük veri kümelerine erişebilir, analiz yapabilir ve görselleştirebilirsiniz. Dplyr, verileri kademeli olarak işleme ve birbirine bağlama olanağı sağlar.

Ggplot2, R'da popüler bir veri görselleştirme kütüphanesidir. Verileri kolayca görselleştirmek ve analiz etmek için kullanılabilir. Ggplot2, verileri istediğiniz gibi şekillendirmenize, renklendirmenize ve etiketlemenize olanak sağlar.

SQL, veri tabanı yönetiminde kullanılabilecek etkili bir araçtır ve verileri sorgulamak, analiz etmek ve yönetmek için kullanılabilir. SQL, birçok veri tabanı yönetim sisteminde kullanılabilen bir dil olduğundan, birçok kuruluşta tercih edilir.

MySQL, veri tabanı yönetiminde popüler bir araçtır ve büyük veri kümeleri ile çalışırken oldukça etkilidir. MySQL, açık kaynak kodlu bir veri tabanı yönetim sistemi olduğundan, birçok yerde kullanılabilir.

PostgreSQL, karmaşık veritabanlarına sahip kuruluşlar için mükemmel bir araçtır ve yüksek kaliteli veri yönetimi sağlar. PostgreSQL, MySQL'e göre daha gelişmiş bir veri tabanı yönetim sistemi olduğundan, daha karmaşık verilerle daha iyi çalışabilir.

Hadoop, Apache projesinin bir parçasıdır ve büyük veri kümelerinin işlenmesinde kullanılan etkili bir araçtır. Hadoop, dünya genelinde birçok büyük kuruluş tarafından kullanılmaktadır ve birçok veri işleme kütüphanesi mevcuttur.

Hive, Hadoop üzerinde çalışan bir araçtır ve SQL dilinde veri işleme sağlar. Hive sayesinde, büyük veri kümelerini kolayca sorgulayabilir ve analiz edebilirsiniz.

Pig, Hadoop üzerinde çalışan bir araçtır ve büyük veri kümelerini işlemek için kolay bir yol sağlar. Pig, düşük kod gereksinimleri sayesinde verileri hızlı bir şekilde işleyebilir ve analiz edebilirsiniz.

1. Excel

Excel, veri işlemesi için en popüler araçlardan biridir ve hemen hemen herkes tarafından kullanılabilir. Microsoft Office paketinin bir parçası olan Excel, verileri yönetmek, analiz etmek ve görselleştirmek için kullanılan bir elektronik tablo programıdır. Excel'in kullanışlılığı, tüm endüstrilerdeki kullanıcılar tarafından takdir edilir.

Excel, büyük veri kümelerini ele almak için son derece verimli bir araçtır ve kullanıcılar, verileri kategorize etmek, filtrelemek ve özetlemek için hızlı ve kolay bir şekilde formül ve grafikler kullanabilir. Excel’in tablo işlevleri, kullanıcıların bütçeleri, planları, tahminleri ve raporları kolayca oluşturmalarını sağlar. Bunun yanı sıra Pivot Table özelliği, verilerin hızlı bir şekilde analiz edilip özetlenebilmesini sağlar.

Ayrıca, Excel'in geniş yelpazesi, formüller, fonksiyonlar ve grafikler gibi araçlarıyla kullanıcılar, verileri analiz etmek ve işleme koymak için etkili bir yol sunar. Verileri hızlı bir şekilde filtrelemek, sıralamak ve filtre uygulamak, verilerin daha kolay analiz edilmesini sağlar.

• Excel'in avantajları:
• Takım çalışmasını kolaylaştırmak
• Çok yönlü
• Bütçe oluşturma ve planlama
• Veri analizi ve işleme yapma
• Grafik oluşturma
• İş işleyişini sürdürmek için kullanışlı

Sonuç olarak, Excel basit veya karmaşık veri işleme işlemlerini gerçekleştirmek ve verileri daha kolay görüntülemek, filtremek ve analiz etmek için kullanımı kolay bir araçtır. Popülerliği, herhangi bir endüstride çalışan herkes tarafından kullanım kolaylığına ve veri yönetiminde sağladığı etkililiğine kadar uzanır.

