PVML: Evaluating multiplayer feeling of machine learning agents
PVML: Farklı makine öğrenmesi modellerinin çok oyunculu oyunlardaki hissiyatı
- Tez No: 717340
- Danışmanlar: DR. ÖĞR. ÜYESİ MEHMET İLKER BERKMAN
- Tez Türü: Yüksek Lisans
- Konular: İletişim Bilimleri, Communication Sciences
- Anahtar Kelimeler: Bilgisayar oyunları, Deneyim, Makine öğrenmesi, Oyunlar, Pekiştirme, Video oyunları, Yapay zeka, İmitasyon, Computer games, Experience, Machine learning, Plays, Intensification, Video games, Artificial intelligence, Imitation
- Yıl: 2021
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Oyun Tasarımı Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmanın amacı, oyuncuların farklı makine öğrenmesi tekniğiyle eğitilen yapay zeka ajanlarını, çoklu oyunculu bir oyun düzeneği üzerinden değerlendirmektir. Deney oyuncuları eşit iki gruba ayrılmış ve ilk gruba pekiştirmeli öğrenme, ikinci gruba da taklitçi öğrenme metoduyla geliştirilmiş rakip oyuncu sunulmuştur. Deneyi takiben yapılan anket iki bölümden oluşmaktadır. Birinci bölüm deneklerin oyunu kazanıp kazanmadığını ve rakibin insansı hissiyatını ölçülürken, ikinci bölümde Oyun Deneyimi Anketi'nin çekirdek modülü sunuldu. Birinci, yani pekiştirmeli öğrenme metoduyla geliştirilmiş rakibe karşı oynayan grup, daha fazla maç kazandı ve iki grup da aynı oranda rakibin insan olduğu düşündü. Oyun Deneyimi Anketi'nde de birinci grup katılımcıları kendilerini daha az rekabetçi hissedip, daha fazla gerilim yaşadığını belirtti.
Özet (Çeviri)
The aim of this research is to investigate how players perceive machine learning agents in a multiplayer game setting and to distinguish the effect of fake multiplayer experience where the player plays against two types of artificial intelligence agents known as bots. There are currently studies about machine learning algorithms and application of machine learning agents into digital games. This research investigates the differences between two types of machine learning approaches, reinforcement learning and imitation learning, in a realtime multiplayer game setting. Participants were separated into two groups to play against one of the machine learning agents. Post game questionnaire includes an independent question about the human feeling of the opponent, and the rest being the core module of Game Experience Questionnaire (GEQ).
Benzer Tezler
- Hepatik vasküler(Hepatik arteryal,venöz ve portal venöz) varyasyonların çok kesitli BT ile değerlendirilmesi
Evaluation of hepatic vascular (Hepatic arterial and venous, portal venous) variations by means of multislice computed tomographic scanning
ESİN CIBIROĞLU
Tıpta Uzmanlık
Türkçe
2014
Radyoloji ve Nükleer TıpMarmara ÜniversitesiZootekni Bölümü
PROF. DR. DAVUT TÜNEY
- Kısmi gölgelemenin ve arıza durumlarının güneş panellerinin verimliliğine etkisinin regresyon tabanlı makine öğrenmesi yöntemleriyle analizi
Machine learning-based regression analysis of solar panels efficiency under partial shading and fault conditions
SHUHRATJON MANSUROV
Yüksek Lisans
Türkçe
2026
Elektrik ve Elektronik MühendisliğiDicle ÜniversitesiYenilenebilir Enerji Kaynakları Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ YILDIRIM ÖZÜPAK
DR. ÖĞR. ÜYESİ EMRAH ASLAN
- Prostat kanserinde manyetik rezonans görüntüleme tabanlı risk hesaplayıcılarının kıyaslanması
Comparison of magnetic resonance imaging-based risk calculators in prostate cancer
BURAK TÜFEKCİ
Tıpta Uzmanlık
Türkçe
2025
Ürolojiİstanbul Medeniyet ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. ASIF YILDIRIM
DR. ÖZGÜR ARIKAN
- Aüss/bph hastalarında Qmax, Pvr, Ipss parametrelerinin postoperatif yarar ile ilişkilerinin araştırılması
Research on the postoperative benefit of Qmax, Pvr, Ipss parameters in Luts / Bph patients
KASIM EMRE ERGÜN
- Türkiye enerji piyasasının makine öğrenmesi uygulamasıyla düşük-karbon salımına geçişte ajan temelli modellenmesi
Turkish energy market agent-based modeling for low-carbon transition with machine learning application
BURAK GÖKÇE
Doktora
Türkçe
2026
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilimi ve Teknolojileri Ana Bilim Dalı
PROF. DR. GÜLGÜN KAYAKUTLU