AI SÜPER YAPAY ZEKÂ MİMARİSİ EĞİTİMİ

AI VE SÜPER YAPAY ZEKA MİMARİSİ EĞİTİMİ

Yapay zeka projelerinin büyük çoğunluğu, model performansı yetersizliği nedeniyle değil; veri mimarisindeki temel eksiklikler nedeniyle başarısız oluyor. Yetersiz veri temizleme, hatalı pipeline tasarımı, depolama mimarisi yanlış seçimi ve güvenlik gözetilmeksizin kurulan sistemler — bunların tümü, en zekice seçilmiş algoritmaları bile işe yaramaz hale getirebilir. Bu eğitim, veri odaklı yapay zeka projesinin en kritik altyapısını; veri toplamadan modele, pipeline'dan üretime kadar uçtan uca doğru kurmayı öğretir.

Eğitim beş modülde ilerler: ML yaşam döngüsünün bütünsel kavranmasından Python ile yüksek performanslı veri manipülasyonuna, veri kalitesi ve depolama mimarisi kararlarından ETL/ELT pipeline tasarımı ve KVKK uyumuna, temel ML modellerinden büyük veri işleme ve model versiyonlamaya uzanan kapsamlı bir müfredattır. Her modül, gerçek veri setleri ve Pandas, NumPy, Scikit-learn, PySpark, MLflow araçlarıyla uygulamalı olarak pekiştirilir.

Eğitim sonunda katılımcılar; veri toplamadan modele giden tüm aşamaları bağımsız olarak tasarlar ve uygular. SQL, NoSQL, Data Warehouse ve Data Lake arasında bilinçli seçimler yapar, ETL/ELT pipeline'ları kurar, KVKK ve GDPR uyumlu veri güvenliği politikası uygular, Scikit-learn ile başlangıç modellerini geliştirir ve MLflow ile deney versiyonlaması yapar.

Eğitim; Python bilen ve yapay zeka projesinin veri altyapısını kurmak, mevcut veri mühendisliği bilgisini ML'e köprülemek veya veri mimarisini stratejik perspektifle kavramak isteyen herkes için uygundur.

EĞİTİM HEDEFİ

Bu eğitimin temel hedefi, katılımcılara yapay zeka projesinin en kritik alt katmanı olan veri mimarisini uçtan uca tasarlama, kurma ve yönetme yetkinliği kazandırmaktır. Eğitim sonunda katılımcılar; ML yaşam döngüsünün her adımını bütünsel biçimde kavrar ve Python uzmanlığını bu döngüde etkin şekilde konumlandırır. Pandas ve NumPy ile yüksek performanslı veri manipülasyonu ve EDA gerçekleştirir, RESTful API'lerden programatik veri toplama akışları kurar. SQL, NoSQL, Data Warehouse ve Data Lake arasında doğru mimari kararı alır; ETL ve ELT pipeline'larını Python ve Airflow konseptiyle tasarlar. KVKK ve GDPR uyumlu veri anonimleştirme ve güvenlik politikası uygular, Scikit-learn ile regresyon ve sınıflandırma modelleri geliştirir; MLflow ile deney ve model versiyonlaması yapar.

EĞİTİM İÇERİĞİ

MODÜL 1: YAPAY ZEKA DÜNYASINA GİRİŞ VE VERİNİN STRATEJİK ROLÜ

• ML Yaşam Döngüsü ve Uçtan Uca Akış: Veri toplama, özellik mühendisliği, model eğitimi, değerlendirme ve dağıtım aşamalarının bütünsel haritası; her aşamada Python'un rolü ve yaygın başarısızlık noktaları.
• Python ile İleri Veri Manipülasyonu: Pandas ile performans odaklı merge, groupby, pivot ve reshape işlemleri; büyük veri setlerinde bellek verimliliği için chunking ve dtype optimizasyonu; NumPy ile vektörleştirilmiş hesaplama.
• Keşifsel Veri Analizi (EDA): Dağılım, aykırı değer, korelasyon ve eksik veri örüntülerinin sistematik incelenmesi; Matplotlib ve Seaborn ile çok değişkenli görselleştirme; içgörülerin iş paydaşlarına aktarılması.
• Programatik Veri Toplama ve API Entegrasyonu: RESTful API'lerden JSON ve XML formatında veri çekme; requests kütüphanesi ile otomasyon; kimlik doğrulama (API key, OAuth) ve sayfalama (pagination) yönetimi.
• Veri Kaynaklarının Çeşitliliği: CSV, Excel, JSON, Parquet ve veritabanı bağlantıları; web scraping temelleri ve etik sınırları; gerçek zamanlı (streaming) ve batch veri toplama arasındaki mimari fark.