2. Python

Python, veri işlemesi, analiz ve görselleştirme gibi konularda oldukça etkili bir araçtır. Python programlama dili, açık kaynak kodlu olduğu için kullanımı oldukça kolay ve esnektir. Ayrıca Python, veri işleme projelerinde sıkça kullanılan birçok araçla uyumlu olduğu için veri bilimi alanında popüler bir dildir.

Python ile veri işlemek için birkaç farklı kütüphane kullanılabilir. Bunlardan en popülerleri Panda ve Numpy'dir. Panda, büyük veri kümelerine erişebilir, analiz yapabilir ve görselleştirebilirsiniz. Ayrıca Panda, veri işleme için birçok kullanışlı fonksiyon içerir ve kullanıcıların veri manipülasyonu yapmasını kolaylaştırır.

Numpy, yüksek seviye bir matematiksel fonksiyonlar kütüphanesidir ve birçok veri işleme ve analiz projesinde kullanılır. Numpy, vektör ve matris işlemleri için optimize edilmiştir. Bunun yanı sıra, basit istatistiksel hesaplamalar yapmak için kullanabilirsiniz.

2.1 Pandas

Python'da, büyük miktarda veri işleme ihtiyacını karşılamak için Panda veri işleme kütüphanesi kullanılabilir. Panda, veri okuma, sıralama, filtreleme ve temizleme işlemlerini gerçekleştirmemizi sağlar. Verileri düzenlemek ve analiz etmek için kapsamlı bir veri seti sunar. Ayrıca, büyük veri kümelerine hızlı bir şekilde erişebilir ve bu verileri dataframe şeklinde temsil edebilirsiniz.

Pandas, çeşitli dosya biçimlerini destekler - CSV, HTML, JSON, Excel ve daha fazlası. Bu sayede, kolayca farklı veri kaynaklarındaki verileri birleştirebilir ve analiz edebilirsiniz. Özellikle, veri setlerini birleştirme işleminde, bu kütüphanenin sunduğu birçok fonksiyondan yararlanabilirsiniz.

Pandas'ın sunduğu grafik araçları ile verileri görselleştirebilirsiniz. Bu sayede, verileri daha kolay anlaşılır hale getirebilirsiniz. Pandas, ayrıca makine öğreniminin bazı adımları için kullanılabilen özellikler sunar. Örneğin, veri hazırlama aşamasında, verileri temizleyebilir ve öznitelik mühendisliği yapabilirsiniz.

Sonuç olarak, Python için Pandas, büyük veri kümeleriyle çalışmak isteyen veri bilimcileri için üçüncü parti kütüphaneler arasında popüler bir seçenektir. Bu kütüphane, veri işleme, temizleme, analiz etme ve görselleştirme işlemleri için etkili bir araçtır.

2.2 Numpy

=Numpy, Python'da yüksek seviye bir matematiksel fonksiyonlar kütüphanesidir, dolayısıyla veri işleme ve analiz için önemlidir. Numpy, büyük veri kümeleri üzerinde hızlı ve verimli hesaplama yapmak için kullanılır. Hesaplamalar için optimize edilmiş çekirdek fonksiyonlara sahip olduğu için, Numpy, işlem gücü gerektiren matematiksel işlemler için idealdir.

Ayrıca, Numpy, veri analizi için önemli bir araçtır. Veri işleme, filtreleme, dönüştürme ve manipülasyon gibi işlemler, Numpy kullanılarak hızlı ve verimli bir şekilde gerçekleştirilebilir. Numpy'nin bir diğer avantajı ise, verileri bilimsel notasyon ve matrislerle işleyebilmesidir. Bu özellik, verileri farklı formatlarda depolayan ve yöneten birçok uygulama için idealdir.

