What is Big Data? - Computerphile Computerphile English Turkish

What is Big Data? - ComputerphileYouTube↗ IA↗(long shot)
149.9K views 4.9K likes 101 dislikes 15 May 2019

Computerphile 2.6M subscribers N/A YouTube↗

Today we're going to be talking about big data. How big is big?

Bugün büyük verilerden bahsedeceğiz. Ne kadar büyük?

yani

Well, first of all, there is no precise definition as a rule. So kind of be standard what people would say is

İlk olarak, kural olarak kesin bir tanım yoktur. İnsanların söyleyeceği şey bu kadar standart olmalı.

When we can no longer reasonably deal with the data using traditional methods

Artık geleneksel yöntemleri kullanarak verilerle makul bir şekilde ilgilenemediğimizde

So that we kind of think what's a traditional method? Well, it might be can we process the data on a single computer?

Yani geleneksel bir yöntem nedir diye düşünelim? Peki, verileri tek bir bilgisayarda işleyebilir miyiz?

Can we store the data on a single computer? And if we can't then we're probably dealing

Verileri tek bir bilgisayarda depolayabilir miyiz? Ve eğer yapamazsak, muhtemelen uğraşıyoruz.

With big data, so you need to have new methods in order to be able to handle and process this data

Büyük verilerle, bu verileri işleyebilmek ve işleyebilmek için yeni yöntemlere sahip olmanız gerekir.

As computers getting faster and bigger capacities and more memory and things that the concept of what becomes big is is changing, right?

Bilgisayarlar gittikçe daha büyük ve daha fazla kapasiteye ve daha fazla hafızaya sahip olduklarında ve neyin büyüdüğü kavramı değişiyor mu?

So kind of but a lot of it isn't really as I'll talk about later isn't how

Yani biraz ama daha sonra konuşacağım gibi pek değil

Much power you can get in a single computer

Tek bir bilgisayarda alabileceğiniz fazla güç

It's more how we can use multiple computers to split the data up process everything and then throw it back like in the MapReduce framework

Veri toplama sürecini bölmek için birden fazla bilgisayarı nasıl kullanabileceğimizi ve daha sonra MapReduce çerçevesindeki gibi geri fırlatabileceğimizi daha fazla seviyorum.

Then we talked about the for in with big data

Sonra büyük verilerle birlikte hakkında konuştuk

There's something called the five es which kind of defines some features and problems that are common amongst any Big Data things

Büyük Veri'lerde ortak olan bazı özellikleri ve sorunları tanımlayan, beş es adı verilen bir şey var.

We have the five es and the first three that were defined. I think these were defined in 2001

Beş es ve tanımlanmış ilk üçümüz var. Bunların 2001'de tanımlandığını düşünüyorum

So that's kind of how having talked about four. So first of all, we've got some volume. So this is the most obvious one

Demek böyle dördü konuştum. Her şeyden önce, biraz sesimiz var. Yani bu en bariz olanı

It's just simply how large the dataset it's the second one is

Bu sadece veri setinin büyüklüğü, ikincisi olan veri kümesidir.

velocity

hız

So a lot of the time these days huge amounts of data are being generated in a very short amount of time

Bu günlerde çoğu zaman çok kısa sürede çok büyük miktarlarda veri üretiliyor.

So you think of how much data Facebook is generating people liking stuff people uploading content that's happening constantly

Yani, Facebook'un, insanların sürekli olarak meydana gelen içeriği yükleyen şeyleri sevmesini sağlayan insanlara ne kadar veri ürettiğini düşünüyorsunuz.

All throughout the day the amount of data they generate every day

Gün boyunca, her gün ürettikleri veri miktarı

It's just huge basically so they need to process that in real time

Basitçe büyük, bu yüzden gerçek zamanlı olarak işlemesi gerekiyor.

And the third one is variety

Üçüncüsü çeşitlilik

Traditionally the data we would have and we would store it in a traditional single database. It would be in a very structured format

Geleneksel olarak sahip olacağımız veriler ve bunları geleneksel tek bir veritabanında saklarız. Çok yapılandırılmış bir biçimde olur

So you've got columns and rows everywhere. He would have values for the columns these days

Demek her yerde sütunların ve satırların var. Bugünlerde sütunlar için değerleri olacaktı.