MODÜL 2: VERİ KALİTESİ VE DEPOLAMA MİMARİLERİ

• Veri Temizleme ve Kalite Güvencesi: Eksik veri (imputation stratejileri: mean, median, KNN, model tabanlı), aykırı değer tespiti (IQR, Z-score, Isolation Forest) ve tekrarlayan kayıt yönetimi; veri kalitesi metriklerinin tanımlanması ve izlenmesi.
• SQL ile İlişkisel Veritabanı Yönetimi: PostgreSQL'de pencere fonksiyonları, CTE ve analitik sorgular; indeks optimizasyonu, sorgu planı analizi ve performans iyileştirme; Python (psycopg2, SQLAlchemy) ile veritabanı entegrasyonu.
• NoSQL Veritabanları ve Kullanım Senaryoları: MongoDB ile belge tabanlı depolama; anahtar-değer (Redis), sütun ailesi (Cassandra) ve grafik (Neo4j) veritabanlarına giriş; SQL vs NoSQL seçim kriterleri ve CAP teoreminin pratik yorumu.
• Modern Veri Platformları — Data Warehouse ve Data Lake: OLTP-OLAP ayrımı; Data Warehouse (Snowflake, BigQuery, Redshift) ve Data Lake (AWS S3, Azure Data Lake, Delta Lake) mimarilerinin karşılaştırması; Data Lakehouse yaklaşımı ve hangi senaryoda hangisinin tercih edildiği.
• Veri Modelleme Temelleri: Star schema ve snowflake schema; boyut (dimension) ve olgu (fact) tabloları; analitik sorgular için optimize veri modeli tasarımı ve yaygın anti-pattern'ler.

MODÜL 3: VERİ PİPELINE TASARIMI, GÜVENLİK VE UYUMLULUK

• Özellik Mühendisliği (Feature Engineering): Sayısal özelliklerin ölçeklendirilmesi (StandardScaler, MinMaxScaler, RobustScaler); kategorik değişkenlerin kodlanması (One-Hot, Ordinal, Target Encoding); tarih/zaman özelliklerinin türetilmesi ve metin tabanlı özellik çıkarımı.
• Özellik Seçimi ve Boyut Azaltma: Filter (korelasyon, chi-square), wrapper (RFE) ve embedded (L1 regularization) yöntemleri; PCA ile boyut azaltma ve varyans açıklama oranı analizi; özellik önem skorlarının yorumlanması.
• ETL ve ELT Pipeline Tasarımı: Extract-Transform-Load ve Extract-Load-Transform yaklaşımlarının mimari farklılıkları; Python tabanlı iş akışı tasarımı; Apache Airflow ile bağımlılık yönetimi, zamanlama ve görev orkestrasyonu.
• Veri Güvenliği ve KVKK/GDPR Uyumu: Kişisel veri sınıflandırma; veri maskeleme, anonimleştirme (k-anonimlik, differential privacy temelleri) ve pseudonymization teknikleri; erişim kontrolü ve denetim logu; data leakage'ın ML süreçlerindeki tehlikesi ve önleme yöntemleri.
• Pipeline İzleme ve Veri Kalitesi Otomasyonu: Great Expectations ile otomatik veri kalitesi doğrulaması; pipeline anomalisi tespiti ve otomatik uyarı mekanizmaları; idempotent pipeline tasarımının önemi.

