{"id":15213,"date":"2016-07-01T13:03:43","date_gmt":"2016-07-01T10:03:43","guid":{"rendered":"http:\/\/109.232.216.219\/~bilimvegelecek\/?p=15213"},"modified":"2017-12-26T14:45:28","modified_gmt":"2017-12-26T11:45:28","slug":"bilgisayarlar-ve-go-lee-sedol-neye-niye-yenildi","status":"publish","type":"post","link":"https:\/\/bilimvegelecek.com.tr\/index.php\/2016\/07\/01\/bilgisayarlar-ve-go-lee-sedol-neye-niye-yenildi","title":{"rendered":"Bilgisayarlar ve Go:\u00a0Lee Sedol neye\/niye yenildi?"},"content":{"rendered":"

AlphaGo program\u0131 Lee Sedol\u2019\u00fc yenerken, Kasparov\u2019u yenen Deep Blue program\u0131na g\u00f6re binlerce kez daha az pozisyonu inceliyordu. Bu da AlphaGo program\u0131n\u0131n insan\u0131n oyun oynama s\u00fcre\u00e7lerine daha benzer bir \u015fekilde davranabildi\u011fini ve insan zihninde ger\u00e7ekle\u015fen s\u00fcre\u00e7lere benzer i\u015flemlerin belki de ilk defa derin \u00f6\u011frenme yakla\u015f\u0131m\u0131 ile bilgisayar haf\u0131zas\u0131nda da ger\u00e7ekle\u015ftirilebildi\u011fini \u00f6ne s\u00fcrebiliriz. <\/em><\/p>\n

1997 y\u0131l\u0131nda \u201cDeep Blue\u201d ad\u0131 verilen bilgisayar program\u0131n\u0131n d\u00fcnya satran\u00e7 \u015fampiyonu Gary Kasparov\u2019u yenmesi bas\u0131nda olduk\u00e7a geni\u015f yer alm\u0131\u015ft\u0131. Bu durum makinelerin insan zekas\u0131na bir meydan okumas\u0131 olarak alg\u0131lansa da, bir\u00e7ok tart\u0131\u015fmada satran\u00e7 program\u0131n\u0131n asl\u0131nda ger\u00e7ek bir zekaya sahip olmad\u0131\u011f\u0131, sadece \u00e7ok h\u0131zl\u0131 i\u015flem yapabilme kapasitesi sayesinde Kasparov\u2019u alt edebildi\u011fi \u00f6zellikle vurgulanm\u0131\u015ft\u0131. Ayr\u0131ca satran\u00e7 oyununda elde edilen ba\u015far\u0131ya ra\u011fmen, bilgisayarlar Go oyununda ancak vasat bir performans sergilemekteydiler. Bu durum da bilgisayar programlar\u0131n\u0131n asl\u0131nda \u201czekice\u201d oyun oynamad\u0131klar\u0131na dair en b\u00fcy\u00fck kan\u0131t olarak g\u00f6sterilmekteydi. Ger\u00e7ekten de 2015 y\u0131l\u0131na kadar en iyi Go program\u0131 ancak orta d\u00fczey bir Go oyuncusu performans\u0131na sahipti. Usta bir Go oyuncusunun bir bilgisayar program\u0131na yenilmesi m\u00fcmk\u00fcn de\u011fildi. Ancak \u201cGoogle Deep Mind\u201d ara\u015ft\u0131rma grubunun geli\u015ftirdi\u011fi AlphaGo adl\u0131 bilgisayar program\u0131 \u00f6nce Avrupa \u015eampiyonu Fan Hui\u2019yi Ekim 2015\u2019te ve d\u00fcnyan\u0131n en iyi oyuncular\u0131ndan birisi olan Koreli Lee Sedol\u2019\u00fc Mart 2016\u2019da yenmeyi ba\u015fard\u0131. Go oyununda elde edilen bu b\u00fcy\u00fck ilerleme yapay zeka \u00e7al\u0131\u015fmalar\u0131na ili\u015fkin yeniden bir tart\u0131\u015fma ba\u015flatt\u0131.<\/p>\n

Asl\u0131nda makinelerin oyun oynamas\u0131 18. y\u00fczy\u0131lda bile g\u00fcndemde olan bir fikir. Merak edenler 1770 y\u0131l\u0131nda Wolfgang von Kempelen taraf\u0131ndan geli\u015ftirilen ve \u201cThe Turk\u201d (1) ad\u0131 verilen d\u00fcnyan\u0131n ilk satran\u00e7 oynama otomat\u0131n\u0131 inceleyebilirler. \u0130lk bilgisayarlar\u0131n tasarlanmas\u0131 ve geli\u015ftirilmesiyle birlikte, bu cihazlar\u0131n \u00e7e\u015fitli oyunlar oynamas\u0131n\u0131 sa\u011flayacak yaz\u0131l\u0131mlar \u00fczerinde \u00e7al\u0131\u015fmalar da y\u00fcr\u00fct\u00fclmeye ba\u015flanm\u0131\u015ft\u0131r. Bilgisayarlar\u0131n insan hayat\u0131nda yer almaya ba\u015flad\u0131\u011f\u0131 1950\u2019li y\u0131llardan beri makinelerin oyun oynayabilmesi ve hatta bu oyunlarda insandan daha ba\u015far\u0131l\u0131 olmalar\u0131n\u0131n sa\u011flanmas\u0131 yapay zeka ara\u015ft\u0131rmac\u0131lar\u0131 i\u00e7in ilgi \u00e7ekici bir konu olmu\u015ftur. Asl\u0131nda oyun olduk\u00e7a geni\u015f bir alan. Tek ba\u015f\u0131na oynanan oyunlar bulundu\u011fu gibi, belirli kurallar \u00e7er\u00e7evesinde iki veya daha fazla ki\u015finin kar\u015f\u0131l\u0131kl\u0131 rekabete dayal\u0131 bir bi\u00e7imde oynad\u0131\u011f\u0131 oyunlardan (satran\u00e7, go, bri\u00e7, vb.) ya da kurallar\u0131n\u0131n oyun s\u0131ras\u0131nda olu\u015ftu\u011fu ba\u015flang\u0131\u00e7ta bir belirlenim bulunmayan oyunlardan s\u00f6z etmek m\u00fcmk\u00fcn. Yapay zeka \u00e7al\u0131\u015fmalar\u0131 a\u00e7\u0131s\u0131ndan en zoru tabi ki \u00fc\u00e7\u00fcnc\u00fc kategoride yer alan oyunlar. \u00d6rne\u011fin bir insans\u0131 robotun bir \u00e7ocukla oyun oynamas\u0131 problemini d\u00fc\u015f\u00fcnelim. Bu oyunda \u00e7\u00f6z\u00fclmesi gereken alg\u0131, planlama ve benzeri problemler satran\u00e7 veya Go oyunu ile kar\u015f\u0131la\u015ft\u0131r\u0131lamayacak kadar zor problemlerdir. Ancak bu yaz\u0131da tart\u0131\u015f\u0131lacak y\u00f6ntem ve yakla\u015f\u0131mlar iki ki\u015finin belirli kurallara dayal\u0131 bir bi\u00e7imde rekabet ederek oynad\u0131klar\u0131 oyunlara y\u00f6nelik olacakt\u0131r.<\/p>\n

