Standart Kütüphane v0.9.4

BERK Standart Kütüphanesi, modern yazılım geliştirme için gerekli tüm temel fonksiyonları sağlar. v0.9.4 sürümü ile 75 modül (42 stdlib + 33 HAL) ve 4100+ fonksiyon sunarak kapsamlı bir ekosistem sağlar.

🎯 Embedded-First Approach: BERK stdlib, gömülü sistemler ve AI/ML edge deployment için optimize edilmiştir. 7 farklı MCU platformunu destekleyen 33 HAL modülü ile bare-metal programlama, RTOS entegrasyonu ve real-time AI inference mümkündür.

📊 İstatistikler

• 75 modül - 42 stdlib + 33 HAL (gömülü sistemler)
• 1140 KB - Stdlib kod boyutu (minimal runtime: 2-5 KB)
• 4100+ fonksiyon - Kapsamlı API (NumPy/SciPy/Julia seviyesi)
• 7 embedded platform - ESP32, STM32F4, RP2040, nRF52, GD32, Nuvoton, Arduino
• AI/ML Ready - ONNX Runtime entegrasyonu, TinyML desteği
• Sıfır bağımlılık - Sadece BERK ile yazılmış, portable

🎯 Modül Kategorileri

1. Temel Modüller (Core)

Tüm BERK programlarının temel ihtiyaçlarını karşılar:

2. Sistem Programlama (System)

Düşük seviye sistem etkileşimi:

3. Fonksiyonel Programlama (Functional)

Julia ve Rust tarzı fonksiyonel programlama:

4. Bilimsel Hesaplama (Scientific Computing) 🔬

v1.4'ün yıldızı! Üniversite ve araştırma seviyesinde matematik:

5. Yapay Zeka ve Makine Öğrenmesi (AI/ML) 🤖

Edge AI ve embedded ML için optimize edilmiş kütüphaneler:

AI/ML Özellikleri:

• Model Training: Python/PyTorch ile eğitim, ONNX export
• Edge Inference: ARM Cortex-M, ESP32, RISC-V üzerinde <10ms latency
• Quantization: INT8/INT16 model optimization
• Hardware Acceleration: NPU, DSP offloading desteği
• Real-Time: Deterministic inference, RTOS uyumlu

6. Gömülü Sistemler - HAL (Hardware Abstraction Layer) ⚡

33 HAL modülü ile 7 farklı platformu destekler:

Desteklenen Platformlar:

• ✅ ESP32 - WiFi/BT, 240 MHz dual-core
• ✅ STM32F4 - 168 MHz ARM Cortex-M4, FPU
• ✅ RP2040 - Raspberry Pi Pico, 133 MHz dual-core
• ✅ nRF52 - Nordic BLE, ultra-low power
• ✅ GD32 - Gigadevice ARM Cortex-M
• ✅ Nuvoton - Industrial MCUs
• ✅ Arduino - AVR/ARM compatible

🚀 Hızlı Başlangıç

Basit Kullanım

// Matematik
kullan math

değişken sonuç = math_sin(math_PI / 2.0)  // 1.0
değişken faktöriyel = math_factorial(5)     // 120

İteratörler

kullan iter

değişken sayılar = [1, 2, 3, 4, 5]
değişken kareler = iter_map(sayılar, fonksiyon(x) yap dön x * x son)
değişken toplam = iter_sum(kareler)  // 55

Doğrusal Cebir

kullan linalg

// 3×3 birim matris
değişken I = linalg_birim_mat(3)

// Matris çarpımı
değişken A = [1.0, 2.0, 3.0, 4.0]  // 2×2
değişken B = [5.0, 6.0, 7.0, 8.0]
değişken C = linalg_mat_çarp(A, B, 2, 2, 2)

İstatistik

kullan stats

değişken data = [1.5, 2.3, 3.1, 4.8, 5.2]
değişken ortalama = stats_ortalama(data, 5)       // 3.38
değişken std_dev = stats_standart_sapma(data, 5)  // 1.52
değişken medyan = stats_medyan(data, 5)           // 3.1

