SB-22

Java ile Yapay Zeka Yazılımları Geliştirme

Aybars Uğur, Erkan Binici2

Ege Üniversitesi, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü

35100 Bornova-İZMİR
ugur@bornova.ege.edu.tr1, erbinici@yahoo.com2

ÖZET

Bu makalede, yapay zeka konusunun önemi anlatılmış ve zeki yazılımlar geliştirmenin yazılım mühendisliğindeki
yeri belirtilmiştir. Yeni yazılım geliştirme ortamlarından biri olan Java’nın avantajları üzerinde durulmuştur.
Java platformunun, yapay zeka içeren yazılımların geliştirilmesine etkileri incelenmiş ve örnek bir program
üzerinde değerlendirilerek sonuçlara ulaşılmıştır.

Anahtar Kelimeler : Yapay Zeka, Yazılım Mühendisliği, Java

GİRİŞ zekayı “zeki davranışların otomasyonu ile ilgili

bilgisayar bilimleri dalıdır” şeklinde tanımlamıştır.
Günümüzde internet kullanıcıları için, bir kelime [2][3][4]
veya konu ilgili tüm sayfaları bulup görüntülemek
olağan bir işlemdir. Arama makineleri, tüm sayfalar Yapay zekanın önemli bazı konu ve çalışma alanları
yerine, gereksizleri ayıklayarak en uygun olanları aşağıda belirtildiği gibidir :
getirmeyi ve daha ileri birçok özelliği
desteklemektedir. Satılık daire arayan kişiler için • Problem Çözme, Arama ve Sezgisel
belirli kriterlere uyanların bulunup incelenmesi de Programlama
olasıdır. İşletim sistemleri, yazılım geliştirme • Bilgi ve Çıkarsama
ortamları, kelime işlemci ve tablolama gibi • Planlama
uygulama yazılımları, çok kullanılmayan seçenekleri • Öğrenme ve Algılama
eleyip diğerlerini görüntüleyebilmektedirler. Her tür • Oyun Oynama
yazılımda, komutlardan üç boyutlu şekillere kadar • Uzman Sistemler
zeki otomatik tamamlama özellikleri
• Robotbilim
desteklenmektedir. Bilgisayar oyunlarında
• Yapay Sinir Ağları
karakterlerin, zeki olarak hareket edebilir hale
• Genetik Algoritmalar ve Programlama
gelmesi gerçekçiliği artırmıştır. Tüm bu gelişmeler,
yapay zeka çalışma ve araştırmalarının sonucudur. • Yapay Yaşam
Bu makalede, yapay zeka unsurları içeren • Ses Tanıma
yazılımların geliştirilmesinde, en ileri platformlardan • Görüntü işleme
biri olan Java’nın önemi üzerinde durulmuş ve zeki • Yazılım Etmenleri
yazılımlar geliştirme konusunda yapılması • Veri Madenciliği
gerekenler belirlenmiştir.
Bilim kurgu filmlerinde görülen insan benzeri
YAPAY ZEKA robotlar gibi yapay zeka örnekleri gerçekleşmemiş
olsa da, günümüzde, yapay zeka araştırmalarında
D. Lenat ve E. Feigenbaum’un tanımlarına göre zeka sınırlı amaçlarla mutlu olunmaktadır :
“Karmaşık bir problemi çözmek için gerekli bilgileri
toplayıp birleştirme kabiliyetidir” veya “Karmaşık • Bilgisayarlara belirli işleri yaptırma
bir problemi, çözüm arama alanını daraltarak kısa • Sınırlı ses tanıma
yoldan çözebilme kabiliyetidir”. Zeka’nın sözlük • Evde veya diğer alanlarda “Akıllı Yardımcılar”
anlamı ise, insanın düşünme, akıl yürütme, nesnel • İnternet’teki basit Yapay Zeka örnekleri
gerçekleri algılama, kavrama, yargılama, sonuç
çıkarma yeteneklerinin tümüdür. Ayrıca : Soyutlama, Yapay Zeka ile bağlantılı en popüler örnekler ise,
öğrenme ve yeni durumlara uyma gibi yetenekler de robotlar (aibo, asimo gibi), internet üzerindeki
zeka kapsamı içindedir. Yapay zeka ise, bu sohbet robotları (eliza, alice, cybelle gibi) yani
özelliklere sahip organik olmayan sistemlerdeki chatbot’lar ve hareketli etmen sistemleridir (Mobile
zekadır. Luger ve Stubblefield, 1993 yılında yapay Agent Systems).