Bilgisayarlar nas\u0131l oyun oynuyor? <\/strong><\/p>\n

Bilgisayarlar\u0131n nas\u0131l oyun oynad\u0131klar\u0131n\u0131 anlamak a\u00e7\u0131s\u0131ndan durum (state) kavram\u0131 \u00f6nem ta\u015f\u0131r. Bildi\u011finiz gibi her oyunda farkl\u0131 konfig\u00fcrasyonlar olu\u015fmas\u0131 m\u00fcmk\u00fcnd\u00fcr. \u00d6rne\u011fin satran\u00e7 oyununda ta\u015flar\u0131n tahta \u00fczerinde oyunun herhangi bir an\u0131ndaki dizili\u015fleri tekil bir konfig\u00fcrasyon olu\u015fturmaktad\u0131r. Olu\u015fan bu konfig\u00fcrasyonlar durum kavram\u0131yla ifade edilmektedir. Olu\u015fabilecek olas\u0131 t\u00fcm konfig\u00fcrasyonlar ise o oyuna ili\u015fkin durum uzay\u0131n\u0131 olu\u015fturacakt\u0131r. Bir bilgisayar\u0131n oyun oynamas\u0131 bu durum uzay\u0131nda y\u00fcr\u00fct\u00fclecek arama i\u015flemlerine dayanmaktad\u0131r. Tahmin edebilece\u011finiz gibi bu durum uzay\u0131n\u0131n b\u00fcy\u00fckl\u00fc\u011f\u00fc de o oyunun zorlu\u011funu belirlemektedir.<\/p>\n

\"\"
\u015eekil 1: Arama a\u011fac\u0131; bilgisayar X ta\u015f\u0131n\u0131 oynamaktad\u0131r.<\/figcaption><\/figure>\n

Asl\u0131nda klasik oyun algoritmalar\u0131 olduk\u00e7a basit bir yakla\u015f\u0131m kullan\u0131rlar. Oyunun herhangi bir a\u015famas\u0131nda bilgisayar\u0131n hangi hamleyi yapaca\u011f\u0131 \u015f\u00f6yle bir y\u00f6ntemle belirlenir: \u00d6ncelikle oyunun o durumunda bilgisayar\u0131n yapabilece\u011fi t\u00fcm hamleler ve bu hamleler yap\u0131ld\u0131\u011f\u0131nda olu\u015facak durumlar belirlenir. Daha sonra rakibin yapabilece\u011fi kar\u015f\u0131 hamleler ve yine bu hamlelerin olu\u015fturaca\u011f\u0131 durumlar listelenir. Sonra tekrar bilgisayar\u0131n hamleleri ve yine rakibinkiler derken bu i\u015flem oyunun sonlanaca\u011f\u0131 bir durum belirlenene kadar devam eder. Bu hamleler ve kar\u015f\u0131 hamlelerin olu\u015fturaca\u011f\u0131 durumlar\u0131 \u015eekil 1\u2019de g\u00f6r\u00fclen ve arama a\u011fac\u0131 denilen bir yap\u0131da tutmak m\u00fcmk\u00fcnd\u00fcr. Oyun sonuna kadar bu yap\u0131 derinle\u015ftirilebilirse, o zaman bu oyun a\u011fac\u0131nda bilgisayar\u0131n kazanmas\u0131 i\u00e7in gerekli hamle kolayl\u0131kla se\u00e7ilerek rakibin ka\u00e7\u0131n\u0131lmaz bi\u00e7imde bilgisayar\u0131n kazanaca\u011f\u0131 patikaya sokulmas\u0131 m\u00fcmk\u00fcnd\u00fcr. Dikkat edilirse bu yakla\u015f\u0131m m\u00fckemmel oyun stratejisini belirlemektedir ve oyun sonuna kadar bu arama ger\u00e7ekle\u015ftirildi\u011finde rakibin yenilmekten ba\u015fka bir \u00e7aresi bulunmamaktad\u0131r.<\/p>\n

Ancak bir\u00e7ok oyun i\u00e7in bu arama a\u011fac\u0131n\u0131 oyunun sonlanaca\u011f\u0131 durumlara ula\u015fana kadar ilerletmek m\u00fcmk\u00fcn de\u011fildir. \u00d6rne\u011fin satran\u00e7 oyununda herhangi bir a\u015famada oyuncu ortalama olarak 35 fakl\u0131 hamle yapabilmektedir. Bir satran\u00e7 oyununun kar\u015f\u0131l\u0131kl\u0131 40 hamlede sonlanaca\u011f\u0131n\u0131 d\u00fc\u015f\u00fcnsek bile, m\u00fckemmel oyun i\u00e7in yarat\u0131lmas\u0131 gereken arama a\u011fac\u0131nda 3580<\/sup> farkl\u0131 durumun incelenmesi gerekmektedir. 352<\/sup>\u2019nin yakla\u015f\u0131k olarak bin say\u0131s\u0131na e\u015fit oldu\u011funu varsayarsak, 354<\/sup> milyon, 356<\/sup> milyar d\u00fczeyine \u00e7\u0131kmaktad\u0131r. 3580\u2019<\/sup>in hayal edilmesi bile zor bir say\u0131 oldu\u011fu a\u00e7\u0131k san\u0131r\u0131m.<\/p>\n

Bu durumda, yani arama a\u011fac\u0131n\u0131n tamam\u0131n\u0131 olu\u015fturmak m\u00fcmk\u00fcn olmad\u0131\u011f\u0131nda, oyun programlar\u0131 verilen s\u00fcre ve di\u011fer kaynak k\u0131s\u0131tlar\u0131n\u0131 g\u00f6z \u00f6n\u00fcne alarak olu\u015fturulabilecek en derin a\u011fac\u0131 olu\u015fturmaktad\u0131r. Ancak bu a\u011fac\u0131n yapraklar\u0131 (\u015eekil 1\u2019deki en alttaki durumlar) art\u0131k oyun sonlar\u0131na sahip olmayacakt\u0131r. Bu nedenle de oyunun daha bitmedi\u011fi durumlara kar\u015f\u0131l\u0131k gelen bu yapraklar\u0131n hangisi en iyiyse, o duruma do\u011fru bilgisayar\u0131n hamle yapmas\u0131 en rasyonel davran\u0131\u015f olacakt\u0131r. Peki en iyi oyun ortas\u0131 durumu belirlemek i\u00e7in ne yap\u0131labilir? Bu noktada da bilgisayar programc\u0131lar\u0131 oyun uzmanlar\u0131 ile bir araya gelmekte ve durumlar\u0131 de\u011ferlendirebilecek ve onlara puanlar verebilecek \u00e7ok karma\u015f\u0131k matematiksel fonksiyonlar olu\u015fturmaktad\u0131rlar. Ayr\u0131ca a\u011fac\u0131n her dal\u0131n\u0131 da incelemek gerekli de\u011fildir. Bir tak\u0131m y\u00f6ntemlerle a\u011fac\u0131n belirli dallar\u0131n\u0131n budanmas\u0131 (2) ve daha ince ama daha derine giden arama a\u011fa\u00e7lar\u0131n\u0131n olu\u015fturulmas\u0131 m\u00fcmk\u00fcnd\u00fcr.<\/p>\n