We've got data coming in in a lot of different formats

Çok farklı formatlarda veri geliyor

So as well as the traditional kind of structured data, we have unstructured data

Geleneksel yapıdaki verilerin yanı sıra, yapılandırılmamış verilere sahibiz.

So you've got stuff coming like web dream cliques, we've got like social media likes coming in

Yani web rüyası klibi gibi gelecek şeylere sahipsiniz, sosyal medyanın gelmesini seviyoruz

We've got stuff like images and audio and video

Görüntü, ses ve video gibi şeylerimiz var

So we need to be able to handle all these different types of data and extract what we need from them

Bu yüzden, tüm bu farklı tipteki verileri idare edebilmemiz ve ihtiyaç duyduğumuz verileri onlardan alabilmemiz gerekir.

and the first one is

ve ilki

value

değer

Yeah, so there's no point in us collecting huge amounts of data and then doing nothing with it

Evet, yani büyük miktarda veri toplamamızın ve onunla hiçbir şey yapmamızın bir anlamı yok.

So we want to know what we want to obtain from the data and then think of ways to go about that

Bu yüzden verilerden ne elde etmek istediğimizi bilmek istiyoruz ve sonra buna devam etmenin yollarını düşünüyoruz.

So something some form of value could just be getting humans to understand what is happening

Yani, bir çeşit değer biçimi, insanların neler olduğunu anlamalarını sağlamak için olabilir.

In that data. So for example if you have a fleet of lorries

Bu veride. Mesela bir kamyonet filonuz varsa

They will all have telematics sensors in that we collecting sensor data of what the lawyers are doing

Hepsinde telematik sensörleri olacak, avukatların yaptıklarının sensör verilerini toplayacağız

So it's of a lot of value to the fleet manager to then be able to easily

Bu yüzden filo yöneticisinin kolayca yapabileceği çok şey var.

Visualize huge amounts of data coming in and see what it's happening. So as well as processing and storing this stuff

Gelen büyük miktarda veriyi görselleştirin ve neler olduğunu görün. Yani bu şeyleri işlemek ve saklamak gibi

We also want to be able to visualize it and show it humans in an easily understandable format

Ayrıca onu görselleştirmek ve insanlara kolay anlaşılabilir bir biçimde göstermek istiyoruz.

Oh, the value stuff is just finding patterns machine learning algorithms from all of this data

Oh, değerli şeyler sadece tüm bu verilerden makine öğrenme algoritmaları kalıpları bulmaktır

see then the fifth and final one is

sonra beşinci ve sonuncuyu görün

Veracity this is basically how trustworthy the data is how reliable it is

Gerçeklik bu temelde verinin ne kadar güvenilir olduğu ve ne kadar güvenilir olduğu

So we've got data coming in from a lot of different sources

Bu yüzden birçok farklı kaynaktan veri geliyor.

So is it being generated with statistical bias?

Peki istatistiksel önyargılı üretiliyor mu?

Are there missing values if we use think for example the sensor data, we need to realize that maybe the sensors are faulty

Mesela eğer sensör verilerini düşünürsek, eksik değerler var mı, belki sensörlerin hatalı olduğunu anlamamız gerekir.

They're giving slightly off readings

Biraz okuma yapıyorlar

So it's important to understand how?

Yani nasıl olduğunu anlamak önemlidir?

Reliable the data we're looking at is and so these are kind of the five

Baktığımız veri güvenilir ve bu yüzden bunlar beş tür.

Standard features of Big Data some people try and add more. There's another seven V's a big data at the 10 meter producer

Büyük Veri'nin standart özellikleri bazı insanlar daha fazlasını dener ve ekler. 10 metrelik üreticiden büyük bir yedi V daha var.

I see. I'm sure we will keep going up and up

Anlıyorum. Eminim sürekli yukarı çıkacağız.

They are doing things like don't like vulnerability. So

Güvenlik açığından hoşlanmayan şeyler yapıyorlar. Yani

Obviously when we're storing a lot of data a lot of that is quite personal data

Açıkçası, çok fazla veri sakladığımızda, bunun çoğu kişisel veridir.

So making sure that's secure but these are the kind of the five main ones

Bu yüzden güvenli olduğundan emin olmak ama bunlar beş ana olanın

The first thing the big big data obviously is just the sheer volume

Büyük büyük verilerin açıkçası ilk şey, sadece saf hacim

So one way of dealing with this is to split the data across multiple computers

Dolayısıyla, bununla başa çıkmanın bir yolu verileri birden fazla bilgisayara bölmektir.