II. Ulusal Meslek Yüksek okulları Sempozyumu, 15-17 Ekim 2003, İzmir 1

Yazılım geliştirme alanında, daha zeki yazılımlar
geliştirmeye yönelik çalışmalar yapılmaktadır. Zeki
olmayan yazılımlar, kullanıcılarını gereksiz veya
tekrarlı işleri yapmak durumunda bırakarak verim
kaybına yol açmaktadırlar. Sonuçta kalite düşmekte,
zaman kaybı olmakta, kullanım zorlaşmakta yani
etkinlik azalmaktadır. Kullanıcılar, aynı türde
yazılımların zeki olanlarını tercih etmektedirler.
YAZILIM GELİŞTİRME ORTAMLARI ve
JAVA
Günümüzde yazılım geliştirme ortamları, Ağ, Web
ve Grafik tabanlı, Mobil İletişim Cihazlarını
destekleyecek şekilde ilerlemeler göstermiştir. Web
ve mobil iletişimin yaygınlaşması ile kavramlarda
meydana gelen değişmeler sonucunda bu tür
işlemlere destek verecek şekilde Java ve .NET
platformları ortaya çıkmıştır. .NET dilleri ve Java,
Pascal, C ve C++ gibi dillerin eksikliklerini de
giderecek ve verimlerini artıracak şekilde
tasarlanmışlardır. Bu çalışmada, 1995 yılında
geliştirilen Java programlama dilinin seçilmesindeki
en büyük neden platform bağımsızlığının daha ileri
derecede olmasındandır. Aynı özellikler, C# (C
Sharp) gibi daha yakın tarihte geliştirilen .NET
üzerindeki diller için de geçerlidir.
Java Programlama Dili ve Platformu, aşağıda
önemlileri sayılan özellikleri sayesinde yazılım
geliştiricilere kolaylıklar sağlayıp avantajlar
sunmaktadır : [1]
• Nesneye yönelik bir dil olması nedeniyle,
gerçek dünyadaki nesneler, yazılım nesnelerine
birebir eşlenebilmektedir. Yazılım tasarımını
ve anlaşılırlığını kolaylaştırmaktadır.
Değişiklikler yerel olarak yapılabildiğinden
esnek programlar yazılabilmektedir.
• 1995 gibi çok uzak olmayan bir tarihte
geliştirildiği ve yeni sürümleri ile sürekli
güncellendiği için web ve grafik altyapısı ve ağ
özellikleri güçlüdür. Bu nedenle, her tür
özelliği içeren yazılımlar geliştirilebilmektedir.
• Platform bağımsızlığı, dünyanın her yerindeki
değişik donanımlı bilgisayarlar ve değişik
işletim sistemleri üzerinde kodların
çalıştırılabilmesini sağlamaktadır. Örnek olarak
Windows işletim sistemi üzerinde yazılan bir
Java programı, Linux veya diğer işletim
sistemleri üzerinde işletilebilmektedir. Tüm
bunlar, herhangi bir Java kodunun yeniden
kullanım özelliklerini artırmakta ve kodun her
platform için değiştirilme gereksinimini
ortadan kaldırmaktadır.
• Yazılan java applet’leri yerel makinelere
yüklenerek, internet üzerinden
II. Ulusal Meslek Yüksek okulları Sempozyumu, 15-17 Ekim 2003, İzmir
SB-22
işletilebilmektedir. Bu, internet üzerinde
işletilebilen program yazımını
kolaylaştırmakta ve kullanıcılarının sayısını
otomatik olarak artırıp ve tüm dünyaya
yaygınlaştırmaktadır.
• “Multithreaded” yani çok iş parçacıklı Java
programları, İnternet ve World Wide Web
uygulamaları için aynı anda birden çok işlemin
yapılmasını sağlayarak, belirli bir işin bitmesini
beklemekle sınırlı kalınmasını önlemektedir [5].
YAPAY ZEKA YAZILIMLARI GELİŞTİRME
Yapay zeka dilleri olarak adlandırılan LISP, 1958
yılında John McCarthy ve Prolog ise 1972 yılında
