Secondary Memory - Ikincil bellek

İkincil bellek , sabit sürücüler ve yarıiletken sürücüler gibi depolama aygıtlarını ifade eder . Ayrıca, USB flash sürücüler , CD'ler ve DVD'ler gibi çıkarılabilir depolama ortamlarına da atıfta bulunabilir .

Birincil belleğin aksine , ikincil belleğe doğrudan CPU tarafından erişilmez . Bunun yerine, ikincil bellekten erişilen veriler önce RAM'e yüklenir ve daha sonra işlemciye gönderilir . RAM, ikincil bellekten çok daha hızlı veri erişim hızı sağladığı için önemli bir ara rol oynar. Yazılım programlarını ve dosyaları birincil belleğe yükleyerek , bilgisayarlar verileri çok daha hızlı bir şekilde işleyebilir.

İkincil bellek birincil bellekten çok daha yavaş olmasına rağmen, genellikle çok daha büyük depolama kapasitesi sunar. Örneğin, bir bilgisayarda bir terabaytlık sabit disk bulunabilir, ancak yalnızca 16 gigabayt RAM olabilir. Bu, bilgisayarın birincil bellekten kabaca 64 kat daha fazla ikincil belleğe sahip olduğu anlamına gelir. Ek olarak, ikincil bellek geçici değildir; bu, verilerini elektrik gücü olan veya olmayan olarak koruduğu anlamına gelir. Öte yandan RAM, bilgisayar kapatıldığında veya yeniden başlatıldığında silinir. Bu nedenle, ikincil bellek, işletim sistemi , uygulamalar ve kullanıcı dosyaları gibi "kalıcı verileri" depolamak için kullanılır .

NOT: İkincil hafıza "ikincil saklama" olarak da adlandırılabilir. Ancak, bu terim biraz daha belirsizdir, çünkü dahili depolama cihazlarına bazen "birincil depolama cihazları" da denir.

Secondary memory refers to storage devices, such as hard drives and solid state drives. It may also refer to removable storage media, such as USB flash drives, CDs, and DVDs.

Unlike primary memory, secondary memory is not accessed directly by the CPU. Instead, data accessed from secondary memory is first loaded into RAM and is then sent to the processor. The RAM plays an important intermediate role, since it provides much faster data access speeds than secondary memory. By loading software programs and files into primary memory, computers can process data much more quickly.

While secondary memory is much slower than primary memory, it typically offers far greater storage capacity. For example, a computer may have a one terabyte hard drive, but only 16 gigabytes of RAM. That means the computer has roughly 64 times more secondary memory than primary memory. Additionally, secondary memory is non-volatile, meaning it retains its data with or without electrical power. RAM, on the other hand, is erased when a computer is shut down or restarted. Therefore, secondary memory is used to store "permanent data," such as the operating system, applications, and user files.

NOTE: Secondary memory may also be called "secondary storage." However, this term is a bit more ambiguous, since internal storage devices are sometimes called "primary storage devices" as well.

Primary Memory

Birincil bellek bilgisayar bellek ile doğrudan erişilir CPU . Bu, işlemci önbelleği ve sistem ROM'u gibi çeşitli bellek türlerini içerir . Bununla birlikte, çoğu durumda, birincil bellek sistem RAM'ına atıfta bulunur .

RAM veya rasgele erişim belleği, bilgisayar çalışırken geçici olarak veri depolayan bir veya daha fazla bellek modülünden oluşur . RAM, geçici bellektir, yani güç kapatıldığında silinir. Bu nedenle, bilgisayarınızı her başlatışınızda, işletim sistemi ikincil bellekten ( sabit sürücü gibi ) birincil belleğe veya RAM'e yüklenmelidir . Benzer şekilde, ne zaman bir uygulamayı bilgisayarınızda başlattıysanız , RAM içine yüklenir.

İşletim sistemi ve uygulamalar birincil belleğe yüklenir, çünkü RAM depolama aygıtlarından çok daha hızlı erişilebilir . Aslında, veriler CPU ile RAM arasında, CPU ile sabit sürücü arasında olduğundan yüz kat daha hızlı aktarılabilir. RAM'e veri yükleyerek, programlar önemli ölçüde daha hızlı çalışabilir ve ikincil bellekten sürekli erişilen verilere göre çok daha hızlı tepki verir.