\u0130\u015fin \u00f6zeti b\u00f6yle. Asl\u0131nda, bu algoritmay\u0131 kullanan bilgisayarlar\u0131n ger\u00e7ekten zekice davrand\u0131\u011f\u0131n\u0131 s\u00f6ylemek pek m\u00fcmk\u00fcn de\u011fil. Ama \u00f6te yandan, iyi haz\u0131rlanm\u0131\u015f bir de\u011ferlendirme fonksiyonu h\u0131zl\u0131 i\u015flemcilerin sa\u011flad\u0131\u011f\u0131 \u00e7ok fazla alternatif durumu inceleme kapasitesiyle bir araya geldi\u011finde insandan daha iyi bir satran\u00e7 oyuncusu ortaya \u00e7\u0131karmak m\u00fcmk\u00fcn.<\/p>\n

\u0130nsan beyninin soyut temsil yetene\u011fi<\/strong><\/p>\n

Peki bu yakla\u015f\u0131m Go oyunu i\u00e7in niye yeterli olmuyordu. Nedeni Go oyununun sahip oldu\u011fu durum uzay\u0131n\u0131n b\u00fcy\u00fckl\u00fc\u011f\u00fc. Satran\u00e7 oyununda her hamlede oyuncunun ortalama 35 alternatifi oldu\u011funu belirtmi\u015ftik. Go oyununda ise ortalama hamle say\u0131s\u0131 250\u2019ye \u00e7\u0131kmakta. Yani Go oyununun durum uzay\u0131, satran\u00e7 oyununa g\u00f6re katbekat fazla bir b\u00fcy\u00fckl\u00fc\u011fe sahip. Bu uzayda yer alan durum say\u0131s\u0131n\u0131n evrendeki atom say\u0131s\u0131ndan bile fazla olaca\u011f\u0131n\u0131 s\u00f6ylemek san\u0131r\u0131m s\u00f6z edilen b\u00fcy\u00fckl\u00fck hakk\u0131nda bir fikir verebilir. Bu nedenle yukar\u0131da a\u00e7\u0131klanan arama yakla\u015f\u0131m\u0131 Go oyunu i\u00e7in ancak vasat bir oyuncu ortaya \u00e7\u0131karmaktayd\u0131.<\/p>\n

\"\"
Klasik oyun algoritmalar\u0131 go oyunu i\u00e7in yeterli olmuyordu. Nedeni go oyununun sahip oldu\u011fu durum uzay\u0131n\u0131n b\u00fcy\u00fckl\u00fc\u011f\u00fc.<\/figcaption><\/figure>\n

\u0130nsan da bir oyun oynarken belirli durumlar\u0131 g\u00f6z \u00f6n\u00fcnde bulundurabilir; kendi hamleleri ve bu hamlelere verilebilecek kar\u015f\u0131l\u0131klar\u0131 g\u00f6zden ge\u00e7irebilir. Ama insan\u0131n g\u00f6z \u00f6n\u00fcne ald\u0131\u011f\u0131 hamle olas\u0131l\u0131klar\u0131 bir bilgisayara g\u00f6re \u00e7ok daha az olmas\u0131na ra\u011fmen, insan Go veya satran\u00e7 oyunlar\u0131nda olduk\u00e7a iyi bir performansa sahiptir. Bunun nedeni de insan\u0131n zeki olmas\u0131d\u0131r. Peki insan\u0131n bu oyunlarda kulland\u0131\u011f\u0131 ve bilgisayarlarda bulunmayan \u201czeka\u201d nedir? Zor bir soru ve bu soruyu t\u00fcm y\u00f6nleriyle ve tam anlam\u0131yla yan\u0131tlamak m\u00fcmk\u00fcn de\u011fil. Zaten bunu yapabilseydik bu zekay\u0131 bilgisayarlara aktarmak ve bilgisayarlar\u0131n da t\u00fcm i\u015flerde insan performans\u0131na ula\u015fmas\u0131n\u0131 sa\u011flamak m\u00fcmk\u00fcn olurdu.<\/p>\n

\u00d6te yandan, bu soruya verebilece\u011fimiz baz\u0131 yan\u0131tlar bulunmakta. \u0130nsan beyninin en \u00f6nemli \u00f6zelliklerinden birisi kendisine ula\u015fan veriyi\/girdiyi\/bilgiyi \u00e7ok verimli ve soyut bir bi\u00e7imde temsil edebilmesi. Bu g\u00f6rsel veya i\u015fitsel alg\u0131da oldu\u011fu gibi oyun alan\u0131nda da ge\u00e7erli. Somut bir \u00f6rnek verirsek, etrafa bakt\u0131\u011f\u0131m\u0131zda asl\u0131nda g\u00f6rsel korteksimize etraf\u0131m\u0131zdaki objelerin \u00e7ok detayl\u0131 bir g\u00f6r\u00fcnt\u00fcs\u00fc d\u00fc\u015fmekte. Beynimiz bu detayl\u0131 g\u00f6r\u00fcnt\u00fc \u00fczerinden yapaca\u011f\u0131 soyutlama ile, bu g\u00f6r\u00fcnt\u00fcn\u00fcn \u00f6z\u00fcn\u00fc i\u00e7eren, ama \u00f6te yandan gereksiz detaylardan ar\u0131nd\u0131r\u0131lm\u0131\u015f genel bir temsili olu\u015fturmak konusunda \u00e7ok ba\u015far\u0131l\u0131. Bu temsili, i\u015fimize yarayacak bilgilerin i\u00e7inde en optimum bi\u00e7imde yer ald\u0131\u011f\u0131, ger\u00e7e\u011fin bir soyutlanmas\u0131 olarak d\u00fc\u015f\u00fcnebiliriz. Daha sonra yapaca\u011f\u0131m\u0131z \u00e7\u0131kar\u0131mlar, planlamalar da bu temsil \u00fczerinden ger\u00e7ekle\u015fecektir. \u00d6rne\u011fin bir odadan d\u0131\u015far\u0131 \u00e7\u0131kmay\u0131 planlayacaksak, bu plan odan\u0131n beynimize ula\u015fan g\u00f6r\u00fcnt\u00fcs\u00fc \u00fczerinden de\u011fil o g\u00f6r\u00fcnt\u00fc \u00fczerinden olu\u015fturdu\u011fumuz temsil kullan\u0131larak ger\u00e7ekle\u015ftirilir. \u0130nsan\u0131n bu yetene\u011fi oyun oynarken de kar\u015f\u0131m\u0131za \u00e7\u0131kmakta. Oyun tahtas\u0131nda yer alan ta\u015flar\u0131n tekil olarak pozisyonlar\u0131 ve olas\u0131 hamleler, evet insan\u0131n kulland\u0131\u011f\u0131 verilerdir. \u00d6te yandan insan i\u00e7in ta\u015flar\u0131n t\u00fcm\u00fcn\u00fcn olu\u015fturdu\u011fu b\u00fct\u00fcnsel bir anlam da vard\u0131r. Yani g\u00f6rme \u00f6rne\u011finde oldu\u011fu gibi insan oyunun herhangi bir durumu i\u00e7in soyut temsiller olu\u015fturabilmekte ve bu temsiller \u00fczerinden d\u00fc\u015f\u00fcnebildi\u011fi i\u00e7in sadece \u00e7ok fazla hamleyi inceleme kabiliyeti olan bir bilgisayar program\u0131na g\u00f6re, hele Go gibi bir oyunda \u00e7ok daha iyi stratejiler geli\u015ftirebilmektedir.<\/p>\n

