Paylaşım Yap
Tüm Reklamları Kapat
Tüm Reklamları Kapat

Oyunlarla Öğrenen Makinelerin Gerçek Dünyayla İmtihanı

Oyunlarla Öğrenen Makinelerin Gerçek Dünyayla İmtihanı
9 dakika
4,594
  • Yapay Zeka

Tıpkı bir çocuğun oyunlar oynayarak ve öğrenerek hayata hazırlanıyor oluşu gibi yapay zekaya sahip makineler de kendi kendilerine oyunlar oynayarak gerçek hayatta karşılaşabilecekleri zorlu durumlara hazırlanmaktadırlar.

Çok yakın zamanlara kadar belli oyunlarda insan şampiyonları alt eden yapay zekâlar, insanların tecrübelerinden öğrendikleri ile başarılı sonuçlar çıkarmıştı. Örneğin, IBM’in geliştirmiş olduğu Deep Blue adlı yapay zekanın dünya satranç şampiyonu Garry Kasparov’u 1997’de yenebilmesi için mühendisler yüzyıllık satranç bilgeliğini robotlara öğretmişlerdi. Ve yine 2016’da Google’ın geliştirmiş olduğu AlphaGo, insanlar tarafından oynanmış binlerce Go oyununu ve bu oyunda yapılmış milyonlarca hamleyi inceledikten sonra oyunun dünya şampiyonu olan Lee Sedol’ü ezip geçmişti.

Tüm Reklamları Kapat

Son zamanlarda yapay zekâ araştırmacıları, insanın kazandığı bilgiler bütününü robotların kendilerine entegre edebileceği bir yöntem arayışına girmişlerdir. Bu yeni yönelimin adı ise “Zahmet etme”.

Tek Rakibi Yine Kendi!

Geçtiğimiz Ekim ayında Google geliştirmiş olduğu AlphaGo Zero’yu tanıttı. Bu yapay zekâ önceki versiyonları gibi insanlardan öğrenmiyor, yani insanlar bir şeyler öğretmek için “zahmete girmiyor”. Daha ziyade, oyunun kuralları verildikten sonra yapay zekamız, kendi rakibi yine kendi olmak üzere oyunlar oynuyor (self-play). Oynadığı ilk hamleler tamamen rastgele, ancak her bir oyunun sonunda bir öncekinde işe yaramış olan hamleleri kullanıp işe yaramayanları eliyor ve tekrar oynamaya başlıyor. Hatta bir seferinde, bu şekilde fazlaca oyun tekrarladıktan sonra, insanların öğretmenliğini yapmış olduğu ve Lee Sedol’ü yenen eski versiyonu ile kafa kafaya bir maç yaptı ve 100 oyunun hepsini kazandı.

Tüm Reklamları Kapat

Daha sonra, DeepMind şirketi AlphaGo ailesinde başka bir usta oyuncu olacak olan botu yaratmaya koyuldu. Bu seferki sadece AlphaZero adındaydı. Yaptıkları bu çalışmayı Aralık 2018’de arvix.org’da paylaştılar. Araştırmacılar, oyunun kuralları hariç, oyun alanına dair hiçbir bilgi vermeden başlattıklarında ve rastgele oynamasına izin verdiklerinde Alpha Zero’nun, AlphaGo Zero’ya galip geldiğini, yani dünyadaki en iyi Go oyuncularını yenen botu (AlphaGo) ve onu yenen botu da (AlphaGo Zero’yu da) yendiğini söylemişlerdir. Ayrıca Alpha Zero sadece bildiğimiz satranç değil Japan oyunu shogi’yi de 24 saatlik kısa diyebileceğimiz bir zaman zarfı içinde öğrenmiştir. Programın bir süre sonra saldırgan ve farklı bir tarzda oyun oynamasından sonra ünlü Danimarkalı satranç ustası olan Peter Heine Nielsen şu yorumu yapmıştır:

‘Üstün bir uzaylı ırkı dünyaya gelip satranç oynasaydı, nasıl oynardı acaba?’ diye hayal ederdim. İşte şimdi bunun cevabını aldım.

Buna benzer yapay zekâlar geçtiğimiz yıllarda poker ve DOTA 2 gibi oyunlarda da kullanılmıştır.

Elbette bu firmaların amacı sadece insanları mağlup edip video oyunu turnuvalarını ele geçirmek değil. DeepMind gibi ekipler bu teknolojiyi gerçek hayatta nasıl uygulayabileceklerini de araştırmaktadırlar. Örneğin oda sıcaklığında çalışan süper iletkenler oluşturma veya etkili ilaç moleküllerini oluşturmak için protein katlanmalarını anlamaya yönelik çalışmalar yapmaktadırlar. Çalışanlar, bu araştırmaların sonunda genel yapay zekâyı, yani tıpkı bir insan gibi düşünebilen ve probleme farklı noktalardan yaklaşan bir sistemi inşa edebileceklerini düşünüyorlar. Bu tip çalışmalara yapılan büyük yatırımlara rağmen oyun üzerinden daha ne kadar ileri gidilebileceği konusunda ise soru işaretleri bulunmaktadır.

Reklam
Yılbaşı indirimi başladı! NordVPN’de %63 indirim
1 ve 2 yıllık planlarla 3 ay ÜCRETSİZ kullanın
  • Önde gelen VPN hizmetini edinin
  • Dosya indirirken kötü amaçlı yazılımları tespit edin
  • Parolalarınızı ve dosyalarınızı koruyun
Fırsatı Yakalayın
30 günlük para iadesi garantisi

"Belirsiz" Bir Dünya İçin Mükemmel Hedefler

Satranç ve Go oyunu gibi pek çok oyunda, oyuncular oyun sathını ve her bir taşın bulunduğu poziyonu görebilir ve buna dayanarak başlangıçta rahat bir şekilde hamle yapabilir. Hatta, oyun ne kadar karmaşık hale gelirse gelsin bir sonraki hamleyi yapabilmek için sadece o anki durumun bilgisini değerlendirip ona göre hareket etmek yeterlidir.

