Araştırma Makalesi
BibTex RIS Kaynak Göster

An Application on Estimating of The Active Users Number with Artificial Neural Networks

Yıl 2020, Cilt: 3 Sayı: 2, 8 - 14, 30.12.2020

Öz

Artificial neural networks have nonlinear structures, therefore they are used in many areas such as engineering, defense industry, data analysis, where such problems are frequently involved. Since artificial neural networks are non-linear structures, they offer more accurate solutions in the solution of real-life examples that are clogged in solving computers. Recently, there has been a significant increase in the number of users playing games on the international network through game providers, regardless of age. With this increase, an increase is observed in game providers. However, for these providers to survive financially, the number of active players using the games they offer is important. Developed by Valve Corporation, Steam is a digital distribution, digital rights management, multiplayer gameplay and communication platform. It is used for the wide distribution of games and the distribution of the multimedia associated with them over the internet. In this study, the general number of active users of Steam is estimated by artificial neural networks over the number of active users in the specified hours of the 5 games selected from the games it offers. In the prediction application, NnTool developed for the artificial neural networks of the Matlab application was used in the training of the artificial neural network we designed.

Kaynakça

  • [1] Turing, A. M. (1936). On computable numbers, with an application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, Series 2, 41, 230–267.
  • [2] Zurada, J. M. (1992). Introduction to artificial neural systems (Vol. 8). St. Paul: West.
  • [3] Gurney, K.(1997). Introduction to Neural Networks. Routledge.
  • [4] Haykin, S(1998). Neural Networks: A Comprehensive Foundation, Prentice Hall.
  • [5] Champandard, A. (2002). The Dark Art of Neural Networks. AI Game Programming Wisdom, pp 640-651, Charles River Media.
  • [6] Sweetser, P. (2004). How to Build Neural Networks for Games. AI Game Programming Wisdom II, pp 615-625, Charles River Media.
  • [7] McGlinchey, S. (2003). Learning of AI Players from Game Observation Data. GAME-ON 2003, 4th International Conference on Intelligent Games and Simulation, pp. 106- 110, Nov.2003.
  • [8] Chang, T. S. (2011). A comparative study of artificial neural networks, and decision trees for digital game content stocks price prediction. Expert systems with applications, 38(12), 14846-14851.
  • [9]Sağıroğlu, Ş., Beşdok, E. ve Erler, M. (2003). Mühendislikte Yapay Zeka Uygulamaları I Yapay Sinir Ağları, Ufuk Kitap Kırtasiye-Yayıncılık Tic. Ltd. Şti., Kayseri.
  • [10] Öztemel, E. (2003). Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul
  • [11] Kohonen, T. (2001). Learning vector quantization. In Self-organizing maps (pp. 245-261). Springer, Berlin, Heidelberg.
  • [12] “Steam ve oyun istatistikleri” Erişim adresi: https://store.steampowered.com/stats/?l=turkish. Son erişim Tarihi: 16.06.2020
  • [13] Khademi, F., Akbari, M., Jamal, S. M., & Nikoo, M. (2017). Multiple linear regression, artificial neural network, and fuzzy logic prediction of 28 days compressive strength of concrete. Frontiers of Structural and Civil Engineering, 11(1), 90-99.
  • [14] Khademi, F., Jamal, S. M., Deshpande, N., & Londhe, S. (2016). Predicting strength of recycled aggregate concrete using artificial neural network, adaptive neuro-fuzzy inference system and multiple linear regression. International Journal of Sustainable Built Environment, 5(2), 355-369.
  • [15] Shams, S. R., Jahani, A., Moeinaddini, M., & Khorasani, N. (2020). Air carbon monoxide forecasting using an artificial neural network in comparison with multiple regression. Modeling Earth Systems and Environment, 6(3), 1467-1475.
  • [16] Öztürk, P., Alisoy, H. & Mutlu, R. (2019). Yapay Sinir Ağları Kullanarak İkili ve Üçlü Büküm Makinaların Ürettiği CAT 6A U/FTP Kabloların Parametrelerinin Tahmini ve Tahmin Edilen Sonuçların Karşılaştırılması, European Journal of Engineering and Applied Sciences, vol. 2, pp. 41-51.
  • [17] Chandar, K. R., Sastry, V. R., & Hegde, C. (2017). A critical comparison of regression models and artificial neural networks to predict ground vibrations. Geotechnical and geological engineering, 35(2), 573-583.
  • [18] Yokoyama, M., Koyama, R., & Yanagisawa, M. (2017). An evaluation of hand-force prediction using artificial neural-network regression models of surface EMG signals for handwear devices. Journal of Sensors, 2017.