\"\"
\u015eekil 2: Yapay sinir a\u011f\u0131.<\/figcaption><\/figure>\n

Yapay sinir a\u011flar\u0131 modelleri ve s\u0131n\u0131rl\u0131l\u0131klar<\/strong><\/p>\n

Asl\u0131nda yukar\u0131daki tart\u0131\u015fma yapay zeka alan\u0131nda ne yap\u0131lmas\u0131 gerekti\u011fine ili\u015fkin bir yol da g\u00f6stermekte. E\u011fer bilgisayarlar\u0131n da insan\u0131n olu\u015fturabildi\u011fi temsilleri olu\u015fturmas\u0131n\u0131 sa\u011flayabilirsek, o zaman bilgisayarlar\u0131n bir\u00e7ok alanda insanla rekabet edebilmesi m\u00fcmk\u00fcn olacakt\u0131r. Peki bunu sa\u011flayabilecek modeller nelerdir? Burada \u00f6n plana \u00e7\u0131kan y\u00f6ntemler yapay \u00f6\u011frenme (Machine Learning) algoritmalar\u0131 olmaktad\u0131r. Bu y\u00f6ntemlerle belirli bir veri k\u00fcmesi \u00fczerinden analizler y\u00fcr\u00fctmek ve \u00e7e\u015fitli d\u00fczeylerde temsiller olu\u015fturabilecek \u00f6\u011frenme s\u00fcre\u00e7lerini ger\u00e7ekle\u015ftirmek m\u00fcmk\u00fcnd\u00fcr.<\/p>\n

Bu modeller i\u00e7inde yapay sinir a\u011flar\u0131 insan beyninden etkilenilerek olu\u015fturuldu\u011fundan olduk\u00e7a dikkat \u00e7ekicidir. Klasik yapay sinir a\u011flar\u0131 farkl\u0131 katmanlar \u015feklinde organize edilmi\u015f yapay n\u00f6ronlardan olu\u015fur (\u015eekil 2). Bir katmanda yer alan her n\u00f6ron bir sonraki katmandaki t\u00fcm n\u00f6ronlara ba\u011fl\u0131d\u0131r ve belirli ko\u015fullar sa\u011fland\u0131\u011f\u0131nda ba\u011fl\u0131 oldu\u011fu n\u00f6ronlara sinyal yollar. Yani bu yapay n\u00f6ronlar belirli girdilere g\u00f6re belirli \u00e7\u0131kt\u0131lar \u00fcretirler. Model belirli girdilerden istenen \u00e7\u0131kt\u0131lar\u0131 \u00fcretebilmek i\u00e7in kendini uyarlayabilir.<\/p>\n

Bu model, denetimli \u00f6\u011frenme problemleri i\u00e7in kullan\u0131l\u0131r. \u00d6rne\u011fin el yaz\u0131s\u0131 ile yaz\u0131lm\u0131\u015f rakamlar\u0131 tan\u0131mak i\u00e7in bir yapay sinir a\u011f\u0131 e\u011fitti\u011fimizi d\u00fc\u015f\u00fcnelim. Bu durumda elimizde farkl\u0131 insanlar taraf\u0131ndan yaz\u0131lm\u0131\u015f yeterli miktarda rakam bulunmas\u0131 gerekir. E\u011fitim a\u015famas\u0131nda her bir rakam\u0131n resmini tek tek sinir a\u011f\u0131na veririz, ayr\u0131ca her girdiyi verdi\u011fimizde bu girdinin hangi rakama kar\u015f\u0131l\u0131k geldi\u011fini yani sinir a\u011f\u0131n\u0131n hangi \u00e7\u0131kt\u0131y\u0131 \u00fcretmesi gerekti\u011fini de sisteme aktar\u0131r\u0131z. B\u00f6ylelikle sinir a\u011f\u0131 verilen girdi i\u00e7in \u00fcretilmesi gereken \u00e7\u0131kt\u0131y\u0131 sa\u011flayacak \u015fekilde kendisini yap\u0131land\u0131r\u0131r. Yani verilen girdiyi farkl\u0131 bir matematiksel uzayda temsil etmeyi ve bu temsil sayesinde o girdiyi do\u011fru bir bi\u00e7imde s\u0131n\u0131fland\u0131rmay\u0131, yani do\u011fru \u00e7\u0131kt\u0131y\u0131 \u00fcretmeyi \u00f6\u011frenir.<\/p>\n

Kullan\u0131lan yakla\u015f\u0131m ilgi \u00e7ekici. \u00d6te yandan, yakla\u015f\u0131k elli senedir kullan\u0131lan bu model insan beyninden esinlenmi\u015f olsa da, pek gelecek vaat etmedi\u011fi \u00e7ok ge\u00e7meden anla\u015f\u0131lm\u0131\u015f bir y\u00f6ntem. \u00c7\u00fcnk\u00fc bu yakla\u015f\u0131m\u0131n olduk\u00e7a \u00f6nemli teknik bir tak\u0131m problemleri bulunmakta.<\/p>\n