MODÜL 4: MAKİNE ÖĞRENMESİ MODELLERİ VE DEĞERLENDİRME

• Temel ML Modelleri — Regresyon: Linear Regression ile tahmin ve katsayı yorumlama; Ridge, Lasso ve ElasticNet ile regularization; polinom regresyon; hata analizi ve artık (residual) diyagramlarının yorumlanması.
• Temel ML Modelleri — Sınıflandırma: Logistic Regression ile olasılık çıktısı; Decision Tree, Random Forest ve Gradient Boosting (XGBoost, LightGBM) modellerinin karşılaştırması; dengesiz sınıf (class imbalance) problemi ve çözüm stratejileri (SMOTE, class_weight).
• Scikit-learn Pipeline ile Bütünleşik Model Geliştirme: Ön işleme ve model eğitimini tek boru hattında birleştirme; data leakage riskini ortadan kaldıran doğru CV uygulaması; pipeline'ı pickle ile serileştirme ve yeniden yükleme.
• Performans Metrikleri ve Model Değerlendirme: Sınıflandırma için Accuracy, Precision, Recall, F1-Score, ROC-AUC ve PR eğrisi; regresyon için MSE, RMSE, MAE, MAPE ve R²; K-Fold ve Stratified K-Fold Cross-Validation ile genelleme testleri.
• Hiperparametre Optimizasyonu: Grid Search, Random Search ve Bayesian Optimization (Optuna) ile hiperparametre arama; optimizasyon süreçlerinde zaman-performans dengesi; önyargı-varyans (bias-variance) dengesizliğinin teşhisi ve giderilmesi.

MODÜL 5: BÜYÜK VERİ, NLP TEMELLERİ VE MODELİN HAYATA GEÇİRİLMESİ

• Büyük Veri İşleme — Spark ve PySpark: Apache Spark'ın dağıtık veri işleme modeli; PySpark DataFrame API ile büyük ölçekli gruplama, filtreleme ve birleştirme işlemleri; Spark SQL ile yapılandırılmış streaming sorguları; Hadoop HDFS ile veri depolama temelleri.
• Doğal Dil İşleme (NLP) Temelleri: Metin ön işleme (tokenizasyon, stopword kaldırma, stemming/lemmatization); TF-IDF ile metin vektörleştirme ve belge benzerliği hesaplama; duygu analizi ve metin sınıflandırma için Scikit-learn entegrasyonu; word2vec ve modern embedding modellerin temeline giriş.
• Model Serileştirme ve Yönetimi: pickle ve joblib ile model ağırlıklarının disk yazımı ve belirleyici yeniden yükleme; ONNX ile platform bağımsız model dışa aktarımı; model sürüm yönetiminin önemi ve best practice'ler.
• MLflow ile Deney İzleme ve Versiyonlama: Parametre, metrik ve artifakt loglama; deneyler arası karşılaştırmalı analiz; model kayıt defteri (Model Registry) kullanımı; staging ve production geçiş süreci.
• Modeli Üretime Taşıma — Giriş: FastAPI ile basit model servis mimarisi; REST endpoint tasarımı ve istek/yanıt şeması; Docker ile model konteynerizasyonu; üretim ortamında model izlemenin kritik önemi ve concept drift kavramı.

