Son Aramalarınız TEMİZLE
    Genel Hızlı Tercihler Sıfırla
    Header'ı Tuttur
    Header'da Teknoloji Gündemi
    Anasayfa
    Büyük Slayt ve Popüler Haberler
    Döşeme Stili Ana Akış
    Kaydırarak Daha Fazla İçerik Yükle
    İçerikleri Yeni Sekmede Aç
    Detay Sayfaları
    Kaydırarak Sonraki Habere Geçiş
    Renk Seçenekleri
    Gece Modu (Koyu Tema)
    Sadece Videolar için Gece Modu
    Anlık Bildirim

    IBM’in derin öğrenme yazılımı bir ilki gerçekleştirdi

    Son yılların popüler konularından yapay zeka gün geçtikçe daha şaşırtıcı sonuçlar elde ediyor. IBM’ın geliştirdiği yazılım diğerlerine nazaran daha yüksek bir oranda doğruluk vadediyor.
    3 yıl
    4,4b
    1
    9
    Diğer Yazılım
    Abone ol
    Yazar

     
    Günümüzde yapay zeka teknolojileri bir hayli hızlı bir şekilde gelişim gösteriyor. Bununla birlikte daha fazla alanda hayatımıza girmeye devam ediyor. ABD’li teknoloji şirketi IBM’in derin öğrenme alanında geliştirdiği yazılım da bu alanda ses getirecek cinsten.

    IBM’in geliştirdiği yazılım rapora göre 7.5 milyon görsel içeren ImageNet-22K veri kümesinde %33.8’lik bir doğruluk oranını yakalamayı başarmış. İlk bakışta yüksek olmayan bu değerin önemi ise daha önceki rekorla arasındaki fark. Microsoft tarafından kırılan bir önceki rekorun %29.8 seviyesinde olduğu düşünüldüğünde farkın %4 olduğu görülüyor ki bu değer daha önceki artışlarda yalnızca %1 sularındaydı.

    Yazılım darboğazı

    İlginizi Çekebilir Avatar Prof. Dr. Cem Say ile Yapay Zekâ Üzerine Konuştuk Derin öğrenmede hızlandırıcı olarak kullanılan GPU’lar aslında oldukça hızlı hatta aktarılanlara göre bu hızları nedeniyle çalışmalar daha da zorlaşmakta. Öyle ki kendisine atanan görevi tamamlayan kartlar arasında senkronizasyon eksikliği nedeniyle GPU’lar birbirinin işlerine geçebiliyorlar ve ortaya çıkan karmaşadan dolayı doğruluk oranı düşüyor. Haliyle işlemin verimi düşüyor. Bu nedenle burada ne tuhaftır ki yazılımın bir darboğazı söz konusu.
     
    IBM’in amacı ve başardığı nokta da buradaki senkronizasyonu daha iyi hale getirerek işlemin verimini arttırmak. DDL adı verilen çözüm sayesinde GPU’ların yönetiminde iyileştirme yapılmış ve bu sayede onlarca kartın yer aldığı sistemin işlediği görsellerde elde ettiği doğruluk oranı yükselmiş.
    Bununla birlikte yazılım sayesinde ResNet-101 nöral ağının eğitiminde de hızlanma sağlanmış. Microsoft’un çözümünün aynı ağda eğitilmesi 10 gün sürerken IBM’in çözümünün alışma süreci 7 saat içinde tamamlanmış.

    Rekora doymamışlar

    Bununla birlikte araştırmacılar yukarıda verilen alanlara ek olarak daha önce en iyi değerin Facebook’un yapay zeka araştırmaları sırasında elde edilen 256 GPU için en iyi keskinlik rekorunu da kırmışlar. FAIR adındaki Facebook projesi 1 saatlik test sonucunda daha küçük bir derin öğrenme modeli olan ResNet-50 üzerinde 1.3 milyon görsel içeren ImageNet-1K veri kümesinde çalışmış ve %89 doğruluk oranını yakalamış.

     
    IBM’in kurulumu ise aynı şartlarda %95 keskinliğe sahip bir sonucu sadece 50 dakikalık alıştırma sonucunda elde etmiş. Ek olarak Facebook’un Caffe2, IBM’in ise Torch yazılım kütüphaneleriyle çalıştığını da ekleyelim.