Elbette gerçek hayatta çoğu durum bu şekilde değildir. Örneğin, bilgisayardan bir hastalığı teşhis etmesini veya bir iş görüşmesi yapmasını istediğinizi bir düşünün… Carnegie Mellon Üniversitesinde bilgisayar biliminde doktora öğrencisi olan Noam Brown, gerçek hayattaki stratejik etkileşimlerin çoğunun gizli bilgiler (öngörülemeyen durumlar) içerdiğini fakat YZ camiasının neredeyse tamamının bunu ihmal ettiğini düşünmektedir.

Bu nedenle Brown, akademik olarak uzmanlaşmış olduğu poker oyununda değişik ve zorlu bir durum ortaya koyuyor: Onun oyununda rakibinizin kartlarını asla göremiyorsunuz, yani tam bir bilinmezlik durumu hakim. Hal böyle iken, bir süre sonra “kendine karşı oynama (self-play) sayesinde makineler, insandan daha iyi oynamaya başlıyorlar. Ocak 2017’de Brown ve yardımcısı Tuomas Sandholm’ün geliştirmiş olduğu Libratus adlı program, dört profesyonel poker oyuncusuna karşı kafa kafaya maçlar yaptıktan sonra 20 günün sonunda rakiplerinden 1.7 milyon dolar daha fazla kazanmıştır.

Belirsizliğin hakim olduğu başka bir oyuna örnek verecek olursak StarCraft 2 adlı çok oyunculu oyunu gösterebiliriz. Bu oyunda oyuncular kendi takımlarını oluşturarak karşı takımla savaşırlar. Savaşın geçtiği bölge ise yoğun sisli bir alan. Düşmanın nereden saldıracağı belirsiz… YZ hala bu oyunu oynayamamaktadır. Bunun sebebi sadece sis veya düşmanın nereden geleceğinin kestirilemez oluşu değil. Oyunda binlerce kişinin aynı anda oynuyor oluşunu, yani yapılması gereken hızlı ve sayısızca hareketin bulunuşunu ve (insan veya makine fark etmeksizin) her bir oyuncunun her fare dokunuşunda olası bir geleceği değiştirmesini diğer faktörler arasında sayabiliriz. Şimdilik YZ’nin bu oyunun üst düzey insan oyuncuları ile mücadele etmesi imkânsız ama DeepMind bunun için çalışmalarını sürdürüyor.

Bu tip sistemlerde ortaya çıkan problemler belli bir amaca hizmet etmektedir. Örneğin AlphaZero satranç oynadığında üç ihtimal vardı: beraberlik, galibiyet veya mağlubiyet. AlphaZero bunları optimize edip kendisi için en iyi hamleyi yapmaya, yani hedefi tutturmaya çalışmıştı. Poker oyunu için yapılan algoritma da bu şekilde çalışmaktadır. Hedef, daha çok para kazanmaktır.

Tüm Reklamları Kapat

Ancak gerçek hayatta yapılan işler bu kadar basit değildir. Örneğin otonom bir aracın güvenli bir şekilde gidebilmesi için çok ayrıntılı ifadelerle optimize edilmesi gerekir. Yani aracınıza şunu harfiyen öğretmeniz gerekmektedir: Tehlikeli ve belirsiz durumlarda insana vermesi gereken önceliği, tüm kurallara uymayı ve bunları yaparken de yolcuyu gitmek istediği yere ulaştırmayı. Bunları ayrıntılı halde yapabilmek ise makine öğrenmesi üzerine çalışan bir araştırmacıyı diğerlerinden ayıran önemli bir unsurdur.

Microsoft’un 2016’da geliştirmiş olduğu Tay isimli sohbet botunun da amacı belliydi: İnsanlarla muhabbet ederek onlarla ilgilenecekti ve bunu makine öğrenmesi sayesinde yapacaktı ama Tay ile iletişime geçen kişiler genelde ırkçı ve kaba ifadeler kullandıkları için maalesef Tay, insanlarla “ilgilenme” yolunun onlar gibi ırkçı söylemler kullanmayı “öğrenmesine” yol açtı. Bu nedenle Tay’in ömrü kısa oldu ve bir gün bile sürmeden bot kapatıldı.

Oyunlar ve Pekiştirmeli Öğrenme

Günümüzün strateji oyunlarında kullanılan mantık yıllarca önce tasarlanmış ve hala kullanıma devam etmekte olan sistemlerdir. Oyunlardaki stratejiler genellikle “pekiştirmeli öğrenme”ye dayalı bir sistem üzerine kuruludur. Pekiştirmeli öğrenme, herhangi bir öğreticinin olmadığı bir ortamda sistemin ilk başta gözlemler yapıp ardından gözlemlerine dayalı olarak hareketlerini yaptığı bir öğrenme şeklidir. Fazlasıyla detay içeren bir algoritma yerine mühendisler, makinelerin çevreyi kendilerinin keşfetmesine ve hedefe gidebilmesi için denemeler ve hatalar yapmasına izin verirler.

IBM mühendisi olan Arthur Samuel, 1950’lerde oyunları izleyen bir satranç programı geliştirmiş ve bu program alfa ve beta takımlarının maçlarını izleyerek oyunu öğrenmiştir.

Tüm Reklamları Kapat

1990’larda kendi kendine karşı oynayan bir tavla programı IBM’den Gerald Tesauro tarafından yapıldı. Bu program, kendi kendine alışılmadık fakat etkili stratejiler öğrenerek insan ustaların geldiği seviyelere ulaştı.