Diyelim ki bu modeli, insan\u0131n oyun oynarken olu\u015fturabildi\u011fi ve b\u00f6ylelikle hangi oyun durumlar\u0131n\u0131n tercih edilebilir oldu\u011funa karar verdi\u011fi temsilleri olu\u015fturmak i\u00e7in kullanmak istiyoruz. Kar\u015f\u0131m\u0131za \u00e7\u0131kan birinci sorun modelin sadece denetimli bir \u00f6\u011frenmeye a\u00e7\u0131k olmas\u0131, yani kendi kendine \u00f6\u011frenme kapasitesinin bulunmamas\u0131. Bu durumda e\u011fer Go oyunu i\u00e7in bir \u00f6\u011frenme ger\u00e7ekle\u015ftireceksek, bir Go uzman\u0131n\u0131n oyuna ili\u015fkin binlerce (ya da milyonlarca?) de\u011fi\u015fik durumu tek tek inceleyerek bunlar\u0131n hangilerinin iyi, hangilerinin tercih edilmemesi gereken durumlar oldu\u011funu belirlemesi gerekmekte. Pratikte neredeyse ger\u00e7ekle\u015ftirilmesi imkans\u0131z bir i\u015f. Diyelim ki birileri bunu yapt\u0131, ama Go gibi b\u00fcy\u00fck bir durum uzay\u0131na sahip bir oyun i\u00e7in do\u011fru durumlar\u0131n se\u00e7ilmi\u015f oldu\u011funu ve \u00f6\u011frenilen temsilin i\u015fe yarayacak do\u011fru temsil olaca\u011f\u0131n\u0131 \u00f6ne s\u00fcrmek olduk\u00e7a zor.<\/p>\n

Bir ikinci problem ise yapay sinir a\u011flar\u0131n\u0131n b\u00fcy\u00fckl\u00fc\u011f\u00fc ile ilgili. Sistemin verilen girdiyi istenilen \u00e7\u0131kt\u0131ya e\u015fleyebilmek i\u00e7in kendisini uyarlamaya \u00e7al\u0131\u015ft\u0131\u011f\u0131n\u0131 s\u00f6ylemi\u015ftik. Sinir a\u011f\u0131 bu i\u015fleme ba\u015flang\u0131\u00e7ta rasgele bir konfig\u00fcrasyon ile ba\u015flamaktad\u0131r. Bu nedenle ilk ba\u015fta istenilen \u00e7\u0131kt\u0131lar\u0131 \u00fcretemeyecektir. \u00d6\u011frenme s\u00fcrecinde yanl\u0131\u015f \u00fcretti\u011fi \u00e7\u0131kt\u0131lar \u00fczerinden bir hata miktar\u0131 hesaplanmakta ve bu hata miktar\u0131 sisteme geri y\u00fcklenerek s\u00f6z edilen uyarlama s\u00fcreci ger\u00e7ekle\u015ftirilmektedir. Ancak hata \u00f6l\u00e7\u00fcm\u00fc do\u011fal olarak sinir a\u011f\u0131n\u0131n \u00e7\u0131kt\u0131 katman\u0131 \u00fczerinden ger\u00e7ekle\u015ftirilmektedir. Bu hatay\u0131 sisteme geribildirim olarak verdi\u011fimizde, \u00e7\u0131kt\u0131 katman\u0131na yak\u0131n katmanlardaki n\u00f6ronlar\u0131n ba\u015far\u0131l\u0131 bir bi\u00e7imde uyarlanmas\u0131 m\u00fcmk\u00fcn olmakta; ama \u00e7ok fazla katman kullan\u0131ld\u0131\u011f\u0131nda kullan\u0131lan y\u00f6ntem daha derindeki katmanlar\u0131n uyarlanmas\u0131 i\u00e7in yetersiz kalmaktad\u0131r. Yani hatan\u0131n etkisi sinir a\u011f\u0131nda daha derinlere indik\u00e7e yok olmaktad\u0131r. Bu durum da pratikte zor problemlerin \u00e7\u00f6z\u00fcm\u00fc i\u00e7in gereken, \u00e7ok karma\u015f\u0131k fonksiyonlar\u0131 temsil edebilecek \u00e7ok katmanl\u0131 sinir a\u011flar\u0131n\u0131n olu\u015fturulmas\u0131n\u0131 engellemektedir. Yani bu model onlarca y\u0131ldan beri kullan\u0131lmas\u0131na ra\u011fmen, ancak bir ka\u00e7 katmandan olu\u015fan ve bu nedenle sadece g\u00f6reli basit problemleri \u00e7\u00f6zmeye yarayan bir model olarak kalm\u0131\u015ft\u0131r.<\/p>\n

\"\"S\u00f6z edilen yapay sinir a\u011f\u0131 modelinin alternatifleri de bulunmaktad\u0131r. Ancak t\u00fcm modellerin bir tak\u0131m benzer dezavantajlar\u0131 bulunmakta ve yukar\u0131da belirtildi\u011fi gibi bu sinir a\u011f\u0131 modellerini kullanarak ancak belirli zorlukta problemler \u00e7\u00f6z\u00fclebilmektedir. Bu sinir a\u011f\u0131 modelinin daha zor problemleri \u00e7\u00f6zebilmesi i\u00e7in ise ara\u015ft\u0131rmac\u0131lar ham verilerden manuel olarak bir tak\u0131m daha soyut \u00f6zellikler \u00e7\u0131kart\u0131p, sinir a\u011flar\u0131n\u0131 ham veri yerine bu \u00f6zellikler kullan\u0131larak e\u011fitmeye \u00e7al\u0131\u015fmaktad\u0131rlar. \u00d6rne\u011fin g\u00f6r\u00fcnt\u00fc i\u015fleme uygulamalar\u0131nda do\u011frudan g\u00f6r\u00fcnt\u00fcde yer alan piksel de\u011ferleri yerine, \u00f6nce o g\u00f6r\u00fcnt\u00fcye ili\u015fkin daha genel\/soyut bir tak\u0131m \u00f6zellikler belirli algoritmalar kullan\u0131larak belirlenmekte ve daha sonra bu \u00e7\u0131kar\u0131lan \u00f6zellikler kullan\u0131larak sinir a\u011flar\u0131 e\u011fitilmektedir. B\u00f6ylelikle sinir a\u011f\u0131n\u0131n g\u00f6revi azalt\u0131lmakta ve yukar\u0131da s\u00f6z edilen ve \u00e7ok derinle\u015ftirilemeyen a\u011flar ile daha zor problemler \u00e7\u00f6z\u00fclmeye \u00e7al\u0131\u015f\u0131lmaktad\u0131r.<\/p>\n

