TR - Documentation Localization (#4588)

* Main README.md added.

* Adding new translations.

* Turkish Installation finished. Other files includes.

* –Basic files were prepared.

* fix whitespace

Co-authored-by: Chris Elion <chris.elion@unity3d.com>

docs/localized/TR/README.md

+<img src="docs/images/image-banner.png" align="middle" width="3000"/>
+
+# Unity ML-Agents Toolkit(Release 8) Türkçe Dokümantasyon Sayfası
+
+[![docs badge](https://img.shields.io/badge/docs-reference-blue.svg)](https://github.com/Unity-Technologies/ml-agents/tree/release_7_docs/docs/)
+
+[![license badge](https://img.shields.io/badge/license-Apache--2.0-green.svg)](LICENSE)
+
+([son sürüm](https://github.com/Unity-Technologies/ml-agents/releases/tag/latest_release))
+([tüm sürümler](https://github.com/Unity-Technologies/ml-agents/releases))
+
+**Unity Machine Learning Agents Araç Seti** (ML-Agents) oyun ve simülasyon projeleri için akıllı ajanlar(botlar, etkiye uğrayan temsilciler) eğitecek ortamları sağlayan açık kaynaklı bir projedir. Ajanlar(Agents) pekiştirmeli öğrenme, taklit ederek öğrenme, nöroevrim veya diğer makine öğrenimi metodlarıyla kullanımı kolay Python API ile eğitilebilir. Ayrıca; oyun geliştiricilere ve hobi olarak yapanlara 2B, 3B ve VR / AR oyunlarına yönelik akıllı ajanları kolayca eğitmesini sağlamak için son teknoloji algoritmaları (TensorFlow tabanlı) kolayca uygulamalarını da sağlıyoruz. Bu eğitimli ajanlar(karakterler), NPC davranışı kontrol etme(çeşitli
+çoklu bot ve rakip gibi ayarlanabilen), oyun yapılarının otomatik testleri, farklı oyun tasarımlarının yayın öncesi değerlendirilmesi gibi birden çok amaç için kullanılabilir. ML-Agents Araç Seti hem oyun geliştiricileri hem de yapay zeka araştırmacıları için karşılıklı olarak faydalıdır. Yapay zekadaki gelişmelerin Unity'nin zengin ortamlarında değerlendirilebileceği, daha geniş araştırma ve oyun geliştirici toplulukları için erişilebilir hale getirilebileceği merkezi bir platform sağlar.
+
+**Kısacası;** Unity oyun motorunda kendi başına eğitildikleri yönde kararlar alabilen karakter, araç gibi objeleri eğitmemizi sağlayan bir araç setidir.
+
+
+## Özellikleri
+
+- 15+ [örnek Unity ortamları](docs/Learning-Environment-Examples.md)
+- Birden çok ortam yapılandırması ve eğitim senaryosu desteği
+- Oyununuza veya özel Unity sahnenize entegre edilebilen esnek Unity SDK
+- İki derin güçlendirme öğrenme algoritması, Proximal Policy Optimization (PPO) ve
+  Soft Actor-Critic (SAC) kullanarak eğitme
+- Davranışsal Klonlama veya Üretken Tartışmalı Taklit Öğrenme yoluyla
+  Taklit Öğrenme için yerleşik destek
+- Düşman senaryolarında ajanları(agents) eğitmek için kendi kendine oyun mekanizması
+- Karmaşık görevler için kolayca tanımlanabilen Müfredat Öğrenme(Curriculum Learning) senaryoları
+- Rastgele ortamlar kullanarak kararlı ajanlar eğitin
+- İsteğe Bağlı Karar Verme ile esnek ajan kontrolü
+- Birden çok eş zamanlı Unity ortamı örneği kullanarak eğitim
+- [Unity Inference Engine](docs/Unity-Inference-Engine.md) desteği
+- [Python API ile](docs/Python-API.md) Unity ortamını kontrol etme
+- Unity - [gym](gym-unity/README.md) desteği
+
+[ML-Agents Genel Bakış](docs/ML-Agents-Overview.md) sayfasında tüm özellikleri açıklanmıştır.
+
+## Sürümler & Dokümantasyon
+
+**Unity ML-Agents Araç Seti son kararlı sürümü `Release 8` 'dir.
+[Buradan](docs/Readme.md) en son ML-Agents Türkçe dokümantasyonuna giderek öğrenmeye ve kullanmaya başlayabilirsiniz.**
+
+- [Sürümler sayfasında](https://github.com/Unity-Technologies/ml-agents/releases) tüm versiyonları inceleyebilirsiniz.
+- [Yapılan değişiklikler sayfasına](https://github.com/Unity-Technologies/ml-agents/blob/master/docs/Migrating.md) giderek güncellemelerle hangi özelliklerin değiştiğini inceleyebilirsiniz.
+- [İngilizce](https://github.com/Unity-Technologies/ml-agents/blob/release_7_docs/docs/Readme.md) orjinal dokümantasyonuna linkten erişebilirsiniz.
+
+## Makale
+
+Bir YapayZeka platformu olarak Unity tartışmasıyla ilgilenen bir araştırmacıysanız, [Unity ve ML-Agents Toolkit](https://arxiv.org/abs/1809.02627) hakkındaki referans makalemizin bir ön baskısına bakın.
+
+Ek kaynaklara [buradan](https://github.com/Unity-Technologies/ml-agents#additional-resources) ulaşabilirsiniz.
+
+## Topluluk ve Geri Bildirim
+
+Topluluğuza katılmak için [Unity ML-Agents forum](https://forum.unity.com/forums/ml-agents.453/) linkine veya [GitHub issue başvurusu](https://github.com/Unity-Technologies/ml-agents/issues) ile belirli özellik taleplerinde bulunabilirsiniz.
+
+Diğer sorularınız veya geri bildirimleriniz için doğrudan ulaşabileceğiniz mail adresi : ml-agents@unity3d.com
+
+Dokümantasyonu hazırlayan : Eydi Gözeneli
+Hatalı çeviriler ve geri bildirim için iletişim : w3.eydi@gmail.com
+
+
+## License
+
+[Apache License 2.0](LICENSE)

docs/localized/TR/docs/Getting-Started.md

+# Başlangıç Rehberi
+
+Bu rehber, Unity'de [örnek ortamlarımızdan](https://github.com/Unity-Technologies/ml-agents/blob/release_8_docs/docs/Learning-Environment-Examples.md) birini açma, içinde bir Agent 'i eğitme ve eğitilmiş modeli Unity ortamına yerleştirme sürecini baştan sona anlatır. Bu rehberi bitirdikten sonra örnek ortamlardan herhangi birini kullanabilecek hale geleceksiniz. [Unity Engine](https://unity.com/products) 'e aşina değilseniz, [Background: Unity](https://unity.com/products) sayfasına bakarak yararlı noktaları öğrenebilirsiniz. Ek olarak, makine öğrenimine aşina değilseniz, kısa bir genel bakış ve ipuçları için [Background: Machine Learning](https://github.com/Unity-Technologies/ml-agents/blob/release_8_docs/docs/Background-Machine-Learning.md) sayfamızı görüntüleyin.
+
+![3D Balance Ball](images/balance.png)
+
+Bu rehber için, biz bir dizi `agent(temsilci)` küpleri ve topları içeren **3D Balance Ball** ortamını kullanacağız (hepsi birbirinin kopyası). Her ajan(agent - temsilci) küpü yatay ve dikey olarak dönerek topun düşmesini önlemeye çalışır. Bu Unity ortamında, ajan **Agent** küp her adımında topu dengelediğinde ödül kazanacaktır. Bir temsilci`(agent)` ayrıca, topu düşürdüğü için olumsuz bir ödülle cezalandırılır. Eğitim sürecinin amacı, temsilcilerin topu kafalarında dengelemeyi öğrenmelerini sağlamaktır. Ödül - ceza mekanizmasıyla yapay zekayı eğitmeyi amaçlıyoruz.
+
+Hadi başlayalım!
+
+## Kurulum
+
+Henüz yapmadıysanız, [kurulum talimatlarını](Installation.md) izleyin. Daha sonra Unity ortamlarını içeren `Project` klasörünü açın:
+
+1. Unity Hub'ı başlatın.
+1. Projects iletişim kutusunda, pencerenin üst kısmındaki `Add` seçeneğini seçin.
+1. Açılan dosya diyalog penceresini kullanarak indirdiğiniz ML-Agents Toolkit içindeki `Project` klasörünü bulun ve `Open`'a tıklayın. Açılması için güncelleme isterse, projeyi güncelleyin.
+1. Unity içerisinde **Project** penceresinde
+   `Assets/ML-Agents/Examples/3DBall/Scenes` dosyasını bulun ve  `3DBall` sahne dosyasını açın.
+
+## Unity Ortamlarını Anlamak
+
+Bir ajan`(agent)`, çevreyi gözlemleyen ve onunla etkileşime giren özerk bir aktördür. Unity bağlamında, ortam, bir veya daha fazla Ajan nesnesini ve tabii ki bir ajanın etkileşimde bulunduğu diğer varlıkları içeren bir sahnedir.
+
+![Unity Editor](images/mlagents-3DBallHierarchy.png)
+
+**Note:** Unity'de, bir sahnedeki her şeyin temel nesnesi _GameObject_'tir. GameObject, temelde davranışlar, grafikler, fizik vb. dahil diğer her şey için bir kapsayıcıdır. Bir GameObject'i oluşturan bileşenleri görmek için, Sahne penceresinde GameObject'i seçin ve Inspector penceresini açın. Inspector penceresi, GameObject üzerindeki her bileşeni gösterir.
+
+3D Balance Ball sahnesini açtıktan sonra fark edebileceğiniz ilk şey, bir değil, birkaç ajan küpü içermesidir. Sahnedeki her ajan küpü bağımsız bir ajandır, ancak hepsi aynı davranışı paylaşır. On iki temsilcinin tümü eğitime paralel olarak katkıda bulunduğundan, 3D Balance Ball eğitimini bu şekilde hızlandırabilirsiniz.
+
+### Agent
+
+Temsilci`(agent - ajan)`, ortamı gözlemleyen ve çevreyi harekete geçiren aktördür. 3B Balance Ball sahne ortamında, Agent bileşenleri on iki `Agent` GameObject'e yerleştirilir. Temel Agent nesnesinin davranışını etkileyen birkaç özelliği vardır:
+
+- **Behavior Parameters** — Her Agent'in bir Behavior(Davranış Modeli) olmalıdır. Davranış`(Behavior)` ajanın nasıl karar vereceğini belirler.
+- **Max Step** — Agent'ın bölümü bitirmeden önce kaç simülasyon adımı gerçekleştireceğini belirler. 3D Balance Ball'da, bir Ajan 5000 adımdan sonra yeniden başlatılır.
+
+#### Davranış Parametreleri(Behavior Parameters): Vektör Gözlem Uzayı(Vector Observation Space)
+
+Bir karar vermeden önce, bir temsilci dünyadaki durumu hakkındaki gözlemini toplar. Vektör gözlemi, ajanın karar vermesi için ilgili bilgileri içeren kayan nokta sayılarının bir vektörüdür.
+
+3D Balance Ball örneğinin davranış(behavior) parametreleri, 8 Uzay Boyutu`(Space Size)` kullanır.
+Bu, Ajanın gözlemlerini içeren özellik vektörünün sekiz öğe içerdiği anlamına gelir: agent küpün dönüşünün `x` ve `z` bileşenleri ve topun göreceli konumu ve hızının `x`, `y` ve `z` bileşenleri.
+
+#### Davranış parametreleri : Vektör Eylem Alanı - (Behavior Parameters: Vector Action Space)
+
+Bir Ajana çeşitli değerler dizisi şeklinde talimatlar verilir.
+ML-Agent Toolkit, eylemleri iki türe sınıflandırır: sürekli ve ayrık(continuous and discrete). 3D Balance Ball örneği, sürekli olarak değişebilen bir sayı vektörü olan sürekli eylem alanını kullanmak üzere programlanmıştır. Daha spesifik olarak, topu kafasında dengede tutmak için kendisine uygulanacak `x` ve `z` dönüşlerinin miktarını kontrol etmek için 2 Uzay Boyutu`(Space Size)` kullanılabilir.
+
+## Önceden eğitilmiş modeli çalıştırma
+
+Ajanlarımız (`.nn` dosyaları) için önceden eğitilmiş modeller ortamımıza ekliyoruz  ve bu modelleri Unity içinde çalıştırmak için [Unity Inference Engine]([Unity Inference Engine](Unity-Inference-Engine.md)'i kullanıyoruz. Bu bölümde, 3D Ball örneği için önceden eğitilmiş modeli bir sinir ağı kullanacağız.
+
+1. **Project** penceresinde `Assets/ML-Agents/Examples/3DBall/Prefabs` klasörüne gidin. `3DBall`'ın içerisini genişletin ve `Agent` hazır yapısına tıklayın. `Agent` hazır yapısını **Inspector** penceresinde görmelisiniz.
+
+   **Not**: `3DBall` sahnesindeki platformlar, `3DBall` prefab kullanılarak oluşturuldu. 12 platformu tek tek güncellemek yerine, `3DBall` prefabını değiştirerek diğer platformların da yapısını güncelleyebilirsiniz.
+
+   ![Platform Prefab](images/platform_prefab.png)
+
+1. **Project** penceresinde, `Assets/ML-Agents/Examples/3DBall/TFModels`'te bulunan `3DBall` sinir ağı modelini(`.nn` uzantılı dosya), **Agent** GameObject **Inspector** penceresindeki `Behavior Parameters (Script)` bileşeni altındaki `Model` özelliğine sürükleyin.
+
+   ![3dball learning brain](images/3dball_learning_brain.png)
+
+1. **Hierarchy** pencerelerindeki her bir `3DBall` altındaki her Agent'ın artık `Behavior Parameters`'inde `Model` olarak `3DBall`'ı içerdiğini fark etmelisiniz. Prefab'daki modeli değiştirdiğimizde bütün nesneleri etkiledik.
+   **Not** : Sahne **Hierarchy**'deki arama çubuğunu kullanarak bir sahnedeki birden fazla oyun nesnesini aynı anda seçerek değiştirebilirsiniz.
+1. **Inference Device**'yi bu model için `CPU` olarak kullanılacak şekilde ayarlayın.
+1. Unity editöründeki **Oynat(Play)** düğmesine tıklayın ve platformların önceden eğitilmiş modeli kullanarak topları dengelediğini göreceksiniz.
+
+## Pekiştirmeli(Reinforcement) Öğrenme ile yeni bir model eğitmek
+
+Bu ortamdaki aracılar için önceden eğitilmiş `.nn` dosyaları sağlasak da, kendi oluşturduğunuz herhangi bir ortamda yeni bir model dosyası oluşturmak için sıfırdan eğitim aracıları gerekir. Bu bölümde, bunu başarmak için ML-Agents Python paketinin parçası olan pekiştirmeli öğrenme algoritmalarının nasıl kullanılacağını göstereceğiz. Hem eğitim hem de çıkarım aşamalarını yapılandırmak için kullanılan argümanları kabul eden uygun bir `mlagents-learn` komutu sağladık.
+
+### Ortamı eğitmek
+
+1. Bir komut veya terminal penceresi açın.
+1. Terminalde `ml-agent` deposunu klonladığınız klasöre gidin. **Not**: [Varsayılan kurulumu](Installation.md) izlediyseniz, `mlagents-learn`'ü herhangi bir dizinden çalıştırabilmelisiniz.
+1. `mlagents-learn config/ppo/3DBall.yaml --run-id=first3DBallRun` komutunu çalıştırın.
+   - `config/ppo/3DBall.yaml` sağladığımız varsayılan eğitimin konfigürasyon dosyasıdır. `config/ppo` klasörü, 3DBall dahil tüm örnek ortamlarımız için eğitim yapılandırma dosyalarını içerir.
+   - `run-id` bu eğitime özel benzersiz bir addır.
+1. Ekranda _"Start training by pressing the Play button in the Unity Editor"_ mesajı görüntülendiğinde, editör'de eğitime başlamak için Unity'deki **Play(Oynat)** düğmesine basabilirsiniz.
+
+`mlagents-learn` doğru şekilde çalışırsa ve eğitime başlarsa, şuna benzer bir şey görmelisiniz:
+
+```console
+INFO:mlagents_envs:
+'Ball3DAcademy' started successfully!
+Unity Academy name: Ball3DAcademy
+
+INFO:mlagents_envs:Connected new brain:
+Unity brain name: 3DBallLearning
+        Number of Visual Observations (per agent): 0
+        Vector Observation space size (per agent): 8
+        Number of stacked Vector Observation: 1
+        Vector Action space type: continuous
+        Vector Action space size (per agent): [2]
+        Vector Action descriptions: ,
+INFO:mlagents_envs:Hyperparameters for the PPO Trainer of brain 3DBallLearning:
+        batch_size:          64
+        beta:                0.001
+        buffer_size:         12000
+        epsilon:             0.2
+        gamma:               0.995
+        hidden_units:        128
+        lambd:               0.99
+        learning_rate:       0.0003
+        max_steps:           5.0e4
+        normalize:           True
+        num_epoch:           3
+        num_layers:          2
+        time_horizon:        1000
+        sequence_length:     64
+        summary_freq:        1000
+        use_recurrent:       False
+        memory_size:         256
+        use_curiosity:       False
+        curiosity_strength:  0.01
+        curiosity_enc_size:  128
+        output_path: ./results/first3DBallRun/3DBallLearning
+INFO:mlagents.trainers: first3DBallRun: 3DBallLearning: Step: 1000. Mean Reward: 1.242. Std of Reward: 0.746. Training.
+INFO:mlagents.trainers: first3DBallRun: 3DBallLearning: Step: 2000. Mean Reward: 1.319. Std of Reward: 0.693. Training.
+INFO:mlagents.trainers: first3DBallRun: 3DBallLearning: Step: 3000. Mean Reward: 1.804. Std of Reward: 1.056. Training.
+INFO:mlagents.trainers: first3DBallRun: 3DBallLearning: Step: 4000. Mean Reward: 2.151. Std of Reward: 1.432. Training.
+INFO:mlagents.trainers: first3DBallRun: 3DBallLearning: Step: 5000. Mean Reward: 3.175. Std of Reward: 2.250. Training.
+INFO:mlagents.trainers: first3DBallRun: 3DBallLearning: Step: 6000. Mean Reward: 4.898. Std of Reward: 4.019. Training.
+INFO:mlagents.trainers: first3DBallRun: 3DBallLearning: Step: 7000. Mean Reward: 6.716. Std of Reward: 5.125. Training.
+INFO:mlagents.trainers: first3DBallRun: 3DBallLearning: Step: 8000. Mean Reward: 12.124. Std of Reward: 11.929. Training.
+INFO:mlagents.trainers: first3DBallRun: 3DBallLearning: Step: 9000. Mean Reward: 18.151. Std of Reward: 16.871. Training.
+INFO:mlagents.trainers: first3DBallRun: 3DBallLearning: Step: 10000. Mean Reward: 27.284. Std of Reward: 28.667. Training.
+```
+
+Eğitim ilerledikçe ekrana yazdırılan `Mean Reward` değerinin nasıl arttığına dikkat edin. Bu, eğitimin başarılı olduğunun olumlu bir işaretidir.
+
+**Not**: Editör yerine yürütülebilir bir dosya kullanarak eğitim yapabilirsiniz. Bunu yapmak için, [Using an Executable](Learning-Environment-Executable.md) bölümündeki talimatları izleyin.
+
+### Eğitim İlerlemesini Gözlemlemek
+
+`mlagents-learn` kullanarak eğitime başladığınızda, önceki bölümde anlatıldığı şekilde `ml-agent` dizini bir `results` dizini içerecektir. Eğitim sürecini daha detaylı gözlemlemek için TensorBoard'u kullanabilirsiniz. Komut satırından şunu çalıştırın:
+
+```sh
+tensorboard --logdir results
+```
+
+Ardından, aşağıda gösterildiği gibi TensorBoard özet istatistiklerini görüntülemek için tarayıcınızda `localhost:6006` adresine gidin. Bu bölümün amaçları doğrultusunda, en önemli istatistik, eğitim boyunca artması gereken ve sonunda temsilcinin toplayabileceği maksimum ödül olan `100`'e yaklaşan `Environment/Cumulative` ödülüdür.
+
+![Example TensorBoard Run](images/mlagents-TensorBoard.png)
+
+## Modeli Unity Ortamına yerleştirme
+
+Eğitim süreci tamamlandığında ve eğitim süreci modeli (`Saved Model` mesajı ile gösterilir) kaydedildikten sonra, onu Unity projesine ekleyebilir ve uyumlu Agents'lar ile (modeli oluşturan ajanlar) kullanabilirsiniz. **Not:**
+`Saved Model` mesajı görünmeden Unity penceresini kapatmayın. Eğitim sürecinin pencereyi kapatmasını bekleyin veya komut satırı isteminde **<kbd>Ctrl</kbd> + <kbd>C</kbd>** tuşlarına basın. Pencereyi manuel olarak kapatırsanız, eğitimli modeli içeren `.nn` dosyası `ml-agents` klasörüne aktarılmaz.
+
+`Ctrl + C` kullanarak eğitimden erken çıkarsanız ve eğitime tekrar kaldığı yerden devam etmek isterseniz, aynı komutu yeniden çalıştırın ve aşağıdaki gibi `--resume` işaretini ekleyin:
+
+```sh
+mlagents-learn config/ppo/3DBall.yaml --run-id=first3DBallRun --resume
+```
+
+Eğitimli modeliniz `results/<run-identifier>/<behavior_name>.nn` konumunda olacaktır; burada `<behavior_name>`, modele karşılık gelen aracıların Davranış Adının`(Behavior Name)` adıdır. Bu dosya, modelinizin en son kontrol noktasına karşılık gelir. Artık bu eğitimli modeli, yukarıda açıklanan adımlara benzer şekilde aşağıdaki adımları izleyerek Ajanlarınıza`(Agents)` yerleştirebilirsiniz.
+
+1. Model dosyanızı `Project/Assets/ML-Agents/Examples/3DBall/TFModels/` içine taşıyın.
+1. Unity Editor'ü açın ve yukarıda açıklandığı gibi **3DBall** sahnesini seçin.
+1. **3DBall** prefab Agents nesnesini seçin.
+1. `<behavior_name(davranış_adı)>.nn` dosyasını editörün Proje penceresinden **Ball3DAgent** inspector penceresindeki **Model** yer tutucusuna sürükleyin.
+1. Editörün üst kısmındaki **Oynat** düğmesine basın.
+
+## Sonraki adımlar
+<!--
+- For more information on the ML-Agents Toolkit, in addition to helpful
+  background, check out the [ML-Agents Toolkit Overview](ML-Agents-Overview.md)
+  page. -->
+- Kendi Öğrenme Ortamınızı oluşturmaya yönelik "Merhaba Dünya" tanıtımı için [Making a New Learning Environment](https://github.com/Unity-Technologies/ml-agents/blob/release_8_docs/docs/Learning-Environment-Create-New.md) sayfasına göz atın.
+<!--
+- For an overview on the more complex example environments that are provided in
+  this toolkit, check out the
+  [Example Environments](Learning-Environment-Examples.md) page.
+- For more information on the various training options available, check out the
+  [Training ML-Agents](Training-ML-Agents.md) page.
+-->

docs/localized/TR/docs/Installation.md

+# Kurulum
+
+ML-Agents Araç Seti birkaç bileşen içermektedir:
+
+- Unity paketi ([`com.unity.ml-agents`](../com.unity.ml-agents/)) Unity sahnenize entegre edilecek Unity C# SDK içerir.
+- Python paketleri:
+  - [`mlagents`](https://github.com/Unity-Technologies/ml-agents/tree/release_7_docs/ml-agents) Unity sahnenizdeki davranışları eğitmenizi sağlayan makine öğrenimi algoritmalarını içerir. Bu nedenle `mlagents` paketini kurmanız gerekecek.
+  - [`mlagents_envs`](https://github.com/Unity-Technologies/ml-agents/tree/release_7_docs/ml-agents-envs) Unity sahnesiyle etkileşime girmek için Python API içermektedir. Unity sahnesi ile Python makine öğrenimi algoritmaları arasında veri mesajlaşmasını kolaylaştıran temel bir katmandır.
+    Sonuç olarak, `mlagents,` `mlagents_envs` apisine bağımlıdır.
+  - [`gym_unity`](https://github.com/Unity-Technologies/ml-agents/tree/release_7_docs/gym-unity) OpenAI Gym arayüzünü destekleyen Unity sahneniz için bir Python kapsayıcı sağlar.
+  <!-- düzenle learning-envir... -->
+- Unity [Project](../Project/) klasörü
+  [örnek ortamlar](Learning-Environment-Examples.md) ile başlamanıza yardımcı olacak araç setinin çeşitli özelliklerini vurgulayan sahneler içermektedir.
+
+ML-Agents Toolkit 'i kurmanız için gerekenler:
+
+- Unity yükleyin (2018.4 veya daha sonraki bir sürüm)
+- Python yükleyin (3.6.1 veya daha yüksek bir sürüm)
+- Bu depoyu klonlayın (İsteğe bağlı)
+  - __Not:__ Depoyu klonlamazsanız, örnek ortamlara ve eğitim yapılandırmalarına erişemezsiniz. Ek olarak, [Başlangıç Rehberi](Getting-Started.md) depoyu klonladığınızı varsayar.
+- `com.unity.ml-agents` ML-Agents Unity paketini yükleyin.
+- `mlagents` Python paketini yüklemek.
+
+### **Unity 2018.4** veya Sonraki Bir Sürüm Yükleyin
+
+[İndir](https://unity3d.com/get-unity/download) ve Unity'i yükle. Şiddetli bir şekilde Unity Hub üzerinden kurmanızı ve bu şekilde birden fazla Unity sürümünü yönetmenizi öneriyoruz.
+
+### **Python 3.6.1** veya Daha Yüksek Bir Sürüm Yükleyin
+
+Python 3.6 veya daha yüksek bir sürümü [yüklemenizi](https://www.python.org/downloads/) öneriyoruz. Eğer, Windows kullanıyorsanız, lütfen x86-64 versiyonunu kurun ve asla sadece x86 isimli versiyonu kurmayın. Python ortamınız `pip3` içermiyorsa, [talimatları](https://packaging.python.org/guides/installing-using-linux-tools/#installing-pip-setuptools-wheel-with-linux-package-managers) takip ederek yükleyebilirsiniz.
+
+Windows'ta Anaconda kurulumu için destek sağlamıyor olsak da,
+önceki [Windows için Anaconda Yüklemesi (Kullanımdan Kaldırılan) Rehberine](Installation-Anaconda-Windows.md) bakabilirsiniz.
+
+### ML-Agent Toolkit Deposunu Klonlayın (İsteğe Bağlı)
+
+Artık Unity ve Python'u kurduğunuza göre, Unity ve Python paketlerini kurabilirsiniz. Bu paketleri yüklemek için depoyu klonlamanıza gerek yoktur, ancak örnek ortamlarımızı ve eğitim yapılandırmalarımızı bunlarla denemek için indirmek isterseniz depoyu klonlamayı seçebilirsiniz (bizim bazı eğitim serilerimiz / rehberlerimiz örnek ortamlarımıza erişiminizin olduğunu varsayar).
+
+```sh
+git clone --branch release_8 https://github.com/Unity-Technologies/ml-agents.git
+```
+
+`--branch release_8` seçeneği en son kararlı sürümün etiketine geçecektir. Bunu ihmal ederek yüklerseniz, potansiyel olarak kararsız olan `master` dalı seçilecektir.
+
+#### Gelişmiş: Geliştirme için Yerel Kurulum
+
+Eğer, ML-Agent Toolkit'i amaçlarınız için değiştirmeyi veya genişletmeyi planlıyorsanız, depoyu klonlamanız gerekecektir. Bu değişikliklere tekrar katkıda bulunmayı planlıyorsanız, `master` dalını klonladığınızdan emin olun (yukarıdaki komuttan `--branch release_8` 'i çıkarın). ML-Agent Toolkit'e katkıda bulunma hakkında daha fazla bilgi için [Katkı Yönergelerimize](../com.unity.ml-agents/CONTRIBUTING.md) bakın.
+
+### `com.unity.ml-agent` Unity paketini kurun
+
+Unity ML-Agents C# SDK, bir Unity paketidir. Unity `com.unity.ml-agent` paketini [doğrudan Paket Yöneticisi](https://docs.unity3d.com/Manual/upm-ui-install.html) kayıt defterinden kurabilirsiniz.
+Lütfen bulmak için 'Advanced' açılır menüsünde 'Preview Packages' seçeneğini etkinleştirdiğinizden emin olun.
+
+**NOT:** Paket Yöneticisi'nde listelenen ML-Agent paketini görmüyorsanız, lütfen [aşağıdaki gelişmiş kurulum talimatlarını]() izleyin.
+
+#### Gelişmiş: Geliştirme için Yerel Kurulum
+
+[Yerel](https://docs.unity3d.com/Manual/upm-ui-local.html) `com.unity.ml-agent` paketini (yeni klonladığınız depodan) projenize şu şekilde ekleyebilirsiniz:
+
+1. Menüye gidin ve `Window` -> `Package Manager` seçeneğini seçin.
+1. Paket yöneticisi penceresinde `+` düğmesine tıklayın.
+1. `Add package from disk...` 'i seçin.
+1. `com.unity.ml-agents` klasörüne gidin.
+1. `package.json` dosyasını seçin.
+
+**NOT:** Unity 2018.4'te `+` düğmesi paket listesinin sağ altındadır ve Unity 2019.3'te paket listesinin sol üst tarafındadır.
+
+<p align="center">
+  <img src="images/unity_package_manager_window.png"
+       alt="Unity Package Manager Window"
+       height="300"
+       border="10" />
+  <img src="images/unity_package_json.png"
+     alt="package.json"
+     height="300"
+     border="10" />
+</p>
+
+Dokümantasyonumuzdaki örnekleri takip edecekseniz, Unity'de `Project` klasörünü açabilir ve hemen kurcalamaya başlayabilirsiniz.
+
+### `mlagents` Python paketi kurulumu
+
+`mlagents` Python paketini kurmak, mlagentlerin bağlı olduğu diğer Python paketlerinin kurulmasını içerir. Dolayısıyla, makinenizde bu bağımlılıklardan herhangi birinin daha eski sürümleri zaten kurulu ise kurulum sorunlarıyla karşılaşabilirsiniz. Sonuç olarak, `mlagents` yüklemek için desteklediğimiz yol, Python Sanal Ortamlarından yararlanmaktır. Sanal Ortamlar, her proje için bağımlılıkları izole etmek için bir mekanizma sağlar ve Mac / Windows / Linux'ta desteklenir. [Sanal Ortamlar hakkında özel bir rehber](https://github.com/Unity-Technologies/ml-agents/blob/release_8_docs/docs/Using-Virtual-Environment.md) sunuyoruz.
+
+`mlagents` Python paketini kurmak için sanal ortamınızı etkinleştirin ve komut satırından çalıştırın:
+
+```sh
+pip3 install mlagents
+```
+
+`mlagents` için klonlanmış depo yerine PyPi'den yüklenmesini şiddetle tavsiye ediyoruz. Eğer doğru bir şekilde kurduysanız, `mlagents-learn --help` komutunu çalıştırabilmeniz gerekir, ardından `mlagents-learn` ile kullanabileceğiniz komut satırı parametrelerini görürsünüz.
+
+`mlagents` paketini yükleyerek, [setup.py dosyasında](https://github.com/Unity-Technologies/ml-agents/blob/release_8_docs/ml-agents/setup.py) listelenen bağımlılıklar da yüklenir. Bunlara
+[TensorFlow](https://github.com/Unity-Technologies/ml-agents/blob/release_8_docs/docs/Background-TensorFlow.md) dahildir. (AVX destekli bir CPU gerektirir).
+
+#### Gelişmiş: Geliştirme için Yerel Kurulum
+
+`mlagents` veya `mlagents_envs` üzerinde değişiklikler yapmayı planlıyorsanız, paketleri PyPi yerine klonlanmış depodan yüklemelisiniz. Bunu yapmak için `mlagents` ve `mlagents_env` dosyalarını ayrı ayrı yüklemeniz gerekir. Deponun kök dizininden şunu çalıştırmalısınız:
+
+```sh
+pip3 install -e ./ml-agents-envs
+pip3 install -e ./ml-agents
+```
+
+Pip'i `-e` bayrağıyla çalıştırmak, Python dosyalarında doğrudan değişiklik yapmanıza ve `mlagents-learn` çalıştırdığınızda bunların yansıtılmasına izin verir. `mlagents` paketi `mlagents_envs` paketine bağlı olduğundan, bu paketleri bu sırayla kurmak önemlidir ve diğer sırayla yüklemek `mlagents_envs` paketini PyPi'den indirecektir.
+
+## Sonraki Adımlar
+
+[Başlangıç Rehberi](Getting-Started.md), Unity içinde ML-Agents Toolkit'i kurma, önceden eğitilmiş bir model çalıştırma, ortamları oluşturma ve eğitimle ilgili birkaç kısa öğretici içermektedir.
+
+## Yardım
+
+ML-Agent'larla ilgili herhangi bir sorunla karşılaşırsanız, [SSS](https://github.com/Unity-Technologies/ml-agents/blob/release_8_docs/docs/FAQ.md) sayfamıza ve [Sınırlamalar](https://github.com/Unity-Technologies/ml-agents/blob/release_8_docs/docs/Limitations.md) sayfalarımıza bakın. Hiçbir şey bulamazsanız, lütfen bir [sorun gönderin(issue)](https://github.com/Unity-Technologies/ml-agents/issues) ve işletim sisteminiz, Python sürümünüz, mümkünse tam hata mesajı ile ilgili bilgileri verdiğinizden emin olun.

docs/localized/TR/docs/Readme.md

+# Unity ML-Agents Araç Seti Türkçe Dokümantasyon
+
+## Kurulum & Düzenleme
+
+- [Kurulum](Installation.md)
+<!--  - [Using Virtual Environment](Using-Virtual-Environment.md)-->
+
+## Başlangıç
+
+- [Başlangıç Rehberi](Getting-Started.md)
+<!-- Buradan devam et.
+- [ML-Agents Toolkit Overview](ML-Agents-Overview.md)
+  - [Background: Unity](Background-Unity.md)
+  - [Background: Machine Learning](Background-Machine-Learning.md)
+  - [Background: TensorFlow](Background-TensorFlow.md)
+- [Example Environments](Learning-Environment-Examples.md)
+
+## Creating Learning Environments
+
+- [Making a New Learning Environment](Learning-Environment-Create-New.md)
+- [Designing a Learning Environment](Learning-Environment-Design.md)
+  - [Designing Agents](Learning-Environment-Design-Agents.md)
+- [Using an Executable Environment](Learning-Environment-Executable.md)
+
+## Training & Inference
+
+- [Training ML-Agents](Training-ML-Agents.md)
+  - [Training Configuration File](Training-Configuration-File.md)
+  - [Using TensorBoard to Observe Training](Using-Tensorboard.md)
+  - [Profiling Trainers](Profiling-Python.md)
+- [Unity Inference Engine](Unity-Inference-Engine.md)
+
+## Extending ML-Agents
+
+- [Creating Custom Side Channels](Custom-SideChannels.md)
+- [Creating Custom Samplers for Environment Parameter Randomization](Training-ML-Agents.md#defining-a-new-sampler-type)
+
+## Python Tutorial with Google Colab
+
+- [Using a UnityEnvironment](https://colab.research.google.com/drive/1Qg6E5kmf9n4G8rc5lXHIM_cQzMUFGH-g#forceEdit=true&sandboxMode=true)
+- [Q-Learning with a UnityEnvironment](https://colab.research.google.com/drive/1nkOztXzU91MHEbuQ1T9GnynYdL_LRsHG#forceEdit=true&sandboxMode=true)
+- [Using Side Channels on a UnityEnvironment](https://colab.research.google.com/drive/1-g7CwEpk9nJ7SgWXfoCUf8pSLUW1b48i#scrollTo=pbVXrmEsLXDt&forceEdit=true&sandboxMode=true)
+
+## Help
+
+- [Migrating from earlier versions of ML-Agents](Migrating.md)
+- [Frequently Asked Questions](FAQ.md)
+- [ML-Agents Glossary](Glossary.md)
+- [Limitations](Limitations.md)
+
+## API Docs
+
+- [API Reference](API-Reference.md)
+- [How to use the Python API](Python-API.md)
+- [How to use the Unity Environment Registry](Unity-Environment-Registry.md)
+- [Wrapping Learning Environment as a Gym (+Baselines/Dopamine Integration)](../gym-unity/README.md)
+
+## Translations
+
+To make the Unity ML-Agents Toolkit accessible to the global research and Unity
+developer communities, we're attempting to create and maintain translations of
+our documentation. We've started with translating a subset of the documentation
+to one language (Chinese), but we hope to continue translating more pages and to
+other languages. Consequently, we welcome any enhancements and improvements from
+the community.
+
+- [Chinese](localized/zh-CN/)
+- [Korean](localized/KR/)
+
+## Deprecated Docs
+
+We no longer use them ourselves and so they may not be up-to-date. We've decided
+to keep them up just in case they are helpful to you.
+
+- [Windows Anaconda Installation](Installation-Anaconda-Windows.md)
+- [Using Docker](Using-Docker.md)
+- [Training on the Cloud with Amazon Web Services](Training-on-Amazon-Web-Service.md)
+- [Training on the Cloud with Microsoft Azure](Training-on-Microsoft-Azure.md)
+- [Using the Video Recorder](https://github.com/Unity-Technologies/video-recorder)
+
+-->