DeepMind şirketi AlphaGo ve kardeşlerini tanıtmadan önce 2013 yılında büyük bir başarıya imza attı: Pekiştirmeli öğrenme üzerine kurulu olan botları, yedi adet “Atari 2600” oyununu öğrendi ve üç tanesinde uzman seviyesine ulaştı.

Bu gelişme devam etti ve DeepMind, 5 Şubat 2018’de IMPALA’yı tanıttı. Bu YZ öncekine kıyasla 57 adet “Atari 2600” oyununu öğrenmenin yanı sıra üç boyutlu 30 farklı bölüm (seviye) tasarladı. Bu seviyelerde oyuncu farklı ortamlarda dolaşırken kilitli kapıları açmak veya tarlada mantar toplamak gibi farklı yelpazedeki görevleri de yapmaya çalışıyordu. IMPALA, görevlerini bir bir tamamlarken görevleri arasında bilgi transferi yaparak, aynı zamanda, sonraki oyunlarında daha iyi hale gelebilmek için bu bilgileri kullanıyor gibi gözüküyordu.

Defalarca ve kendi rakibi yine kendi olmak üzere oyun oynayan bir algoritma, herhangi bir hamle veya küçük bir değişiklikte rakibin hamlesini hemen öğrenip stratejisini ona göre değiştirebilmektedir. OpenAI adlı kar amacı gütmeyen organizasyon Ağustos 2017’de kendi kendine öğrenen bir algoritmaya sahip olan Shadow Fiend adlı oyun karakterini yöneten DOTA 2 botunu piyasaya sürmüş ve bu bot dünyanın en iyi oyuncularını birebir maçta çok rahat bir şekilde yenmiştir. Buna benzer bir çalışma da sumo maçı video oyununda yapılmıştır ve bu çalışmaların üzerine organizasyonun kurucu ortaklarından Sutskever “Bu sistemlere karşı kendinizi asla tekrar edemezsiniz; her zaman hamlelerinizi geliştirmeniz gerekli” demiştir.

Tüm Reklamları Kapat

Agora Bilim Pazarı
Dogma

Kıyametin eli kulağında. Düşünememekten muzdarip filozoflar W. ve Lars ders vermek üzere “Amerika Birleşik Çöplükleri”ne gider. Bu gezi sırasında, hayatlarındaki tıkanmayı aşmak, düşüncede bir yol bulmak için ortaya Dogma dedikleri bir öğreti atar ama anlamsızlıkta daha da kaybolurlar. Varlıklarını meşrulaştıracak tek bir düşünce arayışları yine bir yere varmaz. Bu da yetmezmiş gibi W.’nin korktuğu şey başına gelir ve çalıştığı üniversiteden sürülür. Lars ise evini istila eden sıçanları besleyerek insanlığa ihanet eder. Nietzsche’yi doğrularcasına, iki adam boşluğa yeterince bakınca boşluk da onlara diker gözünü.

Lars Iyer kapitalizm, din, Dogma, kozmik tavuk, dünyanın ve felsefenin sonu gibi karman çorman meseleleri kendine has sade tarzıyla didik didik ediyor. Mizahı elden bırakmayan bir felaket kitabı bu.

“Samuel Beckett’in Vladimir ve Estragon’undan bu yana karşılaştığımız en alışılmadık ve absürd ikili W. ile Lars yeniden sahnede… Godot’yu Beklerken gibi Dogma da varoluşun ve anlamın doğası üzerine kafa patlatıyor. Lars Iyer modern hayatın kaosunu ve boşluğunu komik bir üslupla anlatıyor. Çaresizlik hiç bu kadar eğlenceli olmamıştı herhalde.”

-Library Journal-

Devamını Göster
₺42.00
Dogma

Gerçek Hayat, Sanal Durumlara Karşı

Görüldüğü gibi, kendi kendine öğrenebilen oyun sistemi aslında eski bir fikir olup bugünlerde her oyunda oyunu tecrübe etmek ve stratejileri anlayabilmek için yaygınlıkla kullanılmaktadır. Fakat satranç, Go ve DOTA 2 gibi oyunlar, evrendeki atomlardan daha fazla hamle kombinasyonuna sahip oyunlardır. Bu tip sistemler kendi kendine sayısız maç yapsa bile bütün senaryoları önceden hesaplayamaz ya da hamleleri tablo şeklinde not edip gelecekte karşılaşacağı rakibinin olası hamlelerine göre o tabloya başvuramaz.

Bu olasılıklar denizinde boğulmamak için genelleştirme yapıp öze tutunmak gerekmektedir. IBM’in Deep Blue botu kendisine entegre edilmiş satranç formülü sayesinde bunu başarmıştır. Daha önce hiç görmediği hamlelerin gücünü sınama yeteneğiyle donanmış olan bu bot, kazanma şansını artırması beklenen hareketleri ve stratejileri öğrenebilmiştir. Ancak son yıllarda çıkan yeni bir teknik ise bu formülü hepten rafa kaldırdı: “Deep net (derin ağ ya da derin öğrenme)”, aniden, tüm bunları yapabilmeye başlamıştır.

Son yıllarda popülerliğini iyiden iyiye arttırmış olan derin öğrenme, yapay nöronların katman katman dizilmesi ile bir yapay sinir ağı oluşturur ve bu şekilde her bir katman bir sonrakine sinyal gönderir. Bu katmanlar birbirinden farklı olan girdileri ilgili bir çıktıya dönüştürebilir, hatta bunlar soyut bağlantılar olsa bile… Örneğin, derin öğrenmeye sahip bir sisteme İngilizce bir metin verilip onu Türkçe’ye çevirmesi istenirse kendini bu yönde eğitebilecektir. Bir grup hayvan fotoğrafında kedi olanları ayıklamasını istediğimizde bunu pekala yapabilir. Söz konusu bir masa oyunu olduğunda kazanma ihtimalinin ne olduğunu gösterebilir. Tabii ki bunları yapabilmesi için, üzerinde pratik yapabileceği her biri tanımlanmış örneklerden (fotoğraflardan) oluşan çok sayıda katman gösterip sistemin bunu öğrenmesi sağlanmalıdır.