Optimizasyon

kullan optim

// f(x) = x² - 4x + 4 fonksiyonunun minimumunu bul
fonksiyon f(x: ondalık): ondalık yap
    dön x * x - 4.0 * x + 4.0
son

değişken minimum = optim_golden_section(f, 0.0, 5.0, 0.001)
// minimum ≈ 2.0

📚 Detaylı Dokümantasyon

Her modül için detaylı dokümantasyon ayrı sayfalarda bulunmaktadır:

Temel Modüller

• io - Giriş/Çıkış
• string - String İşlemleri
• collections - Koleksiyonlar
• result - Hata Yönetimi
• time - Zaman İşlemleri

Sistem Programlama

• fs - Dosya Sistemi
• thread - Çoklu İş Parçacığı
• sys - Sistem Bilgisi
• terminal - Terminal Kontrolü

Fonksiyonel Programlama

• iter - İteratörler
• fmt - Gelişmiş Formatlama

Bilimsel Hesaplama

• math - Matematik
• physics - Fizik
• complex - Kompleks Sayılar
• random - Rastgele Sayılar
• linalg - Doğrusal Cebir
• stats - İstatistik
• optim - Optimizasyon

Web ve Veri

• http - HTTP İstemci/Sunucu
• json - JSON İşleme
• regex - Düzenli İfadeler
• testing - Test Framework
• logging - Loglama
• network - Ağ İşlemleri
• async - Asenkron Programlama
• xml - XML İşlemleri
• yaml - YAML İşlemleri
• csv - CSV Dosya İşlemleri
• encoding - Kodlama Dönüşümleri
• compression - Veri Sıkıştırma
• crypto - Kriptografi
• sqlite - SQLite Veritabanı

Grafik ve Oyun

• gui - Grafik Kullanıcı Arayüzü
• graphics - 2D Grafik
• audio - Ses İşleme
• image - Görüntü İşleme
• physics2d - 2D Fizik Motoru
• cad3d - 3D CAD Modelleme
• mesh - 3D Mesh İşlemleri
• math_3d - 3D Matematik
• color - Renk İşlemleri

İleri Seviye

• rules - Kural Tabanlı Sistemler

🎓 Kullanım Senaryoları

Bilimsel Araştırma

// İstatistiksel analiz
değişken veriler = veri_oku("deney.csv")
değişken ortalama = stats_ortalama(veriler)
değişken t_skoru = stats_t_score(veriler, 0.0)

// Hipotez testi
eğer math_mutlak(t_skoru) > 2.0 ise yap
    yazdır("İstatistiksel olarak anlamlı!")
son

Makine Öğrenmesi Temelleri

// Doğrusal regresyon
değişken X = [1.0, 2.0, 3.0, 4.0, 5.0]
değişken y = [2.1, 3.9, 6.2, 8.1, 9.8]

değişken (a, b, r2) = stats_linear_regression(X, y, 5)
yazdır("y = " + a + " + " + b + "x")
yazdır("R² = " + r2)

Nümerik Simülasyon

// Monte Carlo π tahmini
kullan random

değişken içerde = 0
değişken toplam = 1000000

değişken rng = random_xoshiro_seed(12345)

değişken i = 0
iken (i < toplam) yap
    değişken x = random_xoshiro_next_float(rng)
    değişken y = random_xoshiro_next_float(rng)
    
    eğer (x*x + y*y < 1.0) ise yap
        içerde = içerde + 1
    son
    
    i = i + 1
son

değişken pi_tahmini = 4.0 * içerde / toplam
yazdır("π ≈ " + pi_tahmini)  // ~3.14159

Optimizasyon Problemleri

// Gradyan inişi ile fonksiyon minimizasyonu
kullan optim
kullan linalg

// f(x, y) = x² + y² - 2x - 4y + 5
fonksiyon gradyan(pos: [ondalık], n: tam_sayı): [ondalık] yap
    değişken grad = [2.0 * pos[0] - 2.0, 2.0 * pos[1] - 4.0]
    dön grad
son

değişken başlangıç = [0.0, 0.0]
değişken minimum = optim_gradient_descent(gradyan, başlangıç, 2, 0.1, 100, 0.001)

yazdır("Minimum nokta: (" + minimum[0] + ", " + minimum[1] + ")")
// Beklenen: (1.0, 2.0)