Philippe Roussel tarafından geliştirilmişlerdir.
Günümüze kadar güncel gelişmelere paralel
özellikleri destekleyebilecek şekilde sürümleri
ortaya çıkmıştır. Veri tabanlarını desteklemekten,
diğer dillerle entegrasyonuna, görselliğinden,
derleme hızının artırılmalarına kadar birçok
çalışmalar yapılmıştır ve yapılmaya devam
edilmektedir. Örnek olarak Prolog, Çıkarsama
“reasoning” ve Geri İzleme “backtracking” gibi
güçlü mekanizmaları doğrudan sunduğu için,
karmaşık olmayan yapay zeka programları
yazılmasını, inanılmaz derecede kolaylaştırmaktadır.
Bu mekanizmaları öğrenmek isteyen araştırmacılar
için de, çok uygun bir deneme ortamı sunmaktadır.
Ancak buradaki problem, C, Java gibi popüler
programlama dillerini öğrenmiş olan programcı ve
yazılım geliştiricilerin, farklı yaklaşımlar ve
özellikler içeren dilleri öğrenme zorunluluğunda
kalmasıdır. İleri özellikler içeren zeki yazılımların
geliştirilmesinde, Prolog ve Lisp gibi dillerin
sınırlarının iyi öğrenilmesi gerekmektedir. Ancak
örnek olarak Java dilinde rahatlıkla Özyineleme
(recursion) mekanizmasını kurabilen bir kişi,
Prolog’da hazır kodları bile anlamakta
zorlanabilmektedir.
Java gibi dillerin avantajları burada ortaya
çıkmaktadır. Java’yı öğrenmiş olan bir kişi, “Java
Collections Framework” içindeki hazır veri
yapılarından yani sınıf, metot ve özelliklerden
yararlanarak kolaylıkla verileri (yapay zekada
gerçekleri ve bilinenleri) temsil edebilmekte ve
üzerlerinde çıkarsama gibi işlemler yapabilmektedir.
Gerekiyorsa veritabanı bağlantıları da rahatlıkla
kurabilmektedir. Ayrıca dünyanın herhangi bir
yerinde hazırlanmış olan özelleşmiş ve hatalardan
arındırılmış paketler kullanılarak daha ileri
çalışmalar da gerçekleştirilebilmektedir.
ÇIKARSAMA İÇEREN BİR JAVA
PROGRAMI GELİŞTİRME
2
 SB-22
Yapay zeka programlarını normal programlardan Örneğimizde ileri besleme ve geri yayılım
ayıran özellikler; öğrenme, çıkarsama, karar verme “backpropagation” algoritması kullanarak
ve algılama gibi yeteneklere sahip olmalarıdır. Bu değerlendirme yapan 3 katmanlı bir ağ
yetenekleri programlara katabilmek için; geri izleme, bulunmaktadır (Şekil 2).
karar ağaçları, arama mekanizmaları gibi çeşitli Yapay Sinir Ağının gerçekleştiriminde Java’nın
teknikler kullanılmaktadır. nesne tabanlı bir dil olması, ortam nesnelerinin
program içinde birebir modellenebilmesini
Bu çalışmada, yapay zekanın başlangıç uygulaması sağlandığı için tasarımı ve programlamayı oldukça
denilebilecek XOR işlemi (Şekil 1), Java ile basitleştirmiş ve esnek hale getirmiştir. Model
gerçekleştirilmiştir. üzerinde görülen hücre, bağlantı, çekirdek, giriş ve
çıkış gibi yapıları kendimiz yeniden
gerçekleştirebileceğimiz gibi bu konuda uzun
X Y Z = X XOR Y
çalışmalar sonucunda oluşturulmuş ve denenmiş
0 0 0 hazır Sinir Ağı Kütüphanelerindeki mevcut sınıfları
kullanarak da yapay zeka uygulamamızı
0 1 1
geliştirebiliriz. Örneğimizde tümü java ile
1 0 1 gerçekleştirilmiş açık kaynak kodlu bir kütüphane ve
motoru olan JOONE (http://joone.sourceforge.net/)
1 1 0
[6] kullanılmıştır.