NOT: Birincil hafıza "birincil depolama" olarak da adlandırılabilir. Bununla birlikte, bu terim bir şekilde daha belirsizdir, çünkü içeriğe bağlı olarak birincil depolama, dahili sabit sürücüler gibi dahili depolama cihazlarına da atıfta bulunabilir.

Primary memory is computer memory that is accessed directly by the CPU. This includes several types of memory, such as the processor cache and system ROM. However, in most cases, primary memory refers to system RAM.

RAM, or random access memory, consists of one or more memory modules that temporarily store data while a computer is running. RAM is volatile memory, meaning it is erased when the power is turned off. Therefore, each time you start up your computer, the operating system must be loaded from secondary memory (such as a hard drive) into the primary memory, or RAM. Similarly, whenever you launch an application on your computer, it is loaded into RAM.

The operating system and applications are loaded into primary memory, since RAM can be accessed much faster than storage devices. In fact, the data can be transferred between CPU and RAM more than a hundred times faster than between the CPU and the hard drive. By loading data into RAM, programs can run significantly faster and are much more responsive than if than constantly accessed data from secondary memory.

NOTE: Primary memory may be called "primary storage" as well. However, this term is somewhat more ambiguous since, depending on the context, primary storage may also refer to internal storage devices, such as internal hard drives.

Makine dili - Machine Language

Makine dili veya makine kodu, ikili basamaklardan (olanlar ve sıfırlar) oluşan düşük seviyeli bir dildir . Üst düzey diller gibi, Swift ve C ++ olmalıdır derlenmiş kod bir bilgisayarda çalıştırıldığında önce makine diline.

Bilgisayarlar dijital cihazlar olduğundan, yalnızca ikili verileri tanırlar. Her program, video, resim ve metnin karakteri ikili olarak gösterilir. Bu ikili veri veya makine kodu CPU tarafından giriş olarak işlenir . Sonuçta ortaya çıkan çıktı işletim sistemine veya verileri görsel olarak gösteren bir uygulamaya gönderilir . Örneğin, "A" harfi için ASCII değeri , makine kodunda 01000001'dir , ancak bu veriler ekranda "A" olarak görüntülenir. Bir görüntünün, her pikselin rengini belirleyen binlerce hatta milyonlarca ikili değeri olabilir .

Makine kodu 1 ve 0'dan oluşurken, farklı işlemci mimarileri farklı makine kodu kullanır. Örneğin, bir RISC mimarisine sahip bir PowerPC işlemcisi, bir CISC mimarisine sahip bir Intel x86 işlemcisinden farklı bir kod gerektirir . Bir derleyici , bir programın doğru çalışması için doğru işlemci mimarisi için üst düzey kaynak kodunu derlemelidir .

Makine Dili - Assembly Dili
Makine dili ve montaj dili hem düşük seviye dillerdir, ancak makine kodu bilgisayar dilleri hiyerarşisinde montajın altındadır. Assembly dili, mov , add ve sub gibi insanca okunabilen komutlar içerirken, makine dili herhangi bir kelime veya harf içermez. Bazı geliştiriciler , bir programı optimize etmek için assembly dilini manuel olarak yazar, ancak makine kodu yazmazlar. Yalnızca yazılım derleyiciler yazan geliştiricilerin makine dili için endişelenmeleri gerekir.

NOT: Makine kodu teknik olarak ikili verilerden oluşsa da, onaltılık değerlerde de gösterilebilir. Örneğin, ikili olarak 01011010 olan "Z" harfi onaltılık kodda 5A olarak görüntülenebilir .

Machine language, or machine code, is a low-level language comprised of binary digits (ones and zeros). High-level languages, such as Swift and C++ must be compiled into machine language before the code is run on a computer.

Since computers are digital devices, they only recognize binary data. Every program, video, image, and character of text is represented in binary. This binary data, or machine code, is processed as input by the CPU. The resulting output is sent to the operating system or an application, which displays the data visually. For example, the ASCII value for the letter "A" is 01000001 in machine code, but this data is displayed as "A" on the screen. An image may have thousands or even millions of binary values that determine the color of each pixel.