Kendi kendine öğrenmede rastgele yapılan hamleler ile oyunda veriler oluşur ve bu veriler derin öğrenme sayesinde işlenerek botun oyunu öğrenmesi sağlanır. Fakat bu arada bir parantez açmak gerekir… Kendi kendine oynayarak öğrenen sistemlerin kullanışlı veriler elde edebilmesi için oynayabilecekleri gerçek bir saha olması lazımdır. Ancak her ortamı simüle etmek ise o kadar kolay olmayabilir. Örneğin otonom bir araç, kötü hava şartlarında veya arabanın kamerasına doğru gelen bir kuş gibi düşük ihtimalli olayları saptamada zorluk yaşayabilir. Veya bir ağaç dalının dur işareti levhasının üzerine düşmesiyle onu kısmen kapatıp görünmesini zorlaştırdığı durumlarda otonom aracın karar vermesini engelleyici koşullar gerçekleşebilir. 

Görüleceği üzere, olasılıklar arttıkça gerçek durumları simule etmek de zorlaşmaktadır. Bu tür durumlarda kendi kendine oyun oynayarak öğrenme beklenilen faydayı sağlayamayabilir. Gerçek hayatta karşılaşılan olaylar ile öğrenilen durumlar arasında büyük bir uçurum olabilir. Çok katmanlı derin öğrenme bir umut vadetse de olasılıklar denizi, karşısında dağ gibi durmaktadır. Yine de bu durum YZ araştırmacılarını engelleri aşma konusunda çözümler aramaktan alıkoymamalıdır.

Alıntı Yap
Okundu Olarak İşaretle
3
Paylaş
Sonra Oku
Notlarım
Yazdır / PDF Olarak Kaydet
Bize Ulaş
Yukarı Zıpla

İçeriklerimizin bilimsel gerçekleri doğru bir şekilde yansıtması için en üst düzey çabayı gösteriyoruz. Gözünüze doğru gelmeyen bir şey varsa, mümkünse güvenilir kaynaklarınızla birlikte bize ulaşın!

Bu içeriğimizle ilgili bir sorunuz mu var? Buraya tıklayarak sorabilirsiniz.

Soru & Cevap Platformuna Git
Bu İçerik Size Ne Hissettirdi?
  • Muhteşem! 1
  • Tebrikler! 1
  • Bilim Budur! 1
  • Mmm... Çok sapyoseksüel! 1
  • İnanılmaz 1
  • Merak Uyandırıcı! 1
  • Güldürdü 0
  • Umut Verici! 0
  • Üzücü! 0
  • Grrr... *@$# 0
  • İğrenç! 0
  • Korkutucu! 0
Kaynaklar ve İleri Okuma
  1. Türev İçerik Kaynağı: Quanta Magazine | Arşiv Bağlantısı
  • D. Silver, et al. Mastering Chess And Shogi By Self-Play With A General Reinforcement Learning Algorithm. (22 Temmuz 2020). Alındığı Tarih: 22 Temmuz 2020. Alındığı Yer: arxiv.org | Arşiv Bağlantısı
Tüm Reklamları Kapat

Evrim Ağacı'na her ay sadece 1 kahve ısmarlayarak destek olmak ister misiniz?

Şu iki siteden birini kullanarak şimdi destek olabilirsiniz:

kreosus.com/evrimagaci | patreon.com/evrimagaci

Çıktı Bilgisi: Bu sayfa, Evrim Ağacı yazdırma aracı kullanılarak 29/01/2023 22:51:03 tarihinde oluşturulmuştur. Evrim Ağacı'ndaki içeriklerin tamamı, birden fazla editör tarafından, durmaksızın elden geçirilmekte, güncellenmekte ve geliştirilmektedir. Dolayısıyla bu çıktının alındığı tarihten sonra yapılan güncellemeleri görmek ve bu içeriğin en güncel halini okumak için lütfen şu adrese gidiniz: https://evrimagaci.org/s/3440

İçerik Kullanım İzinleri: Evrim Ağacı'ndaki yazılı içerikler orijinallerine hiçbir şekilde dokunulmadığı müddetçe izin alınmaksızın paylaşılabilir, kopyalanabilir, yapıştırılabilir, çoğaltılabilir, basılabilir, dağıtılabilir, yayılabilir, alıntılanabilir. Ancak bu içeriklerin hiçbiri izin alınmaksızın değiştirilemez ve değiştirilmiş halleri Evrim Ağacı'na aitmiş gibi sunulamaz. Benzer şekilde, içeriklerin hiçbiri, söz konusu içeriğin açıkça belirtilmiş yazarlarından ve Evrim Ağacı'ndan başkasına aitmiş gibi sunulamaz. Bu sayfa izin alınmaksızın düzenlenemez, Evrim Ağacı logosu, yazar/editör bilgileri ve içeriğin diğer kısımları izin alınmaksızın değiştirilemez veya kaldırılamaz.