    IBM’in belirttiğine göre yeni yazılım Tensorflow, Caffe, Torch ve Chainer gibi popüler açık kaynak kodlu derin öğrenme sistemleriyle oldukça uyumlu çalışabiliyor. Son olarak firmaya göre yeni yazılımdan sağlık alanında da faydalanılabilecek. Örneğin çok sayıda kanser hücresinin bulunduğu bir görsel kümesinde hücrelerin teşhisi amaçlı kullanım mümkün olabilir.

    https://www.ibm.com/blogs/research/2017/08/distributed-deep-learning/ Yorum Yaz Bu haberi, mobil uygulamamızı kullanarak indirip,
    istediğiniz zaman (çevrim dışı bile) okuyabilirsiniz:
    DH Android Uygulamasını İndir DH iOS Uygulamasını İndir
    En Beğenilen Yorumlar Tümünü Genişlet Yorum Yaz
    Mephalay (Muhittin Damarli) 3 yıl (düzenlendi) en beğenilen Jon_Kar
    Satranc oynayan bir yapay zeka tasarliyorsun diyelim.

    Piyon buraya gelirse, sen boyle yapacaksin dersen bu makine ogrenmesi olmaz; ama basit bir yapay zeka tasarlamis olursun.

    Oynadigin oyunlari analiz et, durum analizi yap; her oyundan sonra eksiklerini cok cok minik gider ===> Seklinde tasarlarsan makine ogrenmesi algoritmasini tasarlamis olursun ama tamamlamis olmazsin. Cunku henuz ogrenecek altyapisi var, fakat ogrenecek yeterince veri yok. Surekli satranc oynayip her mactan sonra biraz daha ilerlemesi gerekiyor. ==> Iste bu makine ogrenmesi.



    Makine ogrenmesinde kullanilan bir cok teknik var, "supervized" ve "unsupervized" olmak uzere en temelde 2 ye ayrilir bu yontemler. Birisinde sen makineye "Bak bu gordugun rakam "8" dir diye ogretirsin. Zamanla makine "8" rakami ile "B" harfinin farkini surekli kendisini duzelterek ogrenir. Ayni bizim gibi. Ama bunu yapabilmesi icin basinda bir insanin ona yol gostermesi gerekir. Unsupervised learning de makine gordugu paternleri kendisi yorumlar. Ornegin turkiyedeki elektrik kullanimini analiz eden bir projede basit bir yapay zeka ve makine ogrenimi algoritmasi gelistirmistik; supheli "kacak elektrik" kullanimini ayirt edebiliyorduk. Bunu yaparken makineye "bak bu patern kacak elektrik paternidir" demiyorsun. Kendisi bir olguyu incelerken sira disi ve normun disinda kalan anomaliyi yakalayabilip kategorize edebiliyor. ===> Iste bu unsupervized metoda giriyor.



    Insan sinir sistemine benzer yapida tasarlanan bir sistem olan "yapay sinir aglari" da aslinda ( neural network ) bir makine ogrenimi teknigi. Bazi matematiksel katsayilar ve fonskiyonlar ile olusturdugun sisteme veri giris yaparak sistemin kendi kendisine ogrenmesini bekliyorsun. Ancak bunu yaparken de yanlislarindan ogrenmeleri mumkun oluyor. Ornegin Google Translate. Surekli ceviri yapiyor ancak bir yandan da yanlis cevirilerin kullanicilar tarafindan duzeltilmesi sayesinde bir seyler ogrenip kendini duzeltiyor. Iste bu yapay sinir aglarinin sadece ceviri yapmadigi, ceviri yaparken farkli seyleri de ogrenebildigi versiyonlari ( ornegin simultane ceviri sirasinda ses tonundan anlam cikarmak gibi. Ispanyolca gibi dillerde yalnizca kelimelere bakarak soru soruldugunu anlayamiyorsun bunu vurgu ile sagliyorlar; bizdeki gibi mi - mu soru eki yok ) "Derin ogrenme" oluyor; zira amac tek bir "bilinmeyeni" aydinlatmak degil. Aslinda Derin ogrenmek, Yapay Zeka-> Machine Learning -> Supervized Learning -> Neural Network -> Back Propagation -> Deep Learning gibi bir bilgisayar bilimi konsepti. Haber makalelerinde yazinca havali oldugu icin bunu surekli yazip duruyorlar.