Derin \u00f6\u011frenme yakla\u015f\u0131m\u0131<\/strong><\/p>\n

Ancak bundan yakla\u015f\u0131k yedi sekiz y\u0131l \u00f6nce ara\u015ft\u0131rmac\u0131lar (3) var olan sinir a\u011f\u0131 modellerini farkl\u0131 bir \u015fekilde e\u011fitmenin m\u00fcmk\u00fcn oldu\u011funu ke\u015ffettiler. Bu \u00e7al\u0131\u015fmalarda yeni bir sinir a\u011f\u0131 modeli \u00f6nerilmedi. Ama var olan modellerin farkl\u0131 bir \u015fekilde ele al\u0131nabilece\u011fi ve b\u00f6ylelikle derin \u00f6\u011frenme denilen, yani istedi\u011fimiz kadar katmandan olu\u015fan sinir a\u011f\u0131 modellerinin kurulabilece\u011fi ortaya \u00e7\u0131kt\u0131. Bu durum yapay \u00f6\u011frenme alan\u0131nda olduk\u00e7a \u00f6nemli bir geli\u015fmeydi. \u00c7\u00fcnk\u00fc kullan\u0131lan sinir a\u011flar\u0131n\u0131n sadece birka\u00e7 katmandan olu\u015fmas\u0131n\u0131 gerektiren teknik zorluk ortadan kalkm\u0131\u015ft\u0131. Art\u0131k istedi\u011fimiz \u201cderinlikte\u201d a\u011f yap\u0131lar\u0131 kurabilirdik. Bunun yan\u0131 s\u0131ra bu yeni yakla\u015f\u0131mla birlikte yine yukar\u0131da s\u00f6z edilen denetimli \u00f6\u011frenme zorunlulu\u011fu da ortadan kalkt\u0131. Yani istedi\u011fimiz b\u00fcy\u00fckl\u00fckteki sinir a\u011flar\u0131na, yine istedi\u011fimiz miktarda (gerekirse milyonlarca) ham veriyi hi\u00e7 etiketlemeden, yani sinir a\u011f\u0131na \u00fcretmesi gerekti\u011fi \u00e7\u0131kt\u0131n\u0131n ne oldu\u011funu hi\u00e7 s\u00f6ylemeden vermek m\u00fcmk\u00fcn hale geldi.<\/p>\n

\"\"
\u015eekil 3: Otomatik kodlay\u0131c\u0131.<\/figcaption><\/figure>\n

Peki bu derin modeller denetimsiz bir \u015fekilde ham veri ile e\u011fitildi\u011finde ne elde edebiliyoruz? Bunu anlamak i\u00e7in derin \u00f6\u011frenme yakla\u015f\u0131m\u0131nda ger\u00e7ekle\u015fen s\u00fcre\u00e7ler hakk\u0131nda bir miktar bilgi vermekte fayda var. Derin \u00f6\u011frenme yakla\u015f\u0131m\u0131nda farkl\u0131 sinir a\u011f\u0131 modelleri kullanmak m\u00fcmk\u00fcn. Bu modellerden otomatik-kodlay\u0131c\u0131 (Autoencoder) derin \u00f6\u011frenme s\u00fcrecini anlamak i\u00e7in iyi bir \u00f6rnek te\u015fkil etmekte. \u015eekil 3\u2019te bir kodlay\u0131c\u0131 yer almakta. Sistemin basit bir i\u015flevi bulunmakta: Bir kodlay\u0131c\u0131 kendisine verilen girdilerin ayn\u0131s\u0131n\u0131 \u00e7\u0131kt\u0131 olarak \u00fcretmeye \u00e7al\u0131\u015f\u0131r, tek i\u015flevi budur. Yani \u00f6\u011frenme s\u00fcrecinde kodlay\u0131c\u0131 kendi i\u00e7sel yap\u0131s\u0131n\u0131 girdinin ayn\u0131s\u0131n\u0131 \u00e7\u0131kt\u0131 olarak \u00fcretebilecek \u015fekilde uyarlamaya \u00e7al\u0131\u015f\u0131r. \u015eimdi bu kodlay\u0131c\u0131ya girdi olarak bir resim verelim. Kodlay\u0131c\u0131 kendi i\u00e7sel yap\u0131s\u0131n\u0131 bu resmin ayn\u0131s\u0131n\u0131 \u00fcretmek i\u00e7in uyarlayabilir ve hatta tek bir resimden s\u00f6z ediyorsak bu resmi ezberlemeyi de ba\u015farabilir. Ama bu kodlay\u0131c\u0131ya birden fazla resmi girdi olarak ad\u0131m ad\u0131m verirsek ve her defas\u0131nda kodlay\u0131c\u0131n\u0131n amac\u0131 bu girdileri \u00e7\u0131kt\u0131 olarak \u00fcretmek ise nas\u0131l bir uyarlama s\u00fcrecinden ge\u00e7ecektir?<\/p>\n

Bu modelde dikkat \u00e7ekici olan kodlay\u0131c\u0131n\u0131n ara katman\u0131nda yer alan n\u00f6ron say\u0131s\u0131n\u0131n girdi ve \u00e7\u0131kt\u0131 katmanlar\u0131ndan az olmas\u0131. Tahmin edersiniz ki bir grup resim bu kodlay\u0131c\u0131y\u0131 e\u011fitmek i\u00e7in kullan\u0131ld\u0131\u011f\u0131nda, bu kodlay\u0131c\u0131n\u0131n bu resimlerin tamam\u0131n\u0131 \u00e7\u0131kt\u0131 katman\u0131nda tekrar \u00fcretmesi m\u00fcmk\u00fcn olmayacakt\u0131r. Ama optimum davran\u0131\u015fa zorlanan bu model verilen resimlerden bir tak\u0131m korelasyonlar\/\u00f6zellikler elde edecek ve bunlar\u0131 ara katman\u0131ndaki \u00e7\u0131kt\u0131lar olarak temsil ettikten sonra, \u00e7\u0131kt\u0131 katman\u0131nda elde etti\u011fi bu \u00f6zellikleri kullanarak girdi olan resmi tam olmasa da, onun bir benzerini olabildi\u011fince olu\u015fturmaya \u00e7al\u0131\u015facakt\u0131r.<\/p>\n