Şekil 1 : XOR işlemi JOONE kütüphanesi içerisinde yapay zeka

uygulamamızı geliştirebilmemiz için;
Program, temel olarak yapay zeka alanının alt - İleri beslemeli veya yinelemeli şekilde
dallarından biri olan Yapay Sinir Ağları (Artificial çalışacak Sinir Ağı elamanlarının
Neural Networks) ile tasarlanmıştır. Yapay sinir bileşenleri,
ağları, insan beyninin tahmin edilen çalışma - “Back Propagation” algoritmasının çeşitli
yönteminin bilgisayarlar üzerinde modellenmesi uygulamalarını sunan bileşenler,
sonucu ortaya çıkmıştır. İnsan beyninde olduğu gibi - Temelde moduler bir ağ yapısı
sinirlerin birbirine bağlı olduğu bir sinir ağı oluşturmamızı sağlayacak ilişkisel
üzerinde; öğrenme işlemi, öğrenilen bilgilerin bileşenler,
saklanması ve bu bilgiler sayesinde çıkarsama - Ağ sisteminin bir bilgisayar ağı üzerinden
yapılması sağlanmaktadır. Bu sayede programlara, aktarılmasını, dosya sistemine
yani bilgisayarlara zeka katılmaktadır. kaydedilmesini sağlayacak “serialization”
mekanizması,
- Çeşitli kaynaklarla ilişkili I/O birimi,
- Denetlemeli ve denetlemesiz öğrenmeyi
uygulayabilecek bileşenler,
X Y Giriş katmanı
- Sinir ağının kontrolünün sağlayan
(başlatma / durdurma / öğrenme / yenileme)
denetim bileşenleri,
N N N Saklı katman - Girdi bilgisinin ön işlemesini sağlayacak ve
öğrenme parametrelerini dinamik olarak
değiştirebilmeyi sağlayacak bileşenler,
- Sinir ağı üzerinde değişik kontrol
Z Çıkış katmanı
işlemlerini yapabilmek için “script”
arabirimi.
gibi hazır özellikler bulunmaktadır.

Şekil 2 : XOR çözümü için tasarlanan Ağ Yapısı. Paketler aşağıdaki gibidir :

- org.joone.engine : Çekirdek ağ
İnsan beyni, sinir hücreleri “neuron”, bağlantılardan elementlerini içeren paket.
“synapse” oluşmaktadır. Bu sinir hücreleri birer - org.joone.engine.learning : Sinir ağının
çekirdek içermektedir. Kendisine bağlı olan diğer eğitimi için kullanılacak paket.
hücrelerden gelen bilgileri bu çekirdek içerisinde - org.joone.io : Dosya gibi girdi çıktı
değerlendirerek gerekli olan çıktıyı üretip kendisinin kaynaklarıyla sinir ağının iletişimini
bağlı olduğu diğer hücrelere çıktı olarak ürettiği sağlayacak paket.
bilinmektedir. Bu bilgiler ışığında bulunmuş çeşitli - org.joone.util : Çeşitli hizmet sınıflarını
sinir ağı modelleri ve algoritmaları mevcuttur. içeren paket.

II. Ulusal Meslek Yüksek okulları Sempozyumu, 15-17 Ekim 2003, İzmir 3
 SB-22
- org.joone.script : Script uygulamalarını output.addInputSynapse(synapse_HO);
sağlayan paket.
Sinir ağını yönetecek olan “monitor” sınıfının
XOR problemini çözümü için uygulanacak senaryo oluşturulması :
şu şekilde olacaktır.
1- Ağın konu üzerinde eğitilmesini Monitor monitor = new Monitor();
sağlayacak örnek verilerin ilgili monitor.setLearningRate(0.8);
kaynaktan okunması. monitor.setMomentum(0.3);
2- Ağa girilen veriler öğrenme
algoritmasından geçirilerek (training) “Monitör” ile katmanlar arasındaki ilişkinin
ağın problem deseni üzerinde, yeni kurulması :
veriler için çıkarsama yaparak karar
vermesinin sağlanması. input.setMonitor(monitor);
3- Eğitim verilerinden sonra test verileri hidden.setMonitor(monitor);
ile sinir ağı sisteminin çalışmasının test output.setMonitor(monitor);
edilmesi.
Uygulamanın, “monitor” nesnesinden gelen
1. adım için örnek XOR girdileri ve çıktılarını içeren mesajları yakalayabilmesi için “monitor” nesnesinin
“;” işareti ile ayrılmış şekilde bir girdi dosyası Listener’ının eklenmesi :
oluşturulmuştur. Örnek veriler ;
monitor.addNeuralNetListener(this);
• 0.0;0.0;0.0
• 0.0;1.0;1.0 Sinir ağının ana elemanlarının kodlamasının
• 1.0;0.0;1.0 gerçekleştiriminden sonra, girdi bilgilerinin
• 1.0;1.0;0.0 dosyadan okunması ve bunları girdi hücrelerine
bağlanmasını sağlayan bölüm :
“Joone” paketi içerisindeki sınıflar yardımıyla ağ
üzerindeki katmanların oluşturulması (Katmanlar FileInputSynapse inputStream = new
arasındaki iletişim “Sigmoid” aktarım yöntemi ile FileInputSynapse();
olacağından SigmoidLayer sınıfı kullanılmaktadır) : /* Örnek eğitim dosyamiz içerisindeki ilk iki
kolonda giriş bilgileri bulunuyor.*/
SigmoidLayer input = new SigmoidLayer(); // Giriş katmanı inputStream.setFirstCol(1);
SigmoidLayer hidden = new SigmoidLayer(); // Saklı katman inputStream.setLastCol(2);
SigmoidLayer output = new SygmoidLayer(); // Çıkış katmanı inputStream.setFileName("c:\\joone\\XOR.txt");
/* Dosya yerini ve ismini belirliyoruz.*/
Katmanlardaki sinir hücresi sayılarının belirlenmesi:
input.setRows(2); // XOR problemi için iki giriş verisi var
hidden.setRows(3); // saklı katmanda 3 adet sinir hucresi Oluşturulan “inputStream’in”, girdi hücrelerinin
oluşturuluyor bulunduğu katmana atanması :
output.setRows(1); // Çıkış değeri tek sayı olduğundan tek sinir
hücresi ekleniyor input.addInputSynapse(inputStream);
Katmanlar arası bağlantılar için, 3 katman arasına
tam bağlantı sağlayan 2 tane FullSynapse Girdi bilgilerinin alınmasından sonra, sinir ağında
kullanılmaktadır : öğrenme işleminin yapılması (Girdi bilgileri bir
eğitmen sınıftan geçirilerek, girdiler ve çıktılar
FullSynapse synapse_IH = new FullSynapse(); /* arasında beklenen çıktı ile karşılaştırılmaktadır) :
Input -> Hidden bağlantısı. */
FullSynapse synapse_HO = new FullSynapse(); /* TeachingSynapse trainer = new
Hidden -> Output bağlantısı*/ TeachingSynapse();
/* Örnek girdiler sonucu oluşması beklenen çıktı
Girdi ve saklı katman arası ilişkinin kurulması : bilgisini eğitmen sınıfa belirtiyoruz.*/
FileInputSynapse samples = new
input.addOutputSynapse(synapse_IH); FileInputSynapse();
hidden.addInputSynapse(synapse_IH); samples.setFileName("c:\\joone\\XOR.txt");
trainer.setDesired(samples);
Saklı katman ve çıktı katmanı arası ilişkinin /* Çıktı bilgisi örnekleri içeren dosyadaki 3.
kurulması : kolonda yeralmaktaydı.*/
samples.setFirstCol(3);
hidden.addOutputSynapse(synapse_HO); samples.setLastCol(3);

II. Ulusal Meslek Yüksek okulları Sempozyumu, 15-17 Ekim 2003, İzmir 4

/* Eğitmen ve monitor objesi arasindaki ilişkiyi
sağlıyoruz.*/
trainer.setMonitor(monitor);
Çıktı katmanı ile eğitmenin ilişkisinin sağlanması:
output.addOutputSynapse(trainer);
SB-22
metodu” 1 dongu sayısı ile çağırılmaktadır ve bu
sefer sinir ağının örnek bir girdi deseni için ağ
üzerindeki öğrenilmiş bilgilere göre elde edilen bir
çıktı bilgisi çıktı dosyasına yazılmaktadır.
SONUÇLAR