    Yapay sinir aglari da boyle supersonik bir olgu degil; Ornegin senin telefonu acip acmamaya karar verme mekanizmani ele alalim. Bunu yaparken dikkate aldigin parametreler neler:

    1) Arayan kisi ===> A

    2) Telefonun ses durumu ( sessizde mi, sesi acik mi ) ====> B

    3) Telefonun calma suresi =====> C

    4) Zaman ( Haftanin hangi gunu ve saat kac ) =====> D

    5) Su anda yaptigin is ( araba mi suruyorsun, iste misin vs ) =====> E

    ...



    Tum bu bilinmeyenlerin basina bir katsayi uydur. Bu parametrelerin kucuk harf versiyonlari olsun. Bu basit ornekte senin telefonu acma fonksiyonun ( cok basitce yaziyorum ) aA + bB + cC + dD + eE olacak.

    Iste senin telefonuna yazdigin cok basit bir algoritmanin tek yaptigi, senin telefonun her caldiginda bu parametreleri inceleyip senin icin en dogru a,b,c,d,e katsayilarini belirlemek. Yeterince aramayi gozlemledikten sonra, telefonun seni arayan kisiye soyle bir mesaj atabilir aramadan once : "Jon Snow bu aramanizi %91 ihtimalle yanitlayamayacak. Isterseniz hic aramayin :) " . Iste bu, makine ogrenmesi.



    Bu konsept yeni bir sey degil, cok eskiden beri teorize ediliyor. Ancak bilgisayarlarin islem gucu cok ciddi seviyede arttigi icin ve artik neredeyse her dijital devre programlanabilir oldugu icin bu kadar hayatimizin icerisinde. Ornegin insanlarin her gun hareket etme paternlerini analiz edip ogrenen global bir algoritma olsa elimizde, yarin saat kacta nerede trafik olacak cok isabetli tahmin yapabiliriz. Ya da yarin konser verecek bir sanatcinin konserine katilim oranlarini bilebiliriz.



    Hatta cok bilim kurgu geliyor kulaga ama yeterince veri olsa elimizde, kimin kime zarar verecegini cok isabetli bir sekilde haftalar oncesinden bilebiliriz. Suclulari, daha henuz suc islenmemisken tespit edip adalet sisteminde paradoks olusturabiliriz : )
    Satranc oynayan bir yapay zeka tasarliyorsun diyelim. Piyon buraya gelirse, sen boyle yapacaksin dersen bu makine ogrenmesi olmaz; ama basit bir yapay ...
    Devamını Gör
    Yorumlar (5) Yorum Yaz Forumda Gör
    deoks 3 yıl
    Yok şu rekoru kırdı yok şunu başardı falan falan.. Ne zaman bana hastanede "bak şu işi artık yapay zeka yapacak senin yapmana gerek yok" derlerse o zaman gerçekten bu alanda bir gelişme var diyeceğim.
    yesil1026 (Mehmet Yeşilyurt) 3 yıl (düzenlendi)
    Temelde matematiksel istatistiğe, lineer cebire, fonksiyonların zincir kuralıyla türevinin alınmasına ve bir kayıp fonksiyonu belirlenmesine dayalı "pattern recognition" veya "örüntü tanıma" işine yarayan algoritmalar makine öğrenmesi sınıfına giriyor. Bunu sağlayan değişik yöntemler olmasıyla birlikte günümüzde artık yapay sinir ağları en öne geçmiş durumda. Yapay sinir ağları da katman katman ve her katmanda, genellikle programcının belirttiği sayıda yapay nöron içeren bir algoritma. Derin öğrenme ise bu katmanların sayısının 2'den fazla olduğu yapay sinir ağı ile öğrenme yöntemi. Resnet-101 mesela 101 katmanlı bir yapay sinir ağı. Örneğin resim tanıyan bir algoritma tasarlansın. İlk katman, giriş katmanı resimlerdeki pikseller, son katman ise bu piksellerden örneğin resimde "kedi" var bilgisini veren katman. Aralarda da hesaplamalar yapılıyor. Katmanlar arasındaki nöronlarda bağlantılar bulunuyor ve bu bağlantıların belirli bir sayı değeri bulunuyor. İlk başta çoğunlukla rasgele olarak belirleniyorlar. Daha sonra sisteme örnek resimler gösteriliyor. Resmin sonucunun ne olduğunun bilindiği "supervised learning" örnekleri. Mesela kedi resmi var ama bizim sinir ağımız köpek olarak tanıdı ise, yani yanlış tanıdı ise, burada bu loss (kayıp) fonksiyonu devreye giriyor ve ne kadar tanıma hatası yapılmış o bulunuyor ve katmanlarda geriye giderek ve türev alarak nöronlar arasındaki bağlantı değerleri değiştiriliyor ve her bir adımda kayıp fonksiyonu düşürülüp kedi resmini kedi olarak tanısın diye hesaplama yapılıyor. Bu şekilde sinir ağını milyonlarca resim ile eğittiğimizde kayıp fonksiyonu epey düşecektir ve nöronlar arası bu bağlantı değerleri belli bir değere yakınsar. O zaman yapay sinir ağıyla, bu ağın daha önceden görmediği resimlerde ne bulabildiği hesaplatılır. Bu da başarı oranı olur. Genelde daha derin oldukça daha başarılı olur ancak milyonlarca resim ve milyonlarca bağlantı için çok fazla matematiksel işlem gerekir, bu sebepten GPU'lar daha hızlı eğitim yapar. Nerelerde kullanılır? Yüz tanıma, ses tanıma, ses üretimi, doğal dil işleme veya dil çevrimi, Siri ve Cortana gibi sanal asistanlar, tavsiye sistemleri, finansal analiz sistemleri, bir fotoğrafta veya videoda ne olduğunu anlayan algoritmalar, gerçek zamanlı davranış algılama, hastalık teşhisi veya medical image analysis, otomatik oyun oynama (özellikle Doom oynayan deep reinforcement learning algoritmaları var), DeepMind'ın Alphago algoritmasında, en meşhuru da otonom araçlarda görüntüden çevrede ne olup bitiyor, ne var ne yok onun anlaşılmasında; aslında temelde, yeterli geçmiş bilgiden geleceği tahmin eden her konuda kullanılabilir. Google'ın bazı çalışmalarında resimlerdeki eksik bölgeleri tamamlama veya seslerdeki cızırtıları giderme tarzı çalışmalar da var diye okuduk. Hatta sadece kelime tabanlı değil, resim ve video da aratılabilecek bir arama motoru olabilir. Shazam gibi müziklerin belli bir kısmı dinletilip de müziğin ne olduğunu bulan yazılımlar da bu sınıfa giriyor, her ne kadar Shazam makalesinde yapay sinir ağından bahsetmese de, genel olarak machine learning yöntemleri bunlar.
    tuago (berduk khan) 3 yıl (düzenlendi)
    Belkide öğrenmeye programlanmıştır.
    Jon_Kar 3 yıl
    Derın ogrenme makıne ogrenmesı nedır ne ıse yarar