So you could think okay. So we've got too much data to fit on one machine. We'll just get a more powerful computer

Böylece iyi düşünebilirsin. Bu yüzden bir makineye sığacak çok fazla veriye sahibiz. Daha güçlü bir bilgisayar elde edeceğiz

We'll get more CPU power. We'll get larger memory

Daha fazla CPU gücü elde edeceğiz. Daha büyük hafıza alacağız

that very quickly becomes quite difficult to manage because every time you need to

bu çok hızlı bir şekilde yönetilmesi oldukça zorlaşıyor, çünkü her zaman ihtiyacınız

Scale it up again because you've got even more data you to buy computer or new hardware

Bilgisayarı veya yeni donanımı satın almak için daha fazla veriye sahip olduğun için tekrar ölçeklendir

So what tends to happen instead and all like they see all companies or just have like a cluster of computers?

Öyleyse, bunun yerine ne olur ve hepsi tüm şirketleri gördükleri gibi ya da sadece bir bilgisayar kümesi gibi?

So rather than a single machine

Yani tek bir makine yerine

They'll have say a massive mean warehouse

Büyük bir ortalama depo diyecekler

basically

temel olarak

If you wind loads and loads and loads of computers and what this means that we can do is we can do distributed storage

Eğer yükleri ve yükleri ve bilgisayarları çok fazla sarırsanız ve bunun ne anlama gelebileceği anlamına gelirsek, dağıtılmış depolama yapabiliriz

so each of those machines will store a portion of the data and then we can also

bu yüzden bu makinelerin her biri verilerin bir bölümünü depolayacak ve

Do the computation split across those machines rather than having one computer going through?

Hesaplama, bir bilgisayarın geçmesi yerine, bu makineler arasında bölünüyor mu?

I know a billion database records you can have each computer going through a thousand of those database records

Biliyorum ki, her bir bilgisayarın bu veritabanı kayıtlarından bininden geçirilebildiğini gösteren bir milyar veritabanı kaydı biliyorum

Let me take a really naive way of saying right. Ok, let's do it. Alphabetically, I'll load more records. Come in for say Zed

Doğru söylemenin gerçekten saf bir yolunu seçeyim. Tamam hadi yapalım. Alfabetik olarak daha fazla kayıt yükleyeceğim. Söylemeye gel Zed

That's easy. Stick it on the end load more records coming for P. This Y in the middle, right? How do you manage that?

Bu kolay. Uçtaki çubuğa yapıştırın. P için daha fazla kayıt geliyor. Ortadaki bu Y, değil mi? Bunu nasıl başardın?

and so there's

ve böylece var

Computing frameworks that will help with this

Bu konuda yardımcı olacak hesaplama çerçeveleri

So for example, if you're storing data industry to fashion than this the Hadoop distributed file system

Örneğin, veri sektörünü modaya uygun bir şekilde saklıyorsanız, Hadoop dağıtılmış dosya sistemi

And that will manage kind of the cluster resources where the files are stored and those frameworks will also provide fault tolerance and reliability

Ve bu, dosyaların saklandığı küme kaynaklarını yönetecek ve bu çerçeveler ayrıca hata toleransı ve güvenilirliği sağlayacaktır.

So if one of the nose goes down, then it you've not lost that data. There will have been some replication across other nodes

Eğer burnundan biri düşerse, o zaman bu verileri kaybetmediniz. Diğer düğümlerde bazı replikasyonlar olacaktı

So that yeah losing a single node isn't going to cause you a lot of problems

Yani evet, tek bir düğümü kaybetmek size çok fazla soruna neden olmayacak

And what using a cluster also allows you to do is whenever you want to scale it up

Ve bir kümeyi kullanmanın ne yapabileceği de, onu ne zaman büyütmek istediğinizdir.