Yapay Zeka ve Makine Öğrenmesi

// Reinforcement Learning - Q-Learning
kullan ai_rl

// Labirent problemi için Q-learning
değişken ortam = ai_rl_ortam_oluştur(durum_sayısı: 16, eylem_sayısı: 4)
değişken ajan = ai_rl_q_learning_ajan(
    öğrenme_oranı: 0.1,
    keşif_oranı: 0.2,
    indirim: 0.95
)

// Eğitim
değişken bölüm = 0
iken (bölüm < 1000) yap
    değişken durum = ortam_sıfırla(ortam)
    değişken toplam_ödül = 0.0
    
    iken (durum_terminal_mi(durum) yok ise) yap
        değişken eylem = ajan_eylem_seç(ajan, durum)
        değişken (yeni_durum, ödül) = ortam_adım(ortam, eylem)
        ajan_güncelle(ajan, durum, eylem, ödül, yeni_durum)
        
        durum = yeni_durum
        toplam_ödül = toplam_ödül + ödül
    son
    
    bölüm = bölüm + 1
son

yazdır("Eğitim tamamlandı! Ortalama ödül: " + toplam_ödül / 1000.0)

// Neural Network - MLP Classification
kullan nn
kullan linalg

// 2-katmanlı sinir ağı (784 → 128 → 10)
değişken model = nn_mlp_oluştur([784, 128, 10])

// MNIST veri seti yükleme
değişken (X_train, y_train) = veri_yükle("mnist_train.csv")
değişken (X_test, y_test) = veri_yükle("mnist_test.csv")

// Eğitim
değişken dönem = 0
iken (dönem < 10) yap
    değişken kayıp = nn_mlp_eğit(
        model, 
        X_train, 
        y_train,
        öğrenme_oranı: 0.01,
        batch_boyutu: 32
    )
    
    // Test doğruluğu
    değişken doğruluk = nn_mlp_değerlendir(model, X_test, y_test)
    yazdır("Dönem " + dönem + ": Kayıp=" + kayıp + ", Doğruluk=" + doğruluk)
    
    dönem = dönem + 1
son

// Edge AI - ONNX Model Inference (ESP32/STM32)
kullan onnx
kullan hal_gpio

// ONNX modelini yükle (quantized INT8)
değişken model = onnx_model_yükle("mobilenet_v2_int8.onnx")

// Kamera görüntüsü al (ESP32-CAM)
değişken görüntü = kamera_çek()  // 224x224 RGB

// Ön işleme
değişken giriş = görüntü_normalize(görüntü, ortalama: 0.5, std: 0.5)

// Inference (tipik: 5-8ms ESP32 üzerinde)
değişken çıktı = onnx_inference(model, giriş)

// Sonucu işle
değişken sınıf = argmax(çıktı)
değişken güven = çıktı[sınıf]

yazdır("Tespit edilen: " + sınıf_isimleri[sınıf])
yazdır("Güven: " + (güven * 100.0) + "%")

// LED ile görsel geri bildirim
eğer güven > 0.8 ise yap
    hal_gpio_yaz(LED_PIN, YÜKSEK)  // Yeşil LED
son

🔧 Implementation Status (v0.9.4)

Durum Açıklaması:

• ✅ Stable - API finalized, production-ready
• 🟡 Beta - API stable, implementation in progress
• 🔴 Alpha - Experimental, API may change
• ⏳ Planned - Design phase

🎯 v1.0 Roadmap (Ocak 2026)

v1.0 için kalan geliştirmeler:

1. Macro System - Compile-time code generation
2. dataframe - Pandas-like columnar data structures
3. Public Registry - berk.dev package registry launch
4. Package Verification - Digital signatures for security
5. Linux & macOS - Cross-platform support

Gelecek Sürümler (v1.5, v2.0+)

• signal - Sinyal işleme (FFT, filtering, spectral analysis)
• sparse - Seyrek matrisler (COO, CSR, CSC formats)
• ode - Diferansiyel denklemler (RK4, BDF, adaptive)
• FPGA synthesis - Hardware description, Verilog/VHDL generation
• Formal verification - Proof assistants integration

📖 Daha Fazla Bilgi

• GitHub Repository
• API Reference
• Contributing Guide
• Changelog

Hazır mısınız? Bir sonraki bölümde modülleri detaylı olarak inceleyelim!