    sırketler bundan nasıl kazanc saglıyorlar
    gxhero (Göksel Kahraman) 3 yıl Jon_Kar
    Bir örnek diyelim ki dünyada ki herkesin fotoğrafı elinde ve sen bir insanı bulacaksın bunun için bir yazılım geliştiriyorsun (yapay zeka) o programa resmi veriyorsun resimleri yazılım inceleyip sana 100 tane sonuç veriyor google gibi 6 küsür milyar resimden misal 100 sonuç çıkarmışlar %38 doğru deyip bunu halka yayıyorlar. bu teknoloji şu sonuçları doğuracak resim video yada kamera kayıtlarında istedikleri şeye yazılım vasıtasıyla kolayca erişim ve takip ve bence bu tipte haberler ise caydırma korkutma amaçlı bkz person of interest
    Mephalay (Muhittin Damarli) 3 yıl Jon_Kar
    Satranc oynayan bir yapay zeka tasarliyorsun diyelim.

    Piyon buraya gelirse, sen boyle yapacaksin dersen bu makine ogrenmesi olmaz; ama basit bir yapay zeka tasarlamis olursun.

    Oynadigin oyunlari analiz et, durum analizi yap; her oyundan sonra eksiklerini cok cok minik gider ===> Seklinde tasarlarsan makine ogrenmesi algoritmasini tasarlamis olursun ama tamamlamis olmazsin. Cunku henuz ogrenecek altyapisi var, fakat ogrenecek yeterince veri yok. Surekli satranc oynayip her mactan sonra biraz daha ilerlemesi gerekiyor. ==> Iste bu makine ogrenmesi.