While machine code is comprised of 1s and 0s, different processor architectures use different machine code. For example, a PowerPC processor, which has a RISCarchitecture, requires different code than an Intel x86 processor, which has a CISCarchitecture. A compiler must compile high-level source code for the correct processor architecture in order for a program to run correctly.

Machine Language vs Assembly Language

Machine language and assembly language are both low-level languages, but machine code is below assembly in the hierarchy of computer languages. Assembly language includes human-readable commands, such as mov, add, and sub, while machine language does not contain any words or even letters. Some developers manually write assembly language to optimize a program, but they do not write machine code. Only developers who write software compilers need to worry about machine language.

NOTE: While machine code is technically comprised of binary data, it may also be represented in hexadecimal values. For example, the letter "Z," which is 01011010 in binary, may be displayed as 5A in hexadecimal code.

Data Science - Veri Bilimi

Veri bilimi veri çalışmasıdır . Faydalı bilgileri etkin bir şekilde çıkarmak için veri kaydetme, saklama ve analiz etme yöntemlerini geliştirmeyi içerir. Veri biliminin amacı hem yapılandırılmış hem de yapılandırılmamış her türlü veriden içgörü ve bilgi elde etmektir.

Veri bilimi bilgisayar bilimi ile ilgilidir , ancak ayrı bir alandır. Bilgisayar bilimi, verileri kaydetmek ve işlemek için programlar ve algoritmalar oluşturmayı içerirken, veri bilimi, bilgisayarları kullanabilen veya kullanamayan her türlü veri analizini kapsar. Veri bilimi, verilerin toplanması, düzenlenmesi, analizi ve sunumunu içeren İstatistik matematik alanıyla daha yakından ilgilidir.

Modern şirketler ve kuruluşların sahip olduğu büyük miktarda veri nedeniyle, veri bilimi BT'nin ayrılmaz bir parçası haline geldi . Örneğin, kullanıcı verileri petabayta sahip bir şirket, verileri depolamak, yönetmek ve analiz etmek için etkili yöntemler geliştirmek için veri bilimini kullanabilir. Şirket, testler yapmak ve kullanıcıları hakkında anlamlı bilgiler sağlayabilecek sonuçları almak için bilimsel yöntemi kullanabilir.

Veri Bilimi ve Veri Madenciliği
Veri bilimi sıklıkla veri madenciliği ile karıştırılmaktadır . Bununla birlikte, veri madenciliği, veri biliminin bir alt kümesidir. Modelleri ve diğer faydalı bilgileri keşfetmek için büyük miktarda veriyi ( büyük veriler gibi ) analiz etmeyi içerir . Veri bilimi, tüm veri toplama ve işleme kapsamını kapsar.

Data science is the study of data. It involves developing methods of recording, storing, and analyzing data to effectively extract useful information. The goal of data science is to gain insights and knowledge from any type of data — both structured and unstructured.

Data science is related to computer science, but is a separate field. Computer science involves creating programs and algorithms to record and process data, while data science covers any type of data analysis, which may or may not use computers. Data science is more closely related to the mathematics field of Statistics, which includes the collection, organization, analysis, and presentation of data.

Because of the large amounts of data modern companies and organizations maintain, data science has become an integral part of IT. For example, a company that has petabytes of user data may use data science to develop effective ways to store, manage, and analyze the data. The company may use the scientific method to run tests and extract results that can provide meaningful insights about their users.

Data Science vs Data Mining
Data science is often confused with data mining. However, data mining is a subset of data science. It involves analyzing large amounts of data (such as big data) in order to discover patterns and other useful information. Data science covers the entire scope of data collection and processing.

Data Mining

Veri madenciliği, kalıpları ve diğer bilgileri keşfetmek için büyük miktarda veriyi analiz etme sürecidir . Genellikle verileri yapılandırılmış bir biçimde depolayan veritabanlarında gerçekleştirilir . Büyük miktarda veriyi "madencilik" yaparak, gizli bilgiler keşfedilebilir ve başka amaçlar için kullanılabilir.

