Paylaşım Yap
Tüm Reklamları Kapat
Tüm Reklamları Kapat

Oyunlarla Öğrenen Makinelerin Gerçek Dünyayla İmtihanı

Oyunlarla Öğrenen Makinelerin Gerçek Dünyayla İmtihanı
9 dakika
4,629
Tüm Reklamları Kapat

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.

Evrim Ağacı'ndan Mesaj

"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
Benim Oyunum

“İstese sahadaki her pozisyonun en iyi oyuncusu olabilirdi.”

-ERIC CANTONA

“Cruyff’ü tanımadan önce futbol hakkında hiçbir şey bilmiyordum.”

-PEP GUARDIOLA

“Cruyff güzel oyunu daha da güzelleştirmek için herkesten daha fazlasını yaptı.”

-GARY LINEKER

“Top her ayağına geldiğinde heyecanlandığınız o muhteşem futbolculardan biriydi.”

-BOBBY CHARLTON

Johan Cruyyf’ün gelmiş geçmiş en büyük futbolcu olup olmadığını tartışabiliriz ama futbolun doğasını tek başına en fazla değiştiren oyuncu olduğu su götürmez bir gerçektir. Gerek sahada gerek kenarda, Cruyff futbolun ödün vermeyen dehasıydı. Onun futbol görüşü –Total Futbol– oyunun oynanışını baştan aşağı değiştirdi. Kazanmak kadar seyir zevkine de inanıyordu. Ajax ve Barcelona’da yerleştirdiği tarzın göz kamaştıran akıcılığı, dünyanın en beğenilen takımlarının oyun tarzlarının temeline dönüştü.

Yayımlandığı pek çok ülkede çoksatanlar listelerine giren BENİM OYUNUM’da Cruyff, Amsterdam’ın beton sokaklarında başlayan hikâyesini, oyununu tanımlayan ve ardından gelen futbolcu ve çalıştırıcı nesillerine damga vuran felsefeyi paylaşıyor; neredeyse futbolu kadar akıcı bir dil ve etkileyici bir dürüstlükle.

Devamını Göster
₺180.00
Benim Oyunum
  • Dış Sitelerde Paylaş

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.

Bu Makaleyi Alıntıla
Okundu Olarak İşaretle
3
0
  • Paylaş
  • Alıntıla
  • Alıntıları Göster
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 16/04/2024 01:47:40 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
Keşfet
Akış
İçerikler
Gündem
Tespit
Yavru
Elementler
Elektromanyetizma
Makina Mühendisliği
Yüz
Besin
Kuantum Mekaniği
Köpek
Vejetaryen
Olumsuz
Sars-Cov-2
Kıl
Tekillik
Kuvvet
Kalıtım
Evrim Kuramı
Tehlike
Önyargı
Yüzey
Mit
Sivrisinek
Tür
Algı
Basınç
Aklımdan Geçen
Komünite Seç
Aklımdan Geçen
Fark Ettim ki...
Bugün Öğrendim ki...
İşe Yarar İpucu
Bilim Haberleri
Hikaye Fikri
Video Konu Önerisi
Başlık
Gündem
Kafana takılan neler var?
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.
Ekle
Soru Sor
Sosyal
Yeniler
Daha Fazla İçerik Göster
Popüler Yazılar
30 gün
90 gün
1 yıl
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 katın.

Evrim Ağacı'nı Takip Et!
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
Bu Makaleyi Alıntıla
Evrim Ağacı Formatı
APA7
MLA9
Chicago
J. Sokol, et al. Oyunlarla Öğrenen Makinelerin Gerçek Dünyayla İmtihanı. (21 Nisan 2018). Alındığı Tarih: 16 Nisan 2024. 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 April 16, 2024. 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.
ve seni takip ediyor

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