    Makine ogrenmesinde kullanilan bir cok teknik var, "supervized" ve "unsupervized" olmak uzere en temelde 2 ye ayrilir bu yontemler. Birisinde sen makineye "Bak bu gordugun rakam "8" dir diye ogretirsin. Zamanla makine "8" rakami ile "B" harfinin farkini surekli kendisini duzelterek ogrenir. Ayni bizim gibi. Ama bunu yapabilmesi icin basinda bir insanin ona yol gostermesi gerekir. Unsupervised learning de makine gordugu paternleri kendisi yorumlar. Ornegin turkiyedeki elektrik kullanimini analiz eden bir projede basit bir yapay zeka ve makine ogrenimi algoritmasi gelistirmistik; supheli "kacak elektrik" kullanimini ayirt edebiliyorduk. Bunu yaparken makineye "bak bu patern kacak elektrik paternidir" demiyorsun. Kendisi bir olguyu incelerken sira disi ve normun disinda kalan anomaliyi yakalayabilip kategorize edebiliyor. ===> Iste bu unsupervized metoda giriyor.



    Insan sinir sistemine benzer yapida tasarlanan bir sistem olan "yapay sinir aglari" da aslinda ( neural network ) bir makine ogrenimi teknigi. Bazi matematiksel katsayilar ve fonskiyonlar ile olusturdugun sisteme veri giris yaparak sistemin kendi kendisine ogrenmesini bekliyorsun. Ancak bunu yaparken de yanlislarindan ogrenmeleri mumkun oluyor. Ornegin Google Translate. Surekli ceviri yapiyor ancak bir yandan da yanlis cevirilerin kullanicilar tarafindan duzeltilmesi sayesinde bir seyler ogrenip kendini duzeltiyor. Iste bu yapay sinir aglarinin sadece ceviri yapmadigi, ceviri yaparken farkli seyleri de ogrenebildigi versiyonlari ( ornegin simultane ceviri sirasinda ses tonundan anlam cikarmak gibi. Ispanyolca gibi dillerde yalnizca kelimelere bakarak soru soruldugunu anlayamiyorsun bunu vurgu ile sagliyorlar; bizdeki gibi mi - mu soru eki yok ) "Derin ogrenme" oluyor; zira amac tek bir "bilinmeyeni" aydinlatmak degil. Aslinda Derin ogrenmek, Yapay Zeka-> Machine Learning -> Supervized Learning -> Neural Network -> Back Propagation -> Deep Learning gibi bir bilgisayar bilimi konsepti. Haber makalelerinde yazinca havali oldugu icin bunu surekli yazip duruyorlar.



    Yapay sinir aglari da boyle supersonik bir olgu degil; Ornegin senin telefonu acip acmamaya karar verme mekanizmani ele alalim. Bunu yaparken dikkate aldigin parametreler neler:

    1) Arayan kisi ===> A

    2) Telefonun ses durumu ( sessizde mi, sesi acik mi ) ====> B

    3) Telefonun calma suresi =====> C

    4) Zaman ( Haftanin hangi gunu ve saat kac ) =====> D

    5) Su anda yaptigin is ( araba mi suruyorsun, iste misin vs ) =====> E

    ...



    Tum bu bilinmeyenlerin basina bir katsayi uydur. Bu parametrelerin kucuk harf versiyonlari olsun. Bu basit ornekte senin telefonu acma fonksiyonun ( cok basitce yaziyorum ) aA + bB + cC + dD + eE olacak.

    Iste senin telefonuna yazdigin cok basit bir algoritmanin tek yaptigi, senin telefonun her caldiginda bu parametreleri inceleyip senin icin en dogru a,b,c,d,e katsayilarini belirlemek. Yeterince aramayi gozlemledikten sonra, telefonun seni arayan kisiye soyle bir mesaj atabilir aramadan once : "Jon Snow bu aramanizi %91 ihtimalle yanitlayamayacak. Isterseniz hic aramayin :) " . Iste bu, makine ogrenmesi.



    Bu konsept yeni bir sey degil, cok eskiden beri teorize ediliyor. Ancak bilgisayarlarin islem gucu cok ciddi seviyede arttigi icin ve artik neredeyse her dijital devre programlanabilir oldugu icin bu kadar hayatimizin icerisinde. Ornegin insanlarin her gun hareket etme paternlerini analiz edip ogrenen global bir algoritma olsa elimizde, yarin saat kacta nerede trafik olacak cok isabetli tahmin yapabiliriz. Ya da yarin konser verecek bir sanatcinin konserine katilim oranlarini bilebiliriz.