Numpy'nin Özellikleri	Açıklama
Matris hesaplama	Matrisler üzerinde verimli hesaplamalar yapabilirsiniz.
Broadcasting	Boyutu farklı olan dizileri birleştirerek işlem yapabilirsiniz.
Veri filtreleme	Verileri kolayca filtreleyebilirsiniz.
Matematiksel işlemler	Matematiksel fonksiyonlar kullanarak verileri işleyebilirsiniz.

Sonuç olarak, veri işleme ve analiz için Numpy, Python programlama dili içinde kullanabileceğiniz en iyi araçlardan biridir. Büyük veri kümeleri ile çalışırken hız, verimlilik ve optimize edilmiş hesaplama fonksiyonları sağlar. Aynı zamanda verileri matrislerle işleyerek, veri depolama ve yönetiminde de önemli avantajlar sunar.

3. R

R dili, günümüzde istatistiksel analiz, veri görselleştirme ve makine öğrenimi uygulamaları için en popüler araçlardandır. Bu dilin özelliği, istatistiksel analiz ve görselleştirme için özel olarak tasarlanmış olmasıdır. R diline hakim olan bir kullanıcı, veri analizinde oldukça başarılı sonuçlar elde edebilir.

R dili, veriyi işlemek için birçok veri işleme kütüphanesi içermektedir. Bu kütüphaneler, büyük veri kümelerine erişmek, analiz yapmak ve veri görselleştirmek için oldukça kullanışlıdır. En popüler R kütüphanelerinden biri olan Dplyr, büyük veri kümelerini hızla işlemenize olanak sağlar.

filter()	Belirli bir koşula göre verileri filtrelemek için kullanılır.
mutate()	Yeni bir sütun oluşturmak veya mevcut sütunları değiştirmek için kullanılır.
select()	Belirli sütunları seçmek için kullanılır.
arrange()	Belirli sütunlar veya koşullara göre verileri sıralamak için kullanılır.

R dilinde verileri görselleştirmek için en popüler kütüphanelerden biri de Ggplot2'dir. Bu kütüphane, grafikleri oluşturmak için oldukça kullanışlı bir arayüze sahiptir. Ggplot2 ile verilerinizi istediğiniz gibi görselleştirebilir ve etkili bir şekilde analiz edebilirsiniz.

3.1 Dplyr

R programlama dili, veri analizi ve görselleştirme konusunda oldukça etkili bir araç olarak bilinir. R kütüphanelerinin geniş bir yelpazesi vardır ve bu kütüphanelerle veri işleme konusunda oldukça esnek bir şekilde çalışabilirsiniz. Bu kütüphanelerden biri olan Dplyr, R dilinde veri işleme işlemlerini basitleştiren sağlam bir kütüphanedir.

Dplyr, büyük veri kümeleri ile çalışırken hızlı bir şekilde erişebilmenizi sağlar ve mükemmel bir şekilde optimize edilmiştir. Dplyr ile birlikte, büyük veri kümelerinde işlemler yapmak oldukça kolaydır. Örneğin, bazı verileri filtrelemek, veri gruplandırmak veya sıralamak gibi işlemleri kolayca gerçekleştirebilirsiniz.

Dplyr, verilerinizi filtrelerken veya işlerken daha az kod yazmanızı sağlar ve ayrıca işlemlerin hızlı bir şekilde gerçekleştirilmesini sağlar. Dplyr ayrıca, ggplot2 veya lattice gibi diğer popüler R veri görselleştirme kütüphaneleriyle kolay bir şekilde entegre edilebilir.

Dplyr, R dilini kullanarak büyük veri kümelerini işlemek isteyenler için muhteşem bir seçenektir. Dplyr ile verilerinizi kolayca işleyebilir, analiz edebilir ve görselleştirebilirsiniz.