Tüm Reklamları Kapat
Size Özel (Beta)
İçerikler
Sosyal
Savunma
Biyocoğrafya
Bitki
Yüzey
Uzay Aracı
Bitkiler
Yok Oluş
Virüs
Deniz
Covıd-19
Kanat
Eşeyli Üreme
Algı
Seçilim
Astrofotoğrafçılık
Mavi
Beyaz
Küresel
Karbonhidrat
Manyetik Alan
Bilgi Felsefesi
Diş Hekimi
Element
Genel Halk
Plastik
Aklımdan Geçen
Komünite Seç
Aklımdan Geçen
Fark Ettim ki...
Bugün Öğrendim ki...
İşe Yarar İpucu
Bilim Haberleri
Hikaye Fikri
Video Konu Önerisi
Başlık
Bugün bilimseverlerle ne paylaşmak istersin?
Bağlantı
Kurallar
Komünite Kuralları
Bu komünite, aklınızdan geçen düşünceleri Evrim Ağacı ailesiyle paylaşabilmeniz içindir. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu komünitenin ek kurallarına da uymanız gerekmektedir.
1
Bilim kimliğinizi önceleyin.
Evrim Ağacı bir bilim platformudur. Dolayısıyla aklınızdan geçen her şeyden ziyade, bilim veya yaşamla ilgili olabilecek düşüncelerinizle ilgileniyoruz.
2
Propaganda ve baskı amaçlı kullanmayın.
Herkesin aklından her şey geçebilir; fakat bu platformun amacı, insanların belli ideolojiler için propaganda yapmaları veya başkaları üzerinde baskı kurma amacıyla geliştirilmemiştir. Paylaştığınız fikirlerin değer kattığından emin olun.
3
Gerilim yaratmayın.
Gerilim, tersleme, tahrik, taciz, alay, dedikodu, trollük, vurdumduymazlık, duyarsızlık, ırkçılık, bağnazlık, nefret söylemi, azınlıklara saldırı, fanatizm, holiganlık, sloganlar yasaktır.
4
Değer katın; hassas konulardan ve öznel yoruma açık alanlardan uzak durun.
Bu komünitenin amacı okurlara hayatla ilgili keyifli farkındalıklar yaşatabilmektir. Din, politika, spor, aktüel konular gibi anlık tepkilere neden olabilecek konulardaki tespitlerden kaçının. Ayrıca aklınızdan geçenlerin Türkiye’deki bilim komünitesine değer katması beklenmektedir.
5
Cevap hakkı doğurmayın.
Bu platformda cevap veya yorum sistemi bulunmamaktadır. Dolayısıyla aklınızdan geçenlerin, tespit edilebilir kişilere cevap hakkı doğurmadığından emin olun.
Gönder
Ekle
Soru Sor
Daha Fazla İçerik Göster
Evrim Ağacı'na Destek Ol
Evrim Ağacı'nın %100 okur destekli bir bilim platformu olduğunu biliyor muydunuz? Evrim Ağacı'nın maddi destekçileri arasına katılarak Türkiye'de bilimin yayılmasına güç katmak için hemen buraya tıklayın.
Popüler Yazılar
30 gün
90 gün
1 yıl
EA Akademi
Evrim Ağacı Akademi (ya da kısaca EA Akademi), 2010 yılından beri ürettiğimiz makalelerden oluşan ve kendi kendinizi bilimin çeşitli dallarında eğitebileceğiniz bir çevirim içi eğitim girişimi! Evrim Ağacı Akademi'yi buraya tıklayarak görebilirsiniz. Daha fazla bilgi için buraya tıklayın.
Etkinlik & İlan
Bilim ile ilgili bir etkinlik mi düzenliyorsunuz? Yoksa bilim insanlarını veya bilimseverleri ilgilendiren bir iş, staj, çalıştay, makale çağrısı vb. bir duyurunuz mu var? Etkinlik & İlan Platformumuzda paylaşın, milyonlarca bilimsevere ulaşsın.
Podcast
Evrim Ağacı'nın birçok içeriğinin profesyonel ses sanatçıları tarafından seslendirildiğini biliyor muydunuz? Bunların hepsini Podcast Platformumuzda dinleyebilirsiniz. Ayrıca Spotify, iTunes, Google Podcast ve YouTube bağlantılarını da bir arada bulabilirsiniz.
Yazı Geçmişi
Okuma Geçmişi
Notlarım
İlerleme Durumunu Güncelle
Okudum
Sonra Oku
Not Ekle
Kaldığım Yeri İşaretle
Göz Attım

Evrim Ağacı tarafından otomatik olarak takip edilen işlemleri istediğin zaman durdurabilirsin.
[Site ayalarına git...]

Filtrele
Listele
Bu yazıdaki hareketlerin
Devamını Göster
Filtrele
Listele
Tüm Okuma Geçmişin
Devamını Göster
0/10000
Alıntı Yap
Evrim Ağacı Formatı
APA7
MLA9
Chicago
J. Sokol, et al. Oyunlarla Öğrenen Makinelerin Gerçek Dünyayla İmtihanı. (21 Nisan 2018). Alındığı Tarih: 29 Ocak 2023. Alındığı Yer: https://evrimagaci.org/s/3440
Sokol, J., Çelik, F., Özdil, A. Ş. (2018, April 21). Oyunlarla Öğrenen Makinelerin Gerçek Dünyayla İmtihanı. Evrim Ağacı. Retrieved January 29, 2023. from https://evrimagaci.org/s/3440
J. Sokol, et al. “Oyunlarla Öğrenen Makinelerin Gerçek Dünyayla İmtihanı.” Edited by Ayşegül Şenyiğit Özdil. Evrim Ağacı, 21 Apr. 2018, https://evrimagaci.org/s/3440.
Sokol, Joshua. Çelik, Furkan. Özdil, Ayşegül Şenyiğit. “Oyunlarla Öğrenen Makinelerin Gerçek Dünyayla İmtihanı.” Edited by Ayşegül Şenyiğit Özdil. Evrim Ağacı, April 21, 2018. https://evrimagaci.org/s/3440.

Göster

Şifremi unuttum Üyelik Aktivasyonu

Göster

Şifrenizi mi unuttunuz? Lütfen e-posta adresinizi giriniz. E-posta adresinize şifrenizi sıfırlamak için bir bağlantı gönderilecektir.