All you do is just add more computers into the network and you're done and you can get by on

Tek yaptığınız sadece ağa daha fazla bilgisayar eklemek ve bitirdiniz ve devam edebilirsiniz.

relatively cheap

göreli olarak ucuz

Hardware rather than having to keep buying a new supercomputer in a big data

Büyük bir veride yeni bir süper bilgisayar almaya devam etmek yerine donanım

System there tends to be a pretty standard workflow

Buradaki sistem oldukça standart bir iş akışı olma eğilimindedir

so the first thing you would want to do is have a measure to

bu yüzden yapmak isteyeceğiniz ilk şey,

Ingest the data remember, we've got a huge variety of data coming in. It's all coming in from different sources

Verileri hatırlayın, içeriye giren çok çeşitli veriler var. Hepsi farklı kaynaklardan geliyor.

So we need a way to kind of aggregators and move it on to further down the pipeline

Bu yüzden, bir tür toplayıcılar ile boru hattını daha da aşağılara taşımak için bir yola ihtiyacımız var.

So there's some frameworks for this. There's an Apache Capra and like Apache flume for example and loads and loads of others as well

Yani bunun için bazı çerçeveler var. Örneğin bir Apache Capra ve benzer Apache kanalı var ve başkalarının yükünü ve yükünü de alıyor.

So basically aggregate all the data push it on to the rest of the system

Bu yüzden temelde tüm verileri toplu olarak sistemin geri kalanına doğru itin

so then the second thing that you probably want to do is

o zaman muhtemelen yapmak istediğin ikinci şey

Store that data so like we just spoke about the distributed file system

Bu verileri, dağıtılmış dosya sistemi hakkında konuştuğumuz şekilde saklayın

you store is in a distributed manner across the cluster then you want to

Sakladığınız küme genelinde dağıtılmış bir şekilde saklayın ve sonra istediğiniz

Process this data and you may skip out storage entirely

Bu verileri işlediğinizde, depolama alanını tamamen atlayabilirsiniz.

So in some cases you may not want to store your data

Yani bazı durumlarda verilerinizi saklamak istemeyebilirsiniz

You just want to process it use it to update

Sadece güncellemek için onu kullanmak işlemek istiyorum

Some machine learning model somewhere and then discard it and we don't care about long-term storage

Bazı makine öğrenme modellerini bir yere koyar, sonra onu imha eder ve uzun süreli depolamayı umursamıyoruz.

So you're processing the data again do it in disputed fashion using frameworks such as MapReduce or Apache spark

Böylece verileri tekrar işliyorsunuz, MapReduce veya Apache spark gibi çerçeveler kullanarak tartışmalı bir şekilde yapıyorsunuz.

Designing the algorithms to do that processing requires a little bit more thought than maybe doing a traditional algorithm with the frameworks

Bu işlemi yapmak için algoritmaları tasarlamak, çerçevelerle geleneksel bir algoritmayı yapmaktan biraz daha fazla düşünmeyi gerektirir.

We'll hide some of it but you need to be thinking that even if we're doing it through a framework

Bazılarını saklayacağız, ancak bunu bir çerçevede yapsak bile

We've still got data on different computers if we need to share messages between these computers during the computation

Hesaplama sırasında bu bilgisayarlar arasında mesaj paylaşmamız gerekirse, yine de farklı bilgisayarlarla ilgili verilerimiz var.

It becomes quite expensive if we keep moving a lot of data across the network

Ağ üzerinde çok fazla veri taşımaya devam edersek oldukça pahalı hale gelir

So it's designing algorithms that limit data movement around and it's the principle of data locality

Dolayısıyla, veri hareketini sınırlayan algoritmalar tasarlıyor ve veri yerinin ilkesi

So you want to keep the computation close to the data?

Yani hesaplamayı verilere yakın tutmak ister misin?

Don't move the data around

Verileri dolaşma

Sometimes it's unavoidable, but we limit it. So the other thing about processing is that there's different ways of doing it

Bazen kaçınılmazdır, ancak sınırlıyoruz. Yani işleme ile ilgili diğer bir şey, bunu yapmanın farklı yolları olmasıdır

There's batch processing

Toplu işlem var

So you already have all of your data or whatever you protected so far

Yani zaten tüm verilerinize veya şu ana kadar ne korumanıza sahipsiniz.

You take all of that data across the cluster you process all of that get your results and you're done

Tüm bu verileri işlediğiniz küme boyunca alıyorsunuz ve bu sonuçların hepsini alıyorsunuz

The other thing we can do is real-time processing. So again because the velocity of the data is coming in

Yapabileceğimiz diğer şey gerçek zamanlı işlem. Öyleyse tekrar çünkü verilerin hızı geliyor

We don't want to constantly have to take all the day to Detective

Bütün gün sürekli Dedektif almak zorunda kalmak istemiyoruz.