3.2 Ggplot2

Ggplot2, R programlama dili tarafından desteklenen popüler bir veri görselleştirme kütüphanesidir. R, Ggplot2 kütüphanesi ile birlikte, büyük veri kümelerini analiz etmek için en iyi araçlardan biridir. Ggplot2’nin görselleştirme özellikleri, verilerin kolayca analiz edilmesine ve yorumlanmasına yardımcı olur.

Ggplot2, her türlü veri seti için kullanılabilir. Bu kütüphane, özelleştirilebilir grafikler oluşturmak için birden fazla temaya ve renk paletine sahiptir. Ggplot2 ile, verilerinizi histogramlar, çizgi grafikleri, dağılım grafikleri, kutu grafikleri gibi birçok farklı grafik türünde görselleştirebilirsiniz. Ayrıca, Ggplot2 kütüphanesi ile birlikte gelen facet_wrap() ve facet_grid() gibi araçlar, farklı kategorilerdeki verileri ayırmayı ve grafiklerini oluşturmayı kolaylaştırır.

Ggplot2, veriyi birleştirme, filtreleme veya dönüştürme yetenekleri gibi birçok özelliğe sahiptir. Ayrıca, grafiklerinize şekil, renk, etiketler, başlık, alt başlıklar gibi farklı özellikleri ekleyebilirsiniz. Bu sayede, verilerinizi en iyi şekilde görselleştirebilir ve anlamlı sonuçlar elde edebilirsiniz.

Özetlemek gerekirse, Ggplot2, R programlama dili ile birlikte kullanılabilen popüler bir veri görselleştirme kütüphanesidir. Bu kütüphane, verilerinizi kolayca analiz edebileceğiniz benzersiz grafikler oluşturmanıza olanak sağlar. Kullanımı kolay, çok yönlü ve özelleştirilebilir olması nedeniyle, Ggplot2, veri görselleştirme konusunda en iyi araçlardan biridir.

4. SQL

SQL, Structured Query Language'ın kısaltmasıdır ve veri tabanı yönetiminde kullanılan etkili bir araçtır. SQL ile verileri sorgulamak, analiz etmek ve yönetmek oldukça kolaydır.

SQL kullanarak veritabanlarını yönetmek için birçok işlem gerçekleştirilebilir. İlk olarak, veriler tablolar şeklinde organize edilir ve bu tablolarda ilgili veriler depolanır. SQL komutları kullanılarak verileri sorgulayabilir, filtreleyebilir ve gruplandırabilirsiniz. Böylece size özelleştirilmiş bir rapor çıkarabilirsiniz.

SQL ayrıca birçok veri tabanı sistemi ile uyumlu çalışır. Örneğin, MySQL, PostgreSQL, Oracle gibi birçok popüler veri tabanı sistemi SQL desteği sunar. Bu nedenle, SQL öğrenmek veri tabanı yönetiminde oldukça önemlidir ve çeşitli işletmeler tarafından tercih edilir.

SQL tablolarını yaratmak, kayıt eklemek, silmek ve güncellemek için kullanılabilir. Bunun yanı sıra, verileri sorgulama, sıralama ve gruplama için de kullanılabilir. SQL, diğer veri işleme araçları ile entegre olabilen bir açık kaynaklı bileşenidir.

SQL, büyük ve karmaşık veri tabanları ile çalışırken oldukça etkilidir. Verilerin sorgulanması ve analiz edilmesi işlemlerini daha kolay ve hızlı hale getirir. Ayrıca, SQL komutları PHP, Python ve Java gibi birçok programlama dili ile de kullanılabilir.

• Verileri filtreleme ve sıralama işlemleri için;
• Büyük veri kümeleri ile çalışırken;
• Verilerin analiz edilmesi işlemlerinde;
• Veri tabanlarına erişim işlemlerinde;
• Verilerin gruplanması için tercih edilir.

Genel olarak, SQL veri tabanı yönetimi için popüler bir araçtır ve verilerin sorgulanması, analiz edilmesi ve yönetilmesi için oldukça etkilidir.