Geri dön

Eğer aktivasyon kodunu almadıysanız lütfen e-posta adresinizi giriniz. Üyeliğinizi aktive etmek için e-posta adresinize bir bağlantı gönderilecektir.

Geri dön

Close
Geri Bildirim Gönder
Paylaş
Reklamsız Deneyim

Evrim Ağacı'ndaki reklamları, bütçenize uygun bir şekilde, kendi seçtiğiniz bir süre boyunca kapatabilirsiniz. Tek yapmanız gereken, kaç ay boyunca kapatmak istediğinizi aşağıdaki kutuya girip tek seferlik ödemenizi tamamlamak:

10₺/ay
x
ay
= 30
3 Aylık Reklamsız Deneyimi Başlat
Evrim Ağacı'nda ücretsiz üyelik oluşturan ve sitemizi üye girişi yaparak kullanan kullanıcılarımızdaki reklamların %50 daha az olduğunu, Kreosus/Patreon/YouTube destekçilerimizinse sitemizi tamamen reklamsız kullanabildiğini biliyor muydunuz? Size uygun seçeneği aşağıdan seçebilirsiniz:
Evrim Ağacı Destekçilerine Katıl
Zaten Kreosus/Patreon/Youtube Destekçisiyim
Reklamsız Deneyim
Kreosus

Kreosus'ta her 10₺'lik destek, 1 aylık reklamsız deneyime karşılık geliyor. Bu sayede, tek seferlik destekçilerimiz de, aylık destekçilerimiz de toplam destekleriyle doğru orantılı bir süre boyunca reklamsız deneyim elde edebiliyorlar.

Kreosus destekçilerimizin reklamsız deneyimi, destek olmaya başladıkları anda devreye girmektedir ve ek bir işleme gerek yoktur.

Patreon

Patreon destekçilerimiz, destek miktarından bağımsız olarak, Evrim Ağacı'na destek oldukları süre boyunca reklamsız deneyime erişmeyi sürdürebiliyorlar.

Patreon destekçilerimizin Patreon ile ilişkili e-posta hesapları, Evrim Ağacı'ndaki üyelik e-postaları ile birebir aynı olmalıdır. Patreon destekçilerimizin reklamsız deneyiminin devreye girmesi 24 saat alabilmektedir.

YouTube

YouTube destekçilerimizin hepsi otomatik olarak reklamsız deneyime şimdilik erişemiyorlar ve şu anda, YouTube üzerinden her destek seviyesine reklamsız deneyim ayrıcalığını sunamamaktayız. YouTube Destek Sistemi üzerinde sunulan farklı seviyelerin açıklamalarını okuyarak, hangi ayrıcalıklara erişebileceğinizi öğrenebilirsiniz.

Eğer seçtiğiniz seviye reklamsız deneyim ayrıcalığı sunuyorsa, destek olduktan sonra YouTube tarafından gösterilecek olan bağlantıdaki formu doldurarak reklamsız deneyime erişebilirsiniz. YouTube destekçilerimizin reklamsız deneyiminin devreye girmesi, formu doldurduktan sonra 24 saat alabilmektedir.

Diğer Platformlar

Bu 3 platform haricinde destek olan destekçilerimize ne yazık ki reklamsız deneyim ayrıcalığını sunamamaktayız. Destekleriniz sayesinde sistemlerimizi geliştirmeyi sürdürüyoruz ve umuyoruz bu ayrıcalıkları zamanla genişletebileceğiz.

Giriş yapmayı unutmayın!

Reklamsız deneyim için, maddi desteğiniz ile ilişkilendirilmiş olan Evrim Ağacı hesabınıza yapmanız gerekmektedir. Giriş yapmadığınız takdirde reklamları görmeye devam edeceksinizdir.

Destek Ol

Devamını Oku
Evrim Ağacı Uygulamasını
İndir
Chromium Tabanlı Mobil Tarayıcılar (Chrome, Edge, Brave vb.)
İlk birkaç girişinizde zaten tarayıcınız size uygulamamızı indirmeyi önerecek. Önerideki tuşa tıklayarak uygulamamızı kurabilirsiniz. Bu öneriyi, yukarıdaki videoda görebilirsiniz. Eğer bu öneri artık gözükmüyorsa, Ayarlar/Seçenekler (⋮) ikonuna tıklayıp, Uygulamayı Yükle seçeneğini kullanabilirsiniz.
Chromium Tabanlı Masaüstü Tarayıcılar (Chrome, Edge, Brave vb.)
Yeni uygulamamızı kurmak için tarayıcı çubuğundaki kurulum tuşuna tıklayın. "Yükle" (Install) tuşuna basarak kurulumu tamamlayın. Dilerseniz, Evrim Ağacı İleri Web Uygulaması'nı görev çubuğunuza sabitleyin. Uygulama logosuna sağ tıklayıp, "Görev Çubuğuna Sabitle" seçeneğine tıklayabilirsiniz. Eğer bu seçenek gözükmüyorsa, tarayıcının Ayarlar/Seçenekler (⋮) ikonuna tıklayıp, Uygulamayı Yükle seçeneğini kullanabilirsiniz.
Safari Mobil Uygulama
Sırasıyla Paylaş -> Ana Ekrana Ekle -> Ekle tuşlarına basarak yeni mobil uygulamamızı kurabilirsiniz. Bu basamakları görmek için yukarıdaki videoyu izleyebilirsiniz.

Daha fazla bilgi almak için tıklayın

Önizleme
Görseli Kaydet
Sıfırla
Vazgeç
Ara
Moderatöre Bildir

Raporlama sisteminin amacı, platformu uygunsuz biçimde kullananların önüne geçmektir. Lütfen bir içeriği, sadece düşük kaliteli olduğunu veya soruya cevap olmadığını düşündüğünüz raporlamayınız; bu raporlar kabul edilmeyecektir. Bunun yerine daha kaliteli cevapları kendiniz girmeye çalışın veya size sunulan (oylama gibi) diğer araçlar ile daha kaliteli cevaplara teşvik edin. Kalitesiz bulduğunuz içerikleri eleyebileceğiniz, kalitelileri daha ön plana çıkarabileceğiniz yeni araçlar geliştirmekteyiz.