Well produce it get results and then we've got a ton more data

İyi sonuçlar elde et ve sonra bir ton daha veri aldık.

I want to do the same get all the data bring it back process all of it

Ben aynısını yapmak istiyorum tüm verileri geri getirip hepsini geri getirin

So instead we would

Yani onun yerine biz

Do real-time processing so as each data item arrives?

Her veri öğesi geldiğinde gerçek zamanlı işlem mi yapıyor?

We process that we don't have to look at all the data we've got so far. We just incrementally process everything

Şimdiye kadar sahip olduğumuz tüm verilere bakmak zorunda olmadığımızı işleme koyuyoruz. Sadece her şeyi aşamalı olarak işleriz

And that's coming up in another video when we talk about data streaming

Veri akışı hakkında konuştuğumuzda bu başka bir videoda ortaya çıkıyor

So the other thing that you might want to do before processing is something called pre-processing remember I talked about unstructured data

İşlemden önce yapmak isteyebileceğiniz diğer şey, işlem öncesi hatırlama denilen bir şeydir, yapılandırılmamış veriler hakkında konuştuğumu hatırla

So maybe getting that data into a format that we specifically can use for the purpose we want to so

Belki de bu verileri özellikle istediğimiz amaç için kullanabileceğimiz bir formata sokmak.

That would be a stage in the pipeline before processing the other thing with huge amounts of data

Bu, diğerini büyük miktarlarda veri ile işlemeden önce boru hattında bir aşama olacaktır.

There's likely to be a lot of noise a lot of outliers so we can remove those

Çok fazla aykırı ses çıkması muhtemel, bu yüzden bunları kaldırabiliriz.

We can also remove one instances, so if you think we're getting a ton of instances in and we want them she learning algorithm

Bir örneği de kaldırabiliriz, bu nedenle tonlarca örnek aldığımızı düşünüyorsanız ve algoritmasını öğrenmesini istiyorsak

There'll be a lot of instances that are very very similar see an instance is say in a database

Çok benzer olan pek çok örnek olacak, örneğin veritabanında söylenen bir örnek göreceksiniz.

It's like a single line in the database. So for HTV sensor reading it would be everything for that

Veritabanındaki tek bir satır gibi. HTV sensörü okumak için bunun için her şey olurdu

Lorry at that point in time CS speed directions traveling reducing. The number of instances is about reducing the granularity

O andaki kamyonun zamanında CS hız yönünü azaltan seyahat. Örnek sayısı, ayrıntı derecesini azaltmakla ilgilidir

so part of it is saying

yani bir kısmı diyor ki

if we store a rather than storing data for a

bir veri saklamak yerine bir veri saklarsak

Continuous period of time so every minute for an hour if those states are very similar across that we can just say okay for this

Sürekli zaman periyodu yani bir saat boyunca her dakika bu devletler buna çok benziyorsa, bunun için tamam diyebiliriz.

period this is what happens and put it in a single line or we could say for example a machine learning algorithm if there's

dönem bu olur ve tek bir satıra koyun ya da varsa bir makine öğrenme algoritması söyleyebiliriz

Instances with very very similar features and then a very very similar class

Çok çok benzer özelliklere ve daha sonra çok çok benzer bir sınıfa sahip örnekler

We can take a single one of those instances and that will suitably represent

Bu örneklerden bir tanesini alabiliriz ve bu uygun bir şekilde temsil edilecektir.

All of those instances so we can very very quickly reduce a huge data set down to a much smaller one

Bu örneklerin tümü, çok daha küçük bir veri setine ayarlanmış büyük verileri çok hızlı bir şekilde azaltabiliriz.

By saying there's a lot of redundancy here and we don't need a hundred very similar instances

Burada çok fazla fazlalık olduğunu ve yüzlerce benzer örneğe ihtiyacımız olmadığını söyleyerek

When we one would do just as well

Ne zaman bir insanın yapabileceğini

So if you've got a hundred

Yani eğer yüzün varsa

Instances and you reduce it down to one is does not have an impact on how important those instances are in the scheme of things

Örnekler ve siz onu bire düşürürseniz, bu örneklerin işlerin planında ne kadar önemli olduğu üzerinde bir etkisi olmaz

Yes, so techniques

Evet, yani teknikleri

That deal with this stuff. Some of them would just purely say okay now this is a single instance and

Bu şeyle uğraşmak. Bazıları sadece tamam diyeceklerdi, şimdi bu tek bir örnek ve

That's all you ever know others of them would

Diğerlerinin bildiği tek şey bu.