Yani kodlay\u0131c\u0131 i\u00e7in optimum davran\u0131\u015f ara katmanda verilen resimlerin daha soyut bir temsilini olu\u015fturmak i\u00e7in gereken \u00f6zelliklerin toplanmas\u0131 olacakt\u0131r. Peki bu \u00f6zellikler nelerdir? Kodlay\u0131c\u0131n\u0131n ne yapaca\u011f\u0131n\u0131 anlayabilmek i\u00e7in \u015f\u00f6yle bir \u00f6rnek d\u00fc\u015f\u00fcnelim. Diyelim ki y\u00fczlerce par\u00e7aya b\u00f6l\u00fcnm\u00fc\u015f iki resim verildi bize. Amac\u0131m\u0131z bu resimlerin par\u00e7alar\u0131n\u0131n sadece bir k\u0131sm\u0131n\u0131 (diyelim ki 20 tanesini) kullanarak orijinal resimlere olabildi\u011fince benzer resimler olu\u015fturmak olsun. S\u0131n\u0131rl\u0131 say\u0131da resim par\u00e7as\u0131 alabilece\u011fiz ama her bir par\u00e7ay\u0131 istedi\u011fimiz kadar tekrar tekrar kullanabiliriz. Bu durumda yap\u0131lacak en optimum davran\u0131\u015f nedir? Tabi ki i\u00e7inde farkl\u0131 a\u00e7\u0131larda \u00e7izgilere sahip resim par\u00e7alar\u0131n\u0131 se\u00e7mek. E\u011fer yeterince farkl\u0131 a\u00e7\u0131lara sahip \u00e7izgiler toplayabilirsek, orijinal resimlerin ayn\u0131s\u0131 olmasa da, bir \u015fekilde resimlerde yer alan objeleri temsil edebilecek \u015fekiller olu\u015fturmam\u0131z m\u00fcmk\u00fcn. \u0130lgin\u00e7 olan nokta, bir kodlay\u0131c\u0131y\u0131 bir grup resim \u00fczerinde e\u011fitti\u011fimiz zaman kodlay\u0131c\u0131 da ara katman\u0131nda resimlerde yer alan farkl\u0131 a\u00e7\u0131lardaki \u00e7izgileri \u00f6zellik olarak \u00e7\u0131kart\u0131p ve tam da bizim yapaca\u011f\u0131m\u0131z gibi bu \u00e7izgileri kullanarak \u00e7\u0131kt\u0131 katman\u0131nda orijinal girdiyi tekrar olu\u015fturmaya \u00e7al\u0131\u015facakt\u0131r. \u00c7\u00fcnk\u00fc bu g\u00f6rev i\u00e7in yap\u0131labilecek en optimum davran\u0131\u015f budur. Daha da ilgin\u00e7 olan beynimizde de objelerde yer alan kenarlara duyarl\u0131 olan n\u00f6ronlar\u0131n bulunmas\u0131. (4) Ama en ilgin\u00e7 olan birden fazla kodlay\u0131c\u0131y\u0131 bu s\u00fcre\u00e7te kulland\u0131\u011f\u0131m\u0131zda elde etti\u011fimiz temsil. \u0130lk kodlay\u0131c\u0131y\u0131 e\u011fitti\u011fimizde kodlay\u0131c\u0131n\u0131n resimlerde yer alan \u00e7izgileri \u00e7\u0131kartarak ilk soyutlamay\u0131 ger\u00e7ekle\u015ftirece\u011fini belirtmi\u015ftik. \u0130kinci a\u015famada ise, resimlerden \u00e7\u0131kart\u0131lan bu en alt d\u00fczeydeki \u00f6zellikleri kullanarak yeni bir kodlay\u0131c\u0131y\u0131 e\u011fitebiliriz. Bir \u00f6nceki kodlay\u0131c\u0131n\u0131n ara katman \u00e7\u0131kt\u0131lar\u0131 ile yeni bir kodlay\u0131c\u0131y\u0131 e\u011fitmeye devam etti\u011fimizde, her e\u011fitme i\u015fleminden sonra soyutlama d\u00fczeyi biraz daha artacakt\u0131r. Resim \u00f6rne\u011finden devam edersek, yeterince derin bir yap\u0131 kurdu\u011fumuzda, elde edilen \u00e7izgilerin birle\u015ferek obje par\u00e7alar\u0131n\u0131 ve obje par\u00e7alar\u0131n\u0131n birle\u015ferek obje modellerini olu\u015fturdu\u011funu g\u00f6rmek m\u00fcmk\u00fcnd\u00fcr. (5)<\/p>\n

On seneden daha az s\u00fcre \u00f6nce yapay \u00f6\u011frenme alan\u0131nda ortaya \u00e7\u0131kan bu yakla\u015f\u0131m yapay zeka alan\u0131nda olduk\u00e7a \u00f6nemli bir at\u0131l\u0131m sa\u011flam\u0131\u015f durumda. Klasik sinir a\u011f\u0131 modellerinin belirli algoritmalar kullan\u0131larak ham veriden \u00e7\u0131kar\u0131lan \u00f6zelliklerle e\u011fitilmeye \u00e7al\u0131\u015f\u0131ld\u0131\u011f\u0131n\u0131 belirtmi\u015ftik. Derin \u00f6\u011frenme yakla\u015f\u0131m\u0131 ile art\u0131k do\u011frudan ham veriyi kullanarak tamamen denetimsiz bir bi\u00e7imde ve istedi\u011fimiz b\u00fcy\u00fckl\u00fckteki sinir a\u011flar\u0131 ile veriye dair bir model veya bir temsili otomatik olarak olu\u015fturmak m\u00fcmk\u00fcn hale geldi. \u0130nsan zekas\u0131n\u0131 tarif ederken, beynimizin ona ula\u015fan ham veriyi \u00e7ok h\u0131zl\u0131 bir bi\u00e7imde i\u015fleyerek, verinin daha soyut bir temsilini olu\u015fturabildi\u011fini belirtmi\u015ftik. Tabi ki insan zihninin s\u0131rlar\u0131n\u0131 \u00e7\u00f6zm\u00fc\u015f, beynin i\u015fleyi\u015fini tamam\u0131yla anlam\u0131\u015f de\u011filiz, ama \u015fu yayg\u0131n bir kan\u0131; derin \u00f6\u011frenme yakla\u015f\u0131m\u0131 ile ilk defa beyinde ger\u00e7ekle\u015fen s\u00fcre\u00e7lerle paralel bir yakla\u015f\u0131m geli\u015ftirmi\u015f olabiliriz. Bu sadece bir tahmin de\u011fil, pratik alanda da derin \u00f6\u011frenme yakla\u015f\u0131m\u0131 ile ger\u00e7ekle\u015ftirilen g\u00f6r\u00fcnt\u00fc i\u015fleme ve do\u011fal dil i\u015fleme uygulamalar\u0131n\u0131n performans\u0131, bu alanlardaki klasik yakla\u015f\u0131m ve algoritmalar\u0131n performans\u0131n\u0131 net bir bi\u00e7imde a\u015fm\u0131\u015f durumda.<\/p>\n

\"\"
Deep Mind grubunun Go oyununa uygulad\u0131\u011f\u0131 yakla\u015f\u0131m bir tak\u0131m klasik arama metotlar\u0131 ile zenginle\u015ftirilince d\u00fcnyan\u0131n en iyi oyuncusu kabul edilen Lee Sedol\u2019\u00fc yenebilecek d\u00fczeye \u00e7\u0131k\u0131lm\u0131\u015f oldu.<\/figcaption><\/figure>\n

