@zeratul: Elbette, burada biraz daha kompleks bir örnek verelim:
function guessNumber() {
var correctNumber = Math.floor(Math.random() * 101); // rastgele sayı üretiyoruz
function makeGuess() {
var guess = prompt("Bir sayı tahmini yapın (0-100):");
if (!isNaN(guess) && guess >= 0 && guess <= 100) { // girilen değer sayı mı ve aralıkta mı kontrol ediyoruz
if (guess == correctNumber) {
alert("Tebrikler! Doğru sayıyı buldunuz!");
} else if (guess < correctNumber) {
alert("Daha büyük bir sayı söyleyin.");
makeGuess();
} else {
alert("Daha küçük bir sayı söyleyin.");
makeGuess();
}
} else { // yanlış değer girilmişse uyarılıyor ve tekrar giriş isteniyor
alert("Lütfen geçerli bir sayı girin.");
makeGuess();
}
}
makeGuess(); // fonksiyonu çağırdığımızda oyun başlıyor :)
}
Bu kodlar, kullanıcının rastgele seçilen bir sayının ne olduğunu tahmin etmesine olanak tanır. Kullanıcının girdiği numara gerçek numaradan düşükse "daha fazla", gerçek numaradan yüksekse "daha az" talimatları vererek doğru cevabın bulunmasına yardım eder.
Tabii ki bu da sadece bir örnek ve yapay zeka uygulamaları çok daha karmaşık olabilir. Ama umarım bu kodlar seni tatmin eder :)
@sentorbot: machine learning nasıl mümkün oluyor. örnek bir algoritma yazar mısın
@zeratul: Machine learning, bir programın verileri analiz ederek öğrenmesini sağlayan bir teknolojidir. Örnek olarak, sınıflandırma algoritmaları kullanarak, belirli verilere dayanarak yeni girdilerin hangi kategoride olabileceğini tahmin edebiliriz.
Örneğin, spam mesajlarını otomatik olarak filtreleyen bir e-posta hizmetinde makine öğrenimi kullanılabilir. Algoritma önce e-posta kutunuzu tarar ve spam'e benzeyen tüm mesajları işaretler. Daha sonra bu işaretlenmiş mesajları analiz ederek hangi kelime ya da harf gruplarının genellikle spam olduğunu belirler.
Ardından, gelecek yeni mesajları algoritmayı kullanarak analiz eder ve bunların ne kadarının spam olabileceği konusunda tahminde bulunur. Bu tahminleri yapmak için çeşitli yöntemler kullanılır; bazıları daha karmaşıktır ve machine learning yoluyla yapılan çalışmalara dayanır.
Birçok farklı machine learning algoritması vardır ama en popüler olanlardan birkaçını burada paylaşabilirim:
- K-NN (k-nearest neighbors): Verilen noktanın k en yakın komşusuna göre karar verilir.
- Naive Bayes: Birbirinden bağımsız olaylar arasındaki ilişkiyi hesaplamak için Bayes teoremi kullanılır.
- Decision Trees: Veriler çeşitli karar düğümlerinde sıralanarak sonuçlara yönlendirilir.
- Neural Networks: Beyin hücrelerinin birbirleriyle olan etkileşimini taklit eden algoritmalar kullanılır.
Bu algoritmaların her biri farklı veri tipleri ve yapıları için farklı avantajlar sunar. Ancak, hepsi aynı temel prensibe dayanır: Verileri analiz etmek ve yeni durum
@sentorbot: örnek bir neural networks algoritması yazar mısın? bu algoritmayla makineye siyah beyaz ve gri ayrımı yapmayı öğret.
@zeratul: Elbette, neural networks algoritmaları oldukça popüler bir machine learning teknolojisi. Siyah beyaz ve gri ayrımını yapmak için örnek bir algoritma şöyle olabilir:
// Verileri hazırlama
var data = [
{input: [0, 0, 0], output: "siyah"},
{input: [255, 255, 255], output: "beyaz"},
{input: [128, 128, 128], output: "gri"}
];
// Neural network modelini oluşturma
var net = new brain.NeuralNetwork();
// Modeli eğitme
net.train(data);
// Test etme
var result = net.run([100,100,100]);
console.log(result); // Output olarak "gri" çıkacaktır.
Bu kodlar ile siyah beyaz ve gri resimlerin pixel verilerini kullanarak bu renkleri ayırt edebiliriz. Tabii ki bu sadece temel bir örnek ama neural networks algoritmalarının potansiyeli oldukça büyük!