Veri Madenciliği Örnekleri
Bir kredi kartı şirketi, üyelerinin satın alma alışkanlıkları hakkında daha fazla bilgi edinmek için veri madenciliğini kullanabilir. Amerika Birleşik Devletleri genelinde kart sahiplerinden yapılan satın alımları analiz ederek, şirket yaş, yarış ve konum gibi farklı demografik bilgiler için alışveriş alışkanlıkları bulabilir. Bu bilgi, bireylere özel promosyonlar sunmada faydalı olabilir. Aynı veriler, ülkenin farklı bölgelerinde alışveriş alışkanlıklarını da ortaya çıkarabilir. Bu bilgiler, belirli eyaletlerde reklam vermek veya iş kurmak isteyen şirketler için değerli olabilir.

Google ve Facebook gibi çevrimiçi hizmetler, kullanıcılarına hedefli içerik ve reklamlar sunmak için çok büyük miktarda veriye sahiptir. Örneğin Google, belirli alanlarda popüler aramaları keşfetmek ve bunları otomatik tamamlama listesinin en üstüne (yazarken görünen öneriler) taşımak için arama sorgularını analiz edebilir . Facebook, kullanıcı etkinlik verilerini kullanarak, farklı yaş grupları arasında popüler konuları keşfedebilir ve bu bilgilere dayanarak hedeflenmiş reklamlar sağlayabilir.

Veri madenciliği yaygın olarak pazarlama amacıyla kullanılsa da, başka birçok kullanıma da sahiptir. Örneğin, sağlık şirketleri belirli genler ve hastalıklar arasındaki bağlantıları keşfetmek için veri madenciliğini kullanabilir. Hava durumu şirketleri gelecekteki meteorolojik olayları tahmin etmenize yardımcı olabilecek hava durumu modellerini keşfetmek için verileri kullanabilir. Trafik yönetimi kurumları, gelecekteki trafik seviyelerini tahmin etmek ve otoyollar ve caddeler için uygun planlar oluşturmak için otomotiv verilerini kullanabilir.

Veri Madenciliği Gereklilikleri
Veri madenciliği iki şey gerektirir - çok fazla veri ve çok fazla bilgi işlem gücü. Veriler ne kadar organize olursa, yararlı bilgiler için veri o kadar kolay olur. Bu nedenle, veri madenciliğine katılmak isteyen herhangi bir kuruluşun, hangi verilerin kaydedileceğini ve nasıl depolanacağının seçilmesinde proaktif olması önemlidir. Verileri incelemeye gelince, süperbilgisayarlar ve bilgi işlem kümeleri veri petabaytlarını işlemek için kullanılabilir .

Data mining is the process of analyzing large amounts of data in order to discover patterns and other information. It is typically performed on databases, which store data in a structured format. By "mining" large amounts of data, hidden information can be discovered and used for other purposes.

Data Mining Examples
A credit card company might use data mining to learn more about their members' buying habits. By analyzing purchases from cardholders across the United States, the company may discover shopping habits for different demographics, such as age, race, and location. This information could be useful in offering individuals specific promotions. The same data may also reveal shopping patterns in different regions of the country. This information could be valuable to companies looking to advertise or start businesses in specific states.

Online services, such as Google and Facebook, mine enormous amounts of data to provide targeted content and advertisements to their users. Google, for example, might analyze search queries to discover popular searches for certain areas and move those to the top of the autocomplete list (the suggestions that appear as you type). By mining user activity data, Facebook might discover popular topics among different age groups and provide targeted ads based on this information.

While data mining is commonly used for marketing purposes, it has many other uses as well. For instance, healthcare companies may use data mining to discover links between certain genes and diseases. Weather companies can mine data to discover weather patterns that may help predict future meteorologic events. Traffic management institutions can mine automotive data to forecast future traffic levels and create appropriate plans for highways and streets.

Data Mining Requirements
Data mining requires two things — lots of data and lots of computing power. The more organized the data, the easier it is to mine it for useful information. Therefore it is important for any organization that wants to engage in data mining to be proactive in selecting what data to log and how to store it. When it comes to mining the data, supercomputers and computing clusters may be used to process petabytes of data.