Have yet have a waiting?

Henüz bir bekleyişiniz oldu mu?

So some way of saying this is a more important one because it's very similar to 100 others that we got rid of this one's

Yani bunu söylemenin bir yolu daha önemli, çünkü bundan kurtulduğumuz 100 kişiye çok benziyor

really not as important because there are least three others that were similar to it so we can wait instances to kind of reflect their

gerçekten önemli değil çünkü buna benzer en az üç kişi daha var, bu yüzden örneklerini yansıtmak için bekleyebiliriz.

Importance. There are specific frameworks with big data streaming as well

Önem. Büyük veri akışına sahip belirli çerçeveler de var

so there's technologies such as the spark streaming module' for apache' spark or there's newer ones such as

kıvılcım akış modülü 'apache için' kıvılcım gibi teknolojiler var ya da gibi daha yeni olanlar var

Apache plink that can be used to do that. So they kind of abstracts away from the

Bunu yapmak için kullanılabilecek Apache plink. Bu yüzden onlar bir tür soyutlar

streaming aspects of it so you can focus

odaklanabilmeniz için akış yönlerini

Just in what you want to do a little thinking all this data is coming through very fast, obviously

Tam olarak ne yapmak istediğinizi biraz düşünerek tüm bu verilerin çok hızlı bir şekilde ortaya çıktığını,

My limited brain is thinking streaming relates to video. But you're talking about just data that is happening in real time. Is that right?

Sınırlı beynim, akışın video ile ilgili olduğunu düşünüyor. Ancak, sadece gerçek zamanlı olarak gerçekleşen verilerden bahsediyorsunuz. Bu doğru mu?

yes, so

evet, yani

Going back to the Lori's as they're driving down the motorway. They may be sending out a sense of read every

Otoyoldan aşağı inerken Lori'nin yanına gidiyor. Her okuma okumasını gönderiyor olabilirler.

minute or so and

dakika ya da öylesine

That since the reading goes back we get all the sense readings from all the lorries coming in as a data stream

Okuma geri döndüğünden, veri akışı olarak gelen tüm kamyonlardan gelen tüm duyu okumalarını alıyoruz.

so it's kind of a very quick roundup of the basics of Big Data and there's a lot of applications this obviously so

bu, Büyük Veri'nin temellerini çok hızlı bir şekilde toparladı ve açıkçası bu kadar çok uygulama var.

Thanks, we'll have huge volumes of transaction data that you can extract patterns of value from that and see what is normal they can do

Teşekkürler, ondan değer kalıplarını çıkarabileceğiniz ve yapabileceklerinin normal olduğunu görebileceğiniz çok sayıda işlem verisine sahibiz.

Kind of fraud detection on that again. The previous example of fleet managers understanding what is going on

Yine bu konuda dolandırıcılık tespiti. Filo yöneticilerinin önceki örneği, neler olduğunu anlıyor

basically any industry will now have ways of being able to extract value from the data that they have so in the next video we're

temelde, herhangi bir endüstri artık bir sonraki videoda sahip oldukları verilerden değer elde etme yollarına sahip olacak.

Going to talk about data stream processing and more about how we actually deal with the problems that we all time data can presenters

Veri akışı işleme ve her zaman verinin sunabileceği problemlerle nasıl başa çıkacağımız hakkında daha fazla konuşacağız.

over very very large BIOS

çok çok büyük BIOS üzerinden

This kind of computation is a lot more efficient if you can distribute at because doing this map phase of saying, okay

Bu tür hesaplamalar, dağıtımın yapılabildiği için çok daha etkilidir çünkü bu harita aşamasını yapıyorsunuz, tamam

This is one occurrence. The letter A that's independent of anything else and see most

Bu bir olaydır. Başka bir şeyden bağımsız olan ve en çok görülen A harfi

Interested in you're probably only interested when a button is pressed or so on the only times positive

İlgilendiğiniz muhtemelen yalnızca bir düğmeye basıldığında veya yalnızca olumlu zamanlarda