4.1 MySQL

MySQL, veri tabanı yönetimi konusunda oldukça popüler bir araçtır. Büyük veri kümeleri ile çalışırken oldukça etkilidir. MySQL, açık kaynaklı bir veri tabanı yönetim sistemi olarak kabul edilir. Bu sebeple, dünya genelinde birçok geliştirici tarafından kullanılmaktadır. MySQL, verileri hızlı ve etkili bir şekilde yönetebilmek için birden fazla özellik sunar. Bunların arasında ölçeklenebilirlik, yüksek-ağır yük performansı ve tutarlılık gibi özellikler bulunur.

Bunların yanı sıra, MySQL'in açık kaynaklılığı, geliştiricilerin yeni özellikler eklemesine olanak tanır ve bu süreç de oldukça hızlıdır. Bu özellikleri sayesinde MySQL, hem küçük hem de büyük ölçekli veri tabanı yöneticileri tarafından tercih edilir. Ayrıca MySQL, farklı işletim sistemlerinde kullanılabiliyor olması da bir artıdır.

Etkili bir veri tabanı yönetim sistemi olan MySQL, kullanım kolaylığı ve yüksek performansı ile veri işlemesi işleminin hızlı ve basit olmasını sağlar. Büyük veri kümeleri ile çalışırken dahi, sorgulama sırasında oluşabilecek yavaşlamaların önüne geçer. Verilerinizi anında sorgulayabilecek ve analiz edebileceksiniz!

4.2 PostgreSQL

PostgreSQL, büyük ve karmaşık veritabanlarına sahip işletmeler için mükemmel bir seçenektir. Bu araç, hem ölçeklenebilir hem de güvenli olmasının yanı sıra, yüksek kaliteli veri yönetimi sağlar. PostgreSQL, ilişkisel veritabanı yönetim sistemleri arasında en popüleridir ve dünya genelinde birçok kuruluş tarafından başarıyla kullanılmaktadır.

PostgreSQL; sistem yöneticileri, veritabanı geliştiricileri ve uygulama geliştiricileri tarafından kolayca kullanılabilir ve esnek yapıya sahiptir. Ayrıca, verilerin güvenliğini sağlamak için birçok önlem alınmıştır. PostgreSQL, kullanıcıların verilerine güveneceği birçok düzeyde güvenliği sağlar. Örneğin, kullanıcıların erişim haklarını ayrıntılı bir şekilde ayarlayabilirsiniz; bu sayede bir kullanıcının yalnızca belirli verileri görüntülemesini sağlayabilirsiniz.

PostgreSQL ayrıca, birden çok kullanıcının aynı veritabanı üzerinde çalışmasına imkan tanıyan birçok özellik sunar. Verilerin bütünlüğünü sağlamak için, örneğin tüm verileri tarafından tutarlı bir şekilde düzenleyen ve yöneten bir otomatik işlem mekanizması olan Transaction Manager aracını kullanabilirsiniz.

PostgreSQL, tablolar, görünümler, işlemler, tetikleyiciler ve kullanıcı tanımlı veri türleri gibi bir dizi üst düzey öğe ile birlikte gelir. Bu öğeleri kullanarak, uygulamanız için özel veri yapıları oluşturabilirsiniz. PostgreSQL aynı zamanda, aynı zamanda XML ve JSON gibi veri türlerini de destekler. Verilerin bu şekilleri, günümüzde birçok farklı veri sınıfında bulunmaktadır. Bu nedenle, PostgreSQL, verilerinizi yönetmek ve analiz etmek için harika bir seçenektir.

5. Hadoop

Hadoop, günümüz dijital dünyasında veri analizi ve veri işleme alanında oldukça popüler bir araçtır. Apache projesi bir parçası olan Hadoop, büyük veri kümelerinin işlenmesinde oldukça etkili bir araçtır. Büyük ölçekli veri kümeleri, otomatik olarak parçalara bölünür ve daha sonra işlenir. Bu, Hadoop'un daha hızlı ve daha etkili veri işleme sağlamasına yardımcı olur.