Öncül Ekle
Sonuç Ekle
Mantık Hatası Seç
Soru Sor
Aşağıdaki "Soru" kutusunu sadece soru sormak için kullanınız. Bu kutuya soru formatında olmayan hiçbir cümle girmeyiniz. Sorunuzla ilgili ek bilgiler vermek isterseniz, "Açıklama" kısmına girebilirsiniz. Soru kısmının soru cümlesi haricindeki kullanımları sorunuzun silinmesine ve UP kaybetmenize neden olabilir.
Görsel Ekle
Kurallar
Platform Kuralları
Bu platform, aklınıza takılan soruları sorabilmeniz ve diğerlerinin sorularını yanıtlayabilmeniz içindir. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu platformun ek kurallarına da uymanız gerekmektedir.
1
Gerçekten soru sorun, imâdan ve yüklü sorulardan kaçının.
Sorularınızın amacı nesnel olarak gerçeği öğrenmek veya fikir almak olmalıdır. Şahsi kanaatinizle ilgili mesaj vermek için kullanmayın; yüklü soru sormayın.
2
Bilim kimliğinizi kullanın.
Evrim Ağacı bir bilim platformudur. Dolayısıyla sorular ve cevaplar, bilimsel perspektifi yansıtmalıdır. Geçerli bilimsel kaynaklarla doğrulanamayan bilgiler veya reklamlar silinebilir.
3
Düzgün ve insanca iletişim kurun.
Gerilim, tersleme, tahrik, taciz, alay, dedikodu, trollük, vurdumduymazlık, duyarsızlık, ırkçılık, bağnazlık, nefret söylemi, azınlıklara saldırı, fanatizm, holiganlık, sloganlar yasaktır.
4
Sahtebilimi desteklemek yasaktır.
Sahtebilim kategorisi altında konuyla ilgili sorular sorabilirsiniz; ancak bilimsel geçerliliği bulunmayan sahtebilim konularını destekleyen sorular veya cevaplar paylaşmayın.
5
Türkçeyi düzgün kullanın.
Şair olmanızı beklemiyoruz; ancak yazdığınız içeriğin anlaşılır olması ve temel düzeyde yazım ve dil bilgisi kurallarına uyması gerekmektedir.
Soru Ara
Aradığınız soruyu bulamadıysanız buraya tıklayarak sorabilirsiniz.
Alıntı Ekle
Eser Ekle
Kurallar
Komünite Kuralları
Bu komünite, fark edildiğinde ufku genişleten tespitler içindir. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu komünitenin ek kurallarına da uymanız gerekmektedir.
1
Formu olabildiğince eksiksiz doldurun.
Girdiğiniz sözün/alıntının kaynağı ne kadar açıksa o kadar iyi. Açıklama kısmına kitabın sayfa sayısını veya filmin saat/dakika/saniye bilgisini girebilirsiniz.
2
Anonimden kaçının.
Bazı sözler/alıntılar anonim olabilir. Fakat sözün anonimliğini doğrulamaksızın, bilmediğiniz her söze/alıntıya anonim yazmayın. Bu tür girdiler silinebilir.
3
Kaynağı araştırın ve sorgulayın.
Sayısız söz/alıntı, gerçekte o sözü hiçbir zaman söylememiş/yazmamış kişilere, hatalı bir şekilde atfediliyor. Paylaşımınızın site geneline yayılabilmesi için kaliteli kaynaklar kullanın ve kaynaklarınızı sorgulayın.
4
Ofansif ve entelektüel düşünceden uzak sözler yasaktır.
Gerilim, tersleme, tahrik, taciz, alay, dedikodu, trollük, vurdumduymazlık, duyarsızlık, ırkçılık, bağnazlık, nefret söylemi, azınlıklara saldırı, fanatizm, holiganlık, sloganlar yasaktır.
5
Sözlerinizi tırnak (") içine almayın.
Sistemimiz formatı otomatik olarak ayarlayacaktır.
Gönder
Tavsiye Et
Aşağıdaki kutuya, [ESER ADI] isimli [KİTABI/FİLMİ] neden tavsiye ettiğini girebilirsin. Ne kadar detaylı ve kapsamlı bir analiz yaparsan, bu eseri [OKUMAK/İZLEMEK] isteyenleri o kadar doğru ve fazla bilgilendirmiş olacaksın. Tavsiyenin sadece negatif içerikte olamayacağını, eğer bu sistemi kullanıyorsan tavsiye ettiğin içeriğin pozitif taraflarından bahsetmek zorunda olduğunu lütfen unutma. Yapıcı eleştiri hakkında daha fazla bilgi almak için burayı okuyabilirsin.
Kurallar
Platform Kuralları
Bu platform; okuduğunuz kitaplara, izlediğiniz filmlere/belgesellere veya takip ettiğiniz YouTube kanallarına yönelik tavsiylerinizi ve/veya yapıcı eleştirel fikirlerinizi girebilmeniz içindir. Tavsiye etmek istediğiniz eseri bulamazsanız, buradan yeni bir kayıt oluşturabilirsiniz. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu platformun ek kurallarına da uymanız gerekmektedir.
1
Önceliğimiz pozitif tavsiyelerdir.
Bu platformu, beğenmediğiniz eserleri yermek için değil, beğendiğiniz eserleri başkalarına tanıtmak için kullanmaya öncelik veriniz. Sadece negatif girdileri olduğu tespit edilenler platformdan geçici veya kalıcı olarak engellenebilirler.
2
Tavsiyenizin içeriği sadece negatif olamaz.
