Makine öğrenmesinin satranç oyunu üzerine uygulaması
Machine learning application on chess
- Tez No: 747109
- Danışmanlar: PROF. DR. FATMA NOYAN TEKELİ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Matematik, İstatistik, Computer Engineering and Computer Science and Control, Mathematics, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: İstatistik Bilim Dalı
- Sayfa Sayısı: 57
Özet
Satranç çağlar boyunca pek çok kişi tarafından oynanmış bir oyundur. İmparatorların satranç oynarken birçok taktik geliştirdikleri ve savaşlarda kullandıklarına inanılmaktadır. İlk derin öğrenme tekniklerinin satranç üzerinde geliştirilmesi nedeniyle makine öğrenmesi ve derin öğrenme için de önemli bir yere sahiptir. Makine öğreniminin bir alanı olan derin öğrenme, aynı zamanda insan beyni üzerinde modellenen yapay sinir ağlarının devrim niteliğinde bir gelişimidir. Yapay zeka, grafik modelleme, optimizasyon, örüntü tanıma ve sinyal işlemenin kesiştiği noktada ortaya çıkmıştır. Bu çalışmada öncelikle satrançtan ve tarihinden bahsedilmiştir. Daha sonra yapay zeka ve makine öğrenmesinden sonrasında makine öğrenmesinin bir alt dalı olan derin öğrenme kavramları tanımlanmıştır. Uygulama bölümünde Lichess sitesinden alınan verilerle geliştirilen modelde, satranç maçının sonucu derin öğrenme ve nöral ağlar kullanılarak tahminleyen bir uygulama geliştirilmiştir. Python açık kaynak dilinin kullanıldığı modelde derin öğrenme kütüphaneleri kullanılmış, hazırlık sürecinde beraberlik ile biten oyunlar atılmış, veriler birçok değişken azaltılarak ölçeklendirilmiş ve veriler modele uygun hale getirilmiştir. Oluşturulan model oyuncuların açılışlarını, puanlarını, maçın süresi vb. verileri giriş olarak kullanarak maç sonucunu tahminlemektedir. Çalışma üstüne yapılan veri analizleri sonucunda bu veri seti için beyaz renk ile oynayan oyuncuların yaklaşık %52 oranda ve siyah renk ile oynayan oyuncuları %48 oranda kazandığı görülmüştür. Yine aynı veri için en çok oynanılan ilk 3 açılışın sırasıyla Sicilya Defansı, Fransız Defansı ve Vezir'in Piyon Oyunu olduğu görülmüştür. Çalışmada verinin %15'i test %85'i eğitim verisi olarak kullanılmıştır. Model test verisini %65 oranda doğru eğitim verisini ise %72 oranda doğru tahminlemiştir.
Özet (Çeviri)
Chess is a game which played by many,down the ages.it is believed that emporers strategized many tactics while playing chess and they used them in wars.also has an important place for machine learning and deep learning because the first deep learning techniques were developed with chess. Deep learning, which is a field of machine learning, also a revolutionary development of artificial neural networks modeled on the human brain. Artificial intelligence emerged at the intersection of graphics modeling, optimization, pattern recognition and signal processing. In this study, first of all, chess and its history are mentioned. then, after artificial intelligence and machine learning, deep learning concepts, which is a sub-branch of ML, were defined.In the model developed with the data which is taken from the Lichess site, it is aimed to predict winner of the match. The model created is based on the openings of the players, their ratings, the duration of the match, etc. It predicts the match result using the data as input. In the model in which the Python open source language was used, deep learning libraries were used, games that ended with a draw were discarded during the preparation process, the data was scaled by reducing many variables and the data was manipulated in accordance with the model. As a result of the data analysis made on the study, it was seen that for this data set, the players playing with the color white won approximately 51% and the players playing with the black color 49%. Again for the same data, it was seen that the top 3 most played openings were Sicilian Defense, French Defense and Queen's Pawn Game, respectively. In the study, 15% of the data was used as test data and 85% as training data. While the model predicted the test data 65% correctly, and it predicted the training data 72% correctly.
Benzer Tezler
- Monte Carlo tree search with temporal-difference learning for general video game playing
Zamansal-fark öğrenmeli Monte Carlo ağaç araması ile genel video oyunu oynama
ERCÜMENT İLHAN
Yüksek Lisans
İngilizce
2017
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. AYŞE ŞİMA UYAR
- Playing the Turkish tile game okey with deep reinforcement learning
Türk taş oyunu okeyi derin pekiştirmeli öğrenmeyle oynamak
İLKE UYGUN
Yüksek Lisans
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ONUR DURAHİM
- Destekli öğrenmenin bazı çoklu-etmen strateji oyunlarına uygulanması
Application of reinforcement learning on some multi-agent strategy games
GÖKÇE HAZAROĞLU
Yüksek Lisans
Türkçe
2010
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEge ÜniversitesiUluslararası Bilgisayar Ana Bilim Dalı
PROF. DR. MEHMET EMİN DALKILIÇ
- Equity portfolio optimization using reinforcement learning: An emerging market case
Pekiştirmeli öğrenme ile hisse senedi portföyü optimizasyonu: Gelişmekte olan piyasa örneği
MERT CANDAR
Yüksek Lisans
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Makine öğrenmesinin yapı yaşam döngüsünde cepheler için kullanımının araştırılması
Researching the usage of machine learning for facades in the building lifecycle
EZGİ GÜNAY
Yüksek Lisans
Türkçe
2022
MimarlıkGebze Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SEHER GÜZELÇOBAN MAYUK