Hadoop, veri işleme ve yönetim alanında birçok uygulama sunar. MapReduce, Hadoop'un temel bileşenlerinden biridir ve büyük veri kümelerinin işlenmesinde oldukça etkilidir. Hadoop, aynı zamanda veri yönetiminde önemli bir rol oynar. HBase ve Cassandra, Hadoop tabanlı veri tabanı yönetim sistemleridir ve büyük veri kümelerini yönetmek için mükemmel bir seçenek sunar.

Hadoop ayrıca farklı veri depolama modülleri de sunar. Hadoop Distributed File System (HDFS), verileri farklı düğümlerde depolayarak, yüksek veri koruma ve erişim sağlar. HDFS, güçlü bir dosya yönetim sistemi olarak kabul edilir.

Sonuç olarak, Hadoop, büyük veri kümelerinin işlenmesinde oldukça etkili bir araçtır. Hadoop, veri yönetimi, analizi ve depolaması gibi alanlarda birçok uygulama sunarak, işletmelerin verimliliğini artırmalarına yardımcı olur. Aynı zamanda, Hadoop'un açık kaynak olması, kullanımını daha da yaygınlaştırmaktadır.

5.1 Hive

Hadoop büyük veri kümelerini işlemek için oldukça popüler bir araçtır ve Hive, Hadoop üzerinde çalışan bir araçtır. Hive, SQL dilinde veri işleme sağlar ve SQL benzeri bir dizi beyan kullanarak verileri sorgulamak ve analiz etmek için kullanılabilir. Hive, yalnızca büyük veri kümelerinde yapılan veri işlemesini kolaylaştırmakla kalmaz, aynı zamanda işlemlerin hızlı bir şekilde gerçekleştirilmesini sağlayan birçok optimize edilmiş yapısı vardır.

Hive, tüm kullanıcılar için kullanımı kolay bir arabirim sunar ve büyük veri kümeleriyle çalışırken yanıt süresini optimize eder. Hive, verilerin farklı veri kaynaklarından toplanmasına, küçük birimlerde işlenmesine ve en sonunda tek bir yerde saklanmasına olanak tanır. Ayrıca, Hive verilerin işlenmesi, dönüştürülmesi, modifiye edilmesi ve depolanması için birden fazla seçenek sunar.

Etkili bir veri işlemesi için Hive, Hadoop üzerinde çalışan bir araç olarak SQL benzeri sorguları kullanarak büyük veri kümelerini sorgulamak ve analiz etmek için kullanılabilir. Ayrıca, Hive, veri tabanı analizi işlemleri için yüksek performansa sahip birçok optimize edilmis veri yapılarına sahip olduğundan, büyük veri kümelerini işleme için mükemmel bir araçtır.

5.2 Pig

Hadoop üzerinde çalışan Pig, büyük veri kümelerinin işlenmesi için kolay bir yol sağlayan etkili bir araçtır. Pig, birçok veri işleme işlemini otomatize ederek, büyük veri işleme konusunda uzman olmayan kişilerin bile işlem yapmasına olanak tanır. Kullanımı kolay olan Pig, eşsiz bir veri işleme tecrübesi sunar.

Pig dilinde yazılan skriptler, Hadoop'un MapReduce motorunda çalışır ve kullanıcıya, veri tabanlarından veri alma, işleme, analiz etme ve sonuçları görselleştirme imkanı sağlar. Pig, bazı temel veri işleme işlemlerinin hızlı ve kolay bir şekilde gerçekleştirilmesini sağlar. Bu işlemler; izleme, eşleştirme, grafik çizme ve gruplama işlemleridir.

Pig, Hadoop işlemi üzerinde programlama yapmanın basit bir yoludur ve veri işleme sürecinde birçok avantaj sunar. Kolay kullanılabilirliği ve verileri işlemeye yönelik büyük kolaylıkları nedeniyle Pig, bugün büyük veri kümelerini işleyen pek çok firmada sıkça kullanılmaktadır.