Tavsiye yazdığınız eserleri olabildiğince objektif bir gözlükle anlatmanız beklenmektedir. Dolayısıyla bir eseri beğenmediyseniz bile, tavsiyenizde eserin pozitif taraflarından da bahsetmeniz gerekmektedir.
3
Negatif eleştiriler yapıcı olmak zorundadır.
Eğer tavsiyenizin ana tonu negatif olacaksa, tüm eleştirileriniz yapıcı nitelikte olmak zorundadır. Yapıcı eleştiri kurallarını buradan öğrenebilirsiniz. Yapıcı bir tarafı olmayan veya tamamen yıkıcı içerikte olan eleştiriler silinebilir ve yazarlar geçici veya kalıcı olarak engellenebilirler.
4
Düzgün ve insanca iletişim kurun.
Gerilim, tersleme, tahrik, taciz, alay, dedikodu, trollük, vurdumduymazlık, duyarsızlık, ırkçılık, bağnazlık, nefret söylemi, azınlıklara saldırı, fanatizm, holiganlık, sloganlar yasaktır.
5
Türkçeyi düzgün kullanın.
Şair olmanızı beklemiyoruz; ancak yazdığınız içeriğin anlaşılır olması ve temel düzeyde yazım ve dil bilgisi kurallarına uyması gerekmektedir.
Eser Ara
Aradığınız eseri bulamadıysanız buraya tıklayarak ekleyebilirsiniz.
Tür Ekle
Üst Takson Seç
Kurallar
Komünite Kuralları
Bu platform, yaşamış ve yaşayan bütün türleri filogenetik olarak sınıflandırdığımız ve tanıttığımız Yaşam Ağacı projemize, henüz girilmemiş taksonları girebilmeniz için geliştirdiğimiz bir platformdur. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu komünitenin ek kurallarına da uymanız gerekmektedir.
1
Takson adlarını doğru yazdığınızdan emin olun.
Taksonların sadece ilk harfleri büyük yazılmalıdır. Latince tür adlarında, cins adının ilk harfi büyük, diğer bütün harfler küçük olmalıdır (Örn: Canis lupus domesticus). Türkçe adlarda da sadece ilk harf büyük yazılmalıdır (Örn: Evcil köpek).
2
Taksonlar arası bağlantıları doğru girin.
Girdiğiniz taksonun üst taksonunu girmeniz zorunludur. Eğer üst takson yoksa, mümkün olduğunca öncelikle üst taksonları girmeye çalışın; sonrasında daha alt taksonları girin.
3
Birden fazla kaynaktan kontrol edin.
Mümkün olduğunca ezbere iş yapmayın, girdiğiniz taksonların isimlerinin birden fazla kaynaktan kontrol edin. Alternatif (sinonim) takson adlarını girmeyi unutmayın.
4
Tekrara düşmeyin.
Aynı taksonu birden fazla defa girmediğinizden emin olun. Otomatik tamamlama sistemimiz size bu konuda yardımcı olacaktır.
5
Mümkünse, takson tanıtım yazısı (Taksonomi yazısı) girin.
Bu araç sadece taksonları sisteme girmek için geliştirilmiştir. Dolayısıyla taksonlara ait minimal bilgiye yer vermektedir. Evrim Ağacı olarak amacımız, taksonlara dair detaylı girdilerle bu projeyi zenginleştirmektir. Girdiğiniz türü daha kapsamlı tanıtmak için Taksonomi yazısı girin.
Gönder
Tür Gözlemi Ekle
Tür Seç
Fotoğraf Ekle
Kurallar
Komünite Kuralları
Bu platform, bizzat gözlediğiniz türlerin fotoğraflarını paylaşabilmeniz için geliştirilmiştir. Yapacağınız paylaşımlar Evrim Ağacı'nın kurallarına tabidir. Ayrıca bu komünitenin ek kurallarına da uymanız gerekmektedir.
1
Net ve anlaşılır görseller yükleyin.
Her zaman bir türü kusursuz netlikte fotoğraflamanız mümkün olmayabilir; ancak buraya yüklediğiniz fotoğraflardaki türlerin özellikle de vücut deseni gibi özelliklerinin rahatlıkla ayırt edilecek kadar net olması gerekmektedir.
2
Özgün olun, telif ihlali yapmayın.
Yüklediğiniz fotoğrafların telif hakları size ait olmalıdır. Başkası tarafından çekilen fotoğrafları yükleyemezsiniz. Wikimedia gibi açık kaynak organizasyonlarda yayınlanan telifsiz fotoğrafları yükleyebilirsiniz.
3
Paylaştığınız fotoğrafların telif hakkını isteyemezsiniz.
Yüklediğiniz fotoğraflar tamamen halka açık bir şekilde, sınırsız ve süresiz kullanım izniyle paylaşılacaktır. Bu fotoğraflar nedeniyle Evrim Ağacı’ndan telif veya ödeme talep etmeniz mümkün olmayacaktır. Kendi fotoğraflarınızı başka yerlerde istediğiniz gibi kullanabilirsiniz.
4
Etik kurallarına uyun.
Yüklediğiniz fotoğrafların uygunsuz olmadığından ve başkalarının haklarını ihlâl etmediğinden emin olun.
5
Takson teşhisini doğru yapın.
Yaptığınız gözlemler, spesifik taksonlarla ilişkilendirilmektedir. Takson teşhisini doğru yapmanız beklenmektedir. Taksonu bilemediğinizde, olabildiğince genel bir taksonla ilişkilendirin; örneğin türü bilmiyorsanız cins ile, cinsi bilmiyorsanız aile ile, aileyi bilmiyorsanız takım ile, vs.
Gönder
Tür Ara
Aradığınız türü bulamadıysanız buraya tıklayarak ekleyebilirsiniz.