Yapay Sinir Ağları ile Aktif Kullanıcı Sayısı Tahmini Üzerine Bir Uygulama

Yıl 2020, Cilt: 3 Sayı: 2, 8 - 14, 30.12.2020

Öz

Yapay sinir ağları, doğrusal olmayan yapılara sahiptir. Dolayısıyla bu tip problemlerin sıkça yer aldığı mühendislik, savunma, sanayi, veri analizi gibi birçok alanda kullanılmaktadır. Yapay sinir ağları lineer olmayan yapılar olduğundan bilgisayarların çözümünde tıkandığı gerçek yaşamdan alınan örneklerin çözümünde daha doğru çözümler sunmaktadır. Son zamanlarda yaş gözetmeksizin uluslararası ağ üzerinden oyun sağlayıcılar vasıtasıyla oyun oynayan kullanıcılar sayısında belirgin artış gözlenmektedir. Bu artış ile oyun sağlayıcılarında da artış gözlenmektedir. Ancak bu sağlayıcıların finansal açıdan ayakta kalabilmesi için sundukları oyunları kullanan aktif oyuncuların sayısı önem arz etmektedir. Valve Corporation tarafından geliştirilen Steam, bir dijital dağıtım, dijital hak yönetimi, çok oyunculu oynayış ve iletişim sunan platformdur. Oyunların geniş çapta dağıtımı ve onlarla ilgili çoklu ortamların tamamen internet ağı üzerinden yayılımı için kullanılmaktadır. Bu çalışmada, Steam’in genel aktif kullanıcı sayısı, sunduğu oyunlardan seçilen 5 oyunun bir gündeki belirlenen saatlerdeki aktif kullanıcı sayısı üzerinden yapay sinir ağları ile tahmin edilmektedir. Tahmin uygulamasında, tasarladığımız yapay sinir ağ yapısının eğitiminde MATLAB uygulamasının yapay sinir ağları için geliştirilmiş olan NNTool kullanılmıştır.

Kaynakça

  • [1] Turing, A. M. (1936). On computable numbers, with an application to the Entscheidungsproblem. Proceedings of the London Mathematical Society, Series 2, 41, 230–267.
  • [2] Zurada, J. M. (1992). Introduction to artificial neural systems (Vol. 8). St. Paul: West.
  • [3] Gurney, K.(1997). Introduction to Neural Networks. Routledge.
  • [4] Haykin, S(1998). Neural Networks: A Comprehensive Foundation, Prentice Hall.
  • [5] Champandard, A. (2002). The Dark Art of Neural Networks. AI Game Programming Wisdom, pp 640-651, Charles River Media.
  • [6] Sweetser, P. (2004). How to Build Neural Networks for Games. AI Game Programming Wisdom II, pp 615-625, Charles River Media.
  • [7] McGlinchey, S. (2003). Learning of AI Players from Game Observation Data. GAME-ON 2003, 4th International Conference on Intelligent Games and Simulation, pp. 106- 110, Nov.2003.
  • [8] Chang, T. S. (2011). A comparative study of artificial neural networks, and decision trees for digital game content stocks price prediction. Expert systems with applications, 38(12), 14846-14851.
  • [9]Sağıroğlu, Ş., Beşdok, E. ve Erler, M. (2003). Mühendislikte Yapay Zeka Uygulamaları I Yapay Sinir Ağları, Ufuk Kitap Kırtasiye-Yayıncılık Tic. Ltd. Şti., Kayseri.
  • [10] Öztemel, E. (2003). Yapay Sinir Ağları. Papatya Yayıncılık, İstanbul
  • [11] Kohonen, T. (2001). Learning vector quantization. In Self-organizing maps (pp. 245-261). Springer, Berlin, Heidelberg.
  • [12] “Steam ve oyun istatistikleri” Erişim adresi: https://store.steampowered.com/stats/?l=turkish. Son erişim Tarihi: 16.06.2020
  • [13] Khademi, F., Akbari, M., Jamal, S. M., & Nikoo, M. (2017). Multiple linear regression, artificial neural network, and fuzzy logic prediction of 28 days compressive strength of concrete. Frontiers of Structural and Civil Engineering, 11(1), 90-99.
  • [14] Khademi, F., Jamal, S. M., Deshpande, N., & Londhe, S. (2016). Predicting strength of recycled aggregate concrete using artificial neural network, adaptive neuro-fuzzy inference system and multiple linear regression. International Journal of Sustainable Built Environment, 5(2), 355-369.
  • [15] Shams, S. R., Jahani, A., Moeinaddini, M., & Khorasani, N. (2020). Air carbon monoxide forecasting using an artificial neural network in comparison with multiple regression. Modeling Earth Systems and Environment, 6(3), 1467-1475.
  • [16] Öztürk, P., Alisoy, H. & Mutlu, R. (2019). Yapay Sinir Ağları Kullanarak İkili ve Üçlü Büküm Makinaların Ürettiği CAT 6A U/FTP Kabloların Parametrelerinin Tahmini ve Tahmin Edilen Sonuçların Karşılaştırılması, European Journal of Engineering and Applied Sciences, vol. 2, pp. 41-51.
  • [17] Chandar, K. R., Sastry, V. R., & Hegde, C. (2017). A critical comparison of regression models and artificial neural networks to predict ground vibrations. Geotechnical and geological engineering, 35(2), 573-583.
  • [18] Yokoyama, M., Koyama, R., & Yanagisawa, M. (2017). An evaluation of hand-force prediction using artificial neural-network regression models of surface EMG signals for handwear devices. Journal of Sensors, 2017.
Toplam 18 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Araştırma Makaleleri
Yazarlar

Nurkut Nuray Urgan 0000-0002-8691-4692

Mücahit Tamgöz Bu kişi benim

Yayımlanma Tarihi 30 Aralık 2020
Gönderilme Tarihi 23 Ekim 2020
Yayımlandığı Sayı Yıl 2020 Cilt: 3 Sayı: 2