EĞİTİM YÖNTEMİ

• Kavramsal Anlatım ve Mimari Kararlar: Her modül, teknik konunun teorik sezgisiyle başlar ve ardından "neden bu seçim?" sorusunu yanıtlayan gerçek mimari karar senaryolarıyla desteklenir. Hangi aracın, hangi durumda tercih edildiği ve alternatiflerin neden ellendiği açıkça aktarılır.
• Jupyter Notebook Temelli Uygulamalı Laboratuvarlar: Pandas, NumPy, Scikit-learn, PySpark ve MLflow araçlarıyla her modülün pratik karşılığı yürütülür. Gerçek ve temizlenmemiş veri setleri kullanılır; problem hata ayıklama becerisi de öğretilir.
• SQL ve NoSQL Vaka Çalışmaları: PostgreSQL ve MongoDB üzerinde gerçek veri modelleme ve sorgulama senaryoları; Data Warehouse ile Data Lake seçim kararının vaka üzerinden tartışılması; yanlış mimari seçimlerinin proje maliyetine etkisi.
• Güvenlik ve Uyumluluk Atölyesi: KVKK ve GDPR gerekliliklerinin bir veri pipeline projesine uygulanması; veri maskeleme ve anonimleştirme tekniklerinin canlı demonstrasyonu; data leakage riski içeren günlük senaryoların tanınması.
• Model Geliştirme ve MLflow Entegrasyonu: Sıfırdan veri toplama, temizleme, pipeline kurma, model eğitimi ve MLflow ile deney izlemeye uzanan uçtan uca pratik senaryo; katılımcılar kendi veri setleriyle süreci tamamlar.
• Danışmanlık ve Açık Soru-Cevap: Her gün sonunda serbest danışmanlık zamanı; katılımcılar kendi şirket veri altyapılarına veya kişisel projelerine özgü mimari sorularını uzmana yöneltir.

HEDEF KİTLE

PYTHON GELİŞTİRİCİLERİ VE YAZILIM MÜHENDİSLERİ

• Yapay zeka projelerinde veri mimarisi ve ML süreçlerini derinlemesine kavramak, Python uzmanlığını veri toplama, işleme, modelleme ve servis aşamalarında etkin biçimde kullanmak isteyen Python geliştiricileri ve yazılım mühendisleri.

VERİ MÜHENDİSLERİ VE VERİ ANALİSTLERİ

• ETL/ELT pipeline tasarımı, EDA ve veri platformları (Data Warehouse, Data Lake) konusunda çalışan ve makine öğrenmesi süreçlerine köprü kurmak isteyen veri mühendisleri; SQL ve Python araçlarını ML iş akışına entegre etmek isteyen veri analistleri.

VERİ BİLİMCİLERİ VE ML ARAŞTIRMACILARI

• Model geliştirme öncesindeki veri altyapısı adımlarını (pipeline, özellik mühendisliği, veri kalitesi) daha sistematik biçimde uygulamak, MLflow ile deney yönetimini kurumsallaştırmak ve büyük veri araçlarını (PySpark) yetkinlik setine eklemek isteyen veri bilimcileri.

ÜRÜN YÖNETİCİLERİ VE VERİ STRATEJİSTLERİ

• Yapay zeka ve veri projesinin teknik altyapısını yeterince kavrayarak doğru yatırım kararları almak, veri mühendislik ekibiyle verimli iletişim kurmak ve kurumsal veri yol haritasını bilinçli biçimde şekillendirmek isteyen ürün yöneticileri ve veri stratejistleri.

DEVOPS VE PLATFORM MÜHENDİSLERİ

• ML pipeline'larını orkestre etmek, model containerizasyonu (Docker) ve versiyonlamayı (MLflow) yönetmek ve veri altyapısını üretim ortamında güvenilir biçimde çalıştırmak isteyen DevOps ve platform mühendisleri.

KATILIMCILARDAN BEKLENTİLERİMİZ

• Orta Düzey Python Bilgisi: Fonksiyonlar, sınıflar, list comprehension ve dosya okuma/yazma işlemlerini rahatça kullanabilmek; pip ile paket kurulumu ve sanal ortam yönetimi yapabilmek. Pandas ve NumPy ile temel temas olması önerilir ancak zorunlu değildir.
• Temel SQL Farkındalığı: SELECT, WHERE, GROUP BY ve JOIN sorgularını anlayabilmek; veritabanı tablosu ve satır/sütun kavramlarına aşina olmak. İleri SQL bilgisi beklenmez; eğitim kapsamında yetkinlik geliştirilecektir.
• Veri Dosyası ve API ile Çalışma Deneyimi: CSV veya Excel dosyasını Python'da okuyup yazmış olmak; en az bir kez bir API'ye istek göndermiş olmak yeterlidir.
• Temel İstatistik Kavramlarına Aşinalık: Ortalama, medyan, standