Taş-Kağıt-Makas AI
Oyun Teorisi ve Makine Öğrenmesi - Nash Dengesi, Desen Tanıma ve Uyarlanabilir Stratejiler
İnsan vs AI
AI vs AI
Turnuva
AI Strateji Seçimi
Rastgele
Temel strateji
Sıklık Sayacı
Rakip desenlerini takip eder
Desen Eşleştirici
Dizileri tespit eder
Pişmanlık Eşleştirme
Hatalardan öğrenir
Markov Zinciri
Tahminsel modelleme
Meta-Öğrenici
Strateji değiştirme
Nash Dengesi
Teorik optimal
Bayesçi
Olasılıksal çıkarım
AI vs AI Savaşı
AI 1: Rastgele
AI 1: Sıklık
AI 1: Desen
AI 1: Pişmanlık
AI 1: Markov
AI 1: Meta
AI 1: Nash
AI 1: Bayesçi
AI 2: Rastgele
AI 2: Sıklık
AI 2: Desen
AI 2: Pişmanlık
AI 2: Markov
AI 2: Meta
AI 2: Nash
AI 2: Bayesçi
AI Savaşı Başlat (100 el)
Hamlenizi Yapın
✊
Taş
✋
Kağıt
✌️
Makas
0%
Kazanma Oranı
0
Toplam Oyun
0
AI Kazançları
0
İnsan Kazançları
0
Beraberlikler
Strateji Performans Karşılaştırması
0%
Rastgele
0%
Sıklık
0%
Desen
0%
Pişmanlık
0%
Markov
0%
Meta
0%
Nash
0%
Bayesçi
Öğrenme Hedefleri
🎯
Nash Dengesi:
Rastgele oyunun (1/3, 1/3, 1/3) neden teorik olarak optimal olduğunu anlama
🧠
Desen Tanıma:
AI'nin insan desenlerini nasıl tespit ettiğini ve kullandığını öğrenme
📊
Sıklık Analizi:
İstatistiksel takibin tahminleri nasıl iyileştirdiğini görme
🔄
Pişmanlık Minimizasyonu:
Hatalardan öğrenme algoritmalarını anlama
⛓️
Markov Zincirleri:
Geçiş olasılıkları ile tahminsel modelleme keşfetme
🧩
Meta-Öğrenme:
AI'nin stratejiler arasında nasıl geçiş yapabildiğini keşfetme
📈
Bayesçi Çıkarım:
Olasılıksal akıl yürütmeyi oyun teorisine uygulama
🎮
Oyun Teorisi:
Karışık stratejiler, denge kavramları ve stratejik düşünme