AlphaGo derin \u00f6\u011frenince\u2026 <\/strong><\/p>\n

Deep Mind grubunun Go oyununa uygulad\u0131\u011f\u0131 yakla\u015f\u0131m tam da yukar\u0131da anlat\u0131lan s\u00fcre\u00e7leri i\u00e7ermekte. Ara\u015ft\u0131rma grubu ilk a\u015famada yakla\u015f\u0131k 30 milyon farkl\u0131 Go oyun konfig\u00fcrasyonu kullanarak 13 katmana sahip bir derin sinir a\u011f\u0131n\u0131 e\u011fitiyor. Her bir Go durumu sinir a\u011f\u0131na 19×19 pikselden olu\u015fan bir resim \u015feklinde sunuluyor. Yukar\u0131da s\u00f6z edildi\u011fi gibi bu ilk a\u015fama sistemin herhangi bir Go konfig\u00fcrasyonu verildi\u011finde bir \u015fekilde bu konfig\u00fcrasyonun soyut bir temsilini kurmas\u0131n\u0131 sa\u011flamakta. Sonraki a\u015famada ise program\u0131n kendi kendine ve di\u011fer Go programlar\u0131yla yapt\u0131\u011f\u0131 ma\u00e7larda ortaya \u00e7\u0131kan hamleler kullan\u0131larak ger\u00e7ekle\u015ftirilen destekli (reinforcement) \u00f6\u011frenme s\u00fcreci ile sistem iyi bir Go oyuncusu olmak i\u00e7in gerekli stratejileri \u00f6\u011freniyor. (6) Olu\u015fturulan bu temel sistem bir tak\u0131m klasik arama metotlar\u0131 ile zenginle\u015ftirilince de vasat bir Go oyuncusu pozisyonundan d\u00fcnyan\u0131n en iyi oyuncusu kabul edilen Lee Sedol\u2019\u00fc yenebilecek d\u00fczeye \u00e7\u0131k\u0131lm\u0131\u015f oldu.<\/p>\n

Elde edilen ba\u015far\u0131 yapay zeka alan\u0131 i\u00e7in birka\u00e7 a\u00e7\u0131dan \u00f6nem ta\u015f\u0131makta. \u00d6ncelikle Go oyunu gibi yapay zeka alan\u0131 i\u00e7in meydan okuyucu bir karaktere sahip bir problem ba\u015far\u0131 ile \u00e7\u00f6z\u00fclm\u00fc\u015f oldu. Ayr\u0131ca oyun programlar\u0131 asl\u0131nda sadece oyun programlar\u0131 de\u011fildir. Bu alanda kullan\u0131lan yakla\u015f\u0131m ve \u00e7\u00f6z\u00fcmler k\u0131sa s\u00fcrede ba\u015fka end\u00fcstriyel problemlerin \u00e7\u00f6z\u00fcm\u00fc i\u00e7in de kullan\u0131lagelmi\u015ftir. Bu nedenle derin \u00f6\u011frenme ile oyun alan\u0131nda elde edilen bu ba\u015far\u0131n\u0131n etkilerini \u00f6n\u00fcm\u00fczdeki y\u0131llarda ba\u015fka alanlarda da g\u00f6rmemiz muhtemel. Ama belki de en \u00f6nemlisi AlphaGo program\u0131 Lee Sedol\u2019\u00fc yenerken, Kasparov\u2019u yenen Deep Blue program\u0131na g\u00f6re binlerce kez daha az pozisyonu inceliyordu. Bu da AlphaGo program\u0131n\u0131n insan\u0131n oyun oynama s\u00fcre\u00e7lerine daha benzer bir \u015fekilde davranabildi\u011fini ve insan zihninde ger\u00e7ekle\u015fen s\u00fcre\u00e7lere benzer i\u015flemlerin belki de ilk defa derin \u00f6\u011frenme yakla\u015f\u0131m\u0131 ile bilgisayar haf\u0131zas\u0131nda da ger\u00e7ekle\u015ftirilebildi\u011fini \u00f6ne s\u00fcrmemiz i\u00e7in bize destek sa\u011flamakta.<\/p>\n

Dipnotlar<\/strong><\/p>\n

1) Tom Standage, \u201cThe Turk: The Life and Times of the Famous Eighteenth-Century Chess-Playing Machine\u201d, New York: Walker, 2002, 22\u201323.<\/p>\n

2) Judea Pearl, \u201cHeuristics\u201d, Addison-Wesley, 1984.<\/p>\n

3) Bengio, Yoshua, \u201cHata! K\u00f6pr\u00fc ba\u015fvurusu ge\u00e7erli de\u011fil\u201d, Foundations and Trends in Machine Learning 2 (1): 1-127, 2009.<\/p>\n

4) Hubel, D. H. and T. N. Wiesel, \u201cBrain and Visual Perception: The Story of a 25-Year Collaboration\u201d, Oxford University Press, 2004.<\/p>\n

5) Q. Le, M. Ranzato, R. Monga, M. Devin, K. Chen, G. Corrado, J. Dean, and A. Ng. \u201cBuilding high-level features using large scale unsupervised learning\u201d, In International Conference on Machine Learning, 2012<\/p>\n

6) David Silver, Aja Huang, Chris J. Maddison, Arthur Guez, Laurent Sifre, George van den Driessche, Julian Schrittwieser, Ioannis Antonoglou, Veda Panneershelvam, Marc Lanctot, Sander Dieleman, Dominik Grewe, John Nham, Nal Kalchbrenner, Ilya Sutskever, Timothy Lillicrap, Madeleine Leach, Koray Kavukcuoglu, Thore Graepel, Demis Hassabis. \u201cMastering the game of Go with deep neural networks and tree search\u201d. Nature, Vol. 529, No. 7587. (28 January 2016), pp. 484-489.<\/p>\n","protected":false},"excerpt":{"rendered":"

AlphaGo program\u0131 Lee Sedol\u2019\u00fc yenerken, Kasparov\u2019u yenen Deep Blue program\u0131na g\u00f6re binlerce kez daha az pozisyonu inceliyordu. Bu da AlphaGo program\u0131n\u0131n insan\u0131n oyun oynama s\u00fcre\u00e7lerine daha benzer bir \u015fekilde davranabildi\u011fini ve insan zihninde ger\u00e7ekle\u015fen s\u00fcre\u00e7lere benzer i\u015flemlerin belki de ilk defa derin \u00f6\u011frenme yakla\u015f\u0131m\u0131 ile bilgisayar haf\u0131zas\u0131nda da ger\u00e7ekle\u015ftirilebildi\u011fini \u00f6ne s\u00fcrebiliriz. 1997 y\u0131l\u0131nda \u201cDeep Blue\u201d […]<\/p>\n","protected":false},"author":905,"featured_media":15214,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[186,453,1464,31],"tags":[254,255,1756,434,400],"class_list":["post-15213","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-149-sayi","category-bilisim","category-dosya","category-teknoloji","tag-beyin","tag-bilgisayar","tag-derin-ogrenme","tag-oyun","tag-yapay-zeka"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t