    Hatta cok bilim kurgu geliyor kulaga ama yeterince veri olsa elimizde, kimin kime zarar verecegini cok isabetli bir sekilde haftalar oncesinden bilebiliriz. Suclulari, daha henuz suc islenmemisken tespit edip adalet sisteminde paradoks olusturabiliriz : )
    maximus8282 (maximus ) 3 yıl (düzenlendi)
    Yapay zeka sağlık alanında kullanılacaksa güzel tabi.
    Yorum Yaz Forumda Yanıtla
    Sorgu:
    Önceki ve Sonraki İçerikler
    Daha Yeniler 3 yıl Eski dizel aracını getiren VW müşterilerine 10 bin euro indirim 3 yıl Milli savaş uçağı için ithalat engellerine düzenleme 3 yıl General Motors Çin'de 5.300$'lık elektrikli otomobil satmaya başladı 3 yıl Ryzen Threadripper test edildi, hız aşırtıldı: Nefes kesen sonuçlar! 3 yıl Disney, Netflix'le yollarını ayırıyor: Disney kendi içerik platformunu oluşturacak 3 yıl Meizu’dan arka ekranlı yeni bir akıllı telefon geliyor 3 yıl Mazda, Skyactiv-X benzinli motorlarında dizel teknolojisi kullanacak 3 yıl Uygun fiyatlı Bluetooth hoparlör tavsiyeleri 3 yıl Intel’den devrim: Cetvel tipi SSD sürücüler 3 yıl YouTube, kazanç ikonlarını ayrıntılı hale getirdi 3 yıl Hotspot Shield VPN şikayetleri artıyor 3 yıl Micron NVMe SSD’lerde kapasite rekoru kırdı 3 yıl Ryzen Threadripper rakibinden %32 daha hızlı 3 yıl JetBlue'dan yeni nesil müşteri hizmetleri platformu 3 yıl Samsung Galaxy Note 8 için tüm renk seçenekleri burada 3 yıl Firefox tarayıcısı sanal gerçeklik özelliğine kavuştu 3 yıl Intel 14-18 çekirdekli Skylake-X işlemcilerini duyurdu 3 yıl ABD askeri üsleri tehdit eden drone'ları vuracak 3 yıl HTC U11 satın alır mıydım? "Kullanım deneyimi ve inceleme" 3 yıl Sharp Aquos S2 duyuruldu: %87.5 ekran-gövde oranı ve dikey çift kamera 3 yıl GÖRÜNTÜLENEN IBM’in derin öğrenme yazılımı bir ilki gerçekleştirdi Sonraki 4 Radeon Pro WX 9100 2 adet 1250W PSU ile görüntülendi 3 yıl Google cinsiyetçi mesaj yayınlayan mühendisin işine son verdi 3 yıl Performansıyla öne çıkan LED monitörler 3 yıl Deadpool 2'den yeni görüntüler yayınlandı 3 yıl Samsung'un bükülebilir boyun bantlı U Flex kulaklığı sahneye çıktı 3 yıl Hellblade: Senua’s Sacrifice'ta çok fazla ölürseniz kayıt dosyanız siliniyor 3 yıl Almanya ve Fransa teknoloji devlerine özel vergi düzenlemesi istiyor 3 yıl iPhone 8 bu kez yeni bir sızıntıyla ortaya çıktı 3 yıl Organ nakillerinin başarısını arttıracak çalışma 3 yıl Değişen sokak işaretleri sürücüsüz araçları yanıltabilir 3 yıl YouTube'a uygulama içi mesajlaşma ve video paylaşım özelliği geldi 3 yıl İşte dünyanın en güçlü konsolu üzerinde Assassin’s Creed Origins oynanış videosu 3 yıl 2018 Volkswagen Jetta kamuflajsız olarak kameralara yakalandı 3 yıl Toshiba son kullanıcıya ilk 64-katmanlı SSD ürününü sunuyor 3 yıl Apple resmi Instagram hesabını açtı 3 yıl Flashpoint filminde Wonder Woman da yer alacak 3 yıl Cep telefonlarına yeni zam: TRT bandrolü artıyor! 3 yıl Samsung Galaxy S8 Active duyuruldu 3 yıl Apple Watch Series 3 için dairesel tasarım iddiası 3 yıl Titanfall Assault Bu Hafta Mobil Cihazlar için Çıkıyor Daha Eskiler
    Alternatif Görünümler Geri Bildirim
    Yeni Haber
    şimdi