Girdi, saklı, çıktı katmanlarının ve eğitmenin Bu çalışmada, java “Joone” paketi ile yapay sinir ağı
çalıştırılması : gerçekleştiriminde, temel elemanların nasıl
oluşturulduğu ve bunlar arasındaki ilişkilerin nasıl
input.start(); sağlandığı gösterilmektedir. Hazır “Joone” yapay
hidden.start(); sinir ağları kütüphanesi sayesinde, öğrenme,
output.start(); çıkarsama ve etkinlikte bulunma işlemlerinde
trainer.start(); kullanılması gereken geri besleme mekanizmaları,
karar ağaçları, arama algoritmaları gibi ayrıntılarla
Sinir ağının diğer parametrelerinin belirlenip ilgilenmeden yapay zeka uygulamaları
çalıştırılması : geliştirilebilmektedir. Açık kaynak kodlu
“org.joone.engine” paketi içerisindeki ilgili sınıfların
monitor.setPatterns(4); /* # girdi dosyasi deseni. incelenmesi ile temel yapay zeka mekanizmalarının
Kolon sayisi.*/ öğrenilmesi ve paketin geliştirilmesi de olasıdır.
monitor.setTotCicles(20000); /* Girdi Görüldüğü gibi, yapay zeka dillerini bilmeyen ve
dosyalarindaki bilgi ile Sinir ağının üzerinde zeki yazılımlar geliştirmek isteyen kişilerin, yapay
yapılacak eğitim sayısı.*/ zeka dillerini kullanmaları zorunlu değildir. Java
monitor.setLearning(true); /* Sinir ağının eğitim gibi programlama dilleri içerisinden de hazır
modunda olduğunun belirlenmesi.*/ paketler yardımıyla, hazır veri yapıları
monitor.Go(); /* Sinir ağının çalışmaya kullanılabilmekte, arama ve çıkarsama
başlaması.*/ yapılabilmektedir. Paketlerin kullanımının
öğrenilebilmesi için Java altyapısının iyi düzeyde
“Monitor” nesnesinin çalışarak sinir ağına girdi olması yeterlidir.
bilgileri girip “20000 döngü ile” eğitiminden sonra
örnek girdi deseni için alınabilecek örnek bir çıktı, Prolog ve LISP gibi yapay zeka dillerinin
şu şekilde olacaktır : öğrenilmesi de yapay zeka mekanizmalarının
anlaşılması bakımından oldukça önemlidir. Bu diller
0.02592995527027603 de, donanım ve yazılım dünyasındaki gelişmelere
0.9664584492704527 paralel olarak, yeni sürümleri ile
0.9648193164739925 güncellenmektedirler. Java gibi diller ile güçlü
0.03994103766843536 yapay zeka dillerinin karşılıklı olarak birbirine
benzer hale getirilmesi, zeki yazılımlar geliştirme
Sinir ağının, girdileri alacağı dosyayı ve sonuç yönündeki eksikliklerin kapanmasını sağlayacaktır.
bilgilerini yazacağı dosyayı belirtebileceğimiz, sinir Böylece zeki yazılımların kullanım oranı ve
ağını eğitip, çalıştırmayı sağlayabileceğimiz bir yazılımlardaki verim artacaktır.
arayüzün ekran görüntüsü Şekil 3’te verilmektedir.
LİTERATÜR LİSTESİ

[1] Deitel, H. M. and Deitel, P. J., 1999, Java :

Şekil 3 : Yapay Sinir Ağları programının penceresi
“Egit” düğmesine basıldığında, “Monitor.go”
metodu, “Monitor.setLearning(true)” modunda
20000 döngü sayısı ile çalıştırılarak sinir ağının
eğitilmesi sağlanmaktadır. “Calistir” düğmesi
“Monitor.setLearning(False)” şeklinde “Monitor.go
How to Program, Third Edition, Prentice-
Hall.
[2] Luger, G.F., 2002, Artificial Intelligence :
Structures and Strategies for Complex
Problem Solving, 4th edition, Addison-
Wesley.
[3] Nilsson, N. J., 1998, Artificial Intelligence :
A New Synthesis, Morgan Kaufmann
Publishers.
[4] Russell, S., J., and Norvig, P., 1995, Artificial
Intelligence : A Modern Approach, Prentice-
Hall.

II. Ulusal Meslek Yüksek okulları Sempozyumu, 15-17 Ekim 2003, İzmir 5
 SB-22
[5] Tarau, P., 1999, Jinni: Intelligent Mobile
Agent Programming at the Intersection of
Java and Prolog. Proceedings of PAAM'99,
London.
[6] http://www.jooneworld.com

II. Ulusal Meslek Yüksek okulları Sempozyumu, 15-17 Ekim 2003, İzmir 6