AI SÜPER YAPAY ZEKÂ MİMARİSİ EĞİTİMİ

EĞİTİM SÜRESİ

• Eğitim Süresi: 3 Gün
• Günlük Eğitim Süresi: 6 Saat
• Ders Yapısı: 50 dakika oturum + 10 dakika mola
• Eğitim Saatleri: 10:00 - 17:00
• Öğle Arası: 12:00 - 13:00 (1 Saat)

Eğitimler, uzaktan canlı sınıf formatında Microsoft Teams platformu üzerinden gerçekleştirilir. Katılımcılar eğitim öncesinde paylaşılan bağlantılarla oturumlara katılır. Eğitim süresince eğitmen, uygulamalı anlatım, canlı demo ve anlık soru-cevap yöntemlerini birlikte kullanarak maksimum etkileşim sağlar.

Uygulamalı bölümlerde Python, Pandas, NumPy, Matplotlib, Seaborn, Requests, PostgreSQL, MongoDB, Scikit-learn, Airflow konsepti, MLflow, Apache Spark ve Hadoop gibi araç ve kütüphaneler kullanılır.

Eğitim, problem odaklı öğrenme ve modül bazlı ilerleme yaklaşımıyla tasarlanmıştır. Her modül, gerçek kurumsal senaryolarla desteklenen kısa anlatım + canlı demo + uygulamalı alıştırmalar içerir.

EĞİTİM HEDEFİ

• Veri odaklı yapay zekâ mimarisini uçtan uca kurgulayabilecek beceri kazandırmak.
• Python uzmanlığını veri toplama, işleme, depolama, güvenlik ve modelleme adımlarında etkinleştirmek.
• Kurumsal veri platformları (SQL/NoSQL, DWH/Data Lake) ve pipeline tasarımına hâkimiyet sağlamak.
• Model geliştirme, değerlendirme, serileştirme ve versiyonlama pratiklerini uygulamak.

EĞİTİM YÖNETİMİ

• Teorik Bilgi: ML yaşam döngüsü, veri platformları ve mimari tasarım.
• Uygulamalı Laboratuvarlar: Pandas/NumPy ile veri manipülasyonu, EDA; API ile veri toplama; Scikit-learn ile modelleme.
• Vaka Çalışmaları: SQL/NoSQL seçimi, ETL/ELT senaryoları, güvenlik ve anonimleştirme.

HEDEF KİTLE

1. Python Geliştiriciler: Yapay zekâ projelerinde veri mimarisi ve ML süreçlerine hâkim olmak isteyenler.
2. Veri Mühendisleri/Analistler: ETL/ELT, EDA ve veri platformlarıyla çalışıp ML’e köprü kurmak isteyenler.
3. Ürün/Proje Yöneticileri: Veri ve AI yol haritasını teknik temelleriyle kavramak isteyen paydaşlar.

KATILIMCILARDAN BEKLENTİLERİMİZ

• Orta seviye Python bilgisi (Pandas/NumPy temel bilgisi önerilir).
• Temel SQL ve veri modelleme farkındalığı (önerilir).
• Aktif katılım ve uygulamalı çalışmalara istekli olma.

EĞİTİM PROGRAMI

Modül 1: Yapay Zekâ Dünyasına Giriş ve Veriyle İlk Temas (Seviye: Başlangıç)

• ML Yaşam Döngüsü ve Stratejik Önemi: Veri toplama, özellik mühendisliği, eğitim, değerlendirme ve dağıtımın bütünsel akışı; Python uzmanlığının bu aşamalardaki rolü.
• Python ile İleri Veri Manipülasyonu ve Keşfi: Pandas/NumPy ile performans odaklı merge/groupby/reshape; EDA ile desen, anormallik ve ilişkilerin Matplotlib/Seaborn ile görselleştirilmesi.
• Programatik Veri Toplama ve API Entegrasyonu: RESTful API’lerden JSON/XML çekme; requests ile otomasyon.

Modül 2: Veri Kalitesi, Depolama Mimarileri ve Yönetimi (Seviye: Başlangıç/Orta)

• Veri Temizleme ve Kalite Güvencesi: Missing/outlier/duplicate yönetimi ve ön işleme pratikleri.
• SQL ve NoSQL Farkındalığı: PostgreSQL ve MongoDB senaryoları; artı/eksi ve kullanım alanları.
• Modern Veri Platformları: Data Warehouse vs Data Lake; birlikte kullanım stratejileri.

Modül 3: Veri İşleme ve Dönüşüm Pijamaları (Pipelines) (Seviye: Orta)

• Özellik Mühendisliği: Scaling, One-Hot Encoding, özellik seçimi.
• ETL ve ELT Tasarımı: Python tabanlı iş akışları; Airflow konsepti ile otomasyon.
• Veri Güvenliği ve Anonimizasyon: KVKK/GDPR uyumu; maskeleme, anonimleştirme ve data leakage önleme.

Modül 4: Makine Öğrenmesi Modellerine Geçiş ve Değerlendirme (Seviye: Orta)

• Temel ML Modelleri: Scikit-learn ile regresyon/sınıflandırma (Linear/Logistic Regression) uygulamaları ve sezgisel anlatım.
• Pipeline ile Model Geliştirme: Ön işleme + eğitim adımlarının birleştirilmesi, test setiyle doğru performans ölçümü.
• Performans Metrikleri ve Cross-Validation: Accuracy, Precision, Recall, F1; MSE, MAE; K-Fold CV.

Modül 5: Büyük Veri ve Modelin Hayata Geçirilmesi (Seviye: Orta)

• Büyük Veri İşleme: Spark/Hadoop’a giriş; PySpark ile temel veri işlemleri.
• NLP’ye Giriş ve Metin Vektörleştirme: Temizleme, tokenizasyon; TF-IDF ile sayısal temsil.
• Model Serileştirme ve Versiyonlama: pickle/joblib ile saklama; MLflow ile deney/versiyon takibine giriş.

KAZANIMLAR

Bu eğitim programı, katılımcıların Python geliştirme uzmanlığından, yapay zekâ odaklı veri mimarı yetkinliğine geçiş yapmaları için tasarlanmış bir kariyer hızlandırıcıdır. Program sonunda katılımcılar, sadece kod yazan değil, aynı zamanda verinin stratejik yolculuğunu tasarlayan, yöneten ve optimize eden profesyoneller haline geleceklerdir.

Bireysel olarak, her katılımcı bir yapay zekâ projesinin en kritik ve temel adımı olan veri altyapısını uçtan uca tasarlama yeteneği kazanacaktır. Hangi veri için hangi depolama çözümünün (SQL, NoSQL, Data Lake) uygun olduğunu analiz edebilecek, veriyi modellemeye hazır hale getiren ETL/ELT süreçlerini kurgulayabilecek ve veri güvenliği prensiplerini projelerine entegre edebileceklerdir. Bu yetkinlikler, onları standart bir yazılım geliştiriciden ayıran, kariyerlerinde bir sonraki adıma taşıyacak stratejik bir fark yaratacaktır.

Kurumsal olarak, şirketiniz veri odaklı karar alma süreçlerini hızlandıracak ve yapay zekâ projelerinin başarı oranını artıracak kilit bir yetkinliğe sahip olacaktır. Ekipleriniz, veri bilimcileri ve yazılım geliştiriciler arasında bir köprü görevi görebilen, projelerin en başından itibaren ölçeklenebilir, güvenli ve verimli veri mimarileri kurabilen uzmanlar kazanacaktır. Bu durum, proje geliştirme sürelerini kısaltacak, maliyetleri düşürecek ve en önemlisi, veriden elde edilen değeri maksimize ederek kurumunuza sürdürülebilir bir rekabet avantajı sağlayacaktır. Bu eğitim, departmanlar arası siloları yıkarak veri odaklı ortak bir dil ve kültür oluşumuna zemin hazırlayacaktır.

İŞLENEN ANAHTARLAR

• Veri Manipülasyonu (Pandas & NumPy) - Giriş: Büyük veri setlerini verimli işleme ve dönüştürme.
• ML Lifecycle - Giriş: Proje döngüsünü uçtan uca kavrama.
• Veri Toplama ve API Entegrasyonu - Giriş: RESTful API’lerle programatik veri çekme.
• EDA ve Veri Temizleme - Giriş: Anormallik ve desen tespiti; veri kalitesini artırma.
• SQL/NoSQL Farkındalığı - Giriş: Doğru veritabanı teknolojisi seçimi.
• Data Warehouse & Data Lake - Giriş: Roller, farklar ve birlikte kullanım.
• Görselleştirme (Matplotlib & Seaborn) - Giriş: İçgörüleri etkili olarak sunma.
• Temel ML Modelleri (Regression, Classification) - Giriş: Algoritma sezgileri ve uygulama.
• Feature Engineering - Orta: Anlamlı özellik türetme ve seçimi.
• Scikit-learn ile Model Geliştirme/Doğrulama - Orta: Pipeline ve test süreçleri.
• Metrikler ve Cross-Validation - Orta: Başarıyı objektif ölçüm ve genelleme testleri.
• ETL/ELT Tasarımı - Orta: Veri boru hatlarının mimarisi.
• Veri Güvenliği ve Anonimizasyon - Orta: KVKK/GDPR uyumu ve data leakage önleme.
• NLP’ye Giriş ve TF-IDF - Orta: Metinlerin sayısal temsili.
• Model Serileştirme ve Versiyonlama - Orta: pickle/joblib, MLflow pratikleri.
• Spark & Hadoop - Orta: Dağıtık veri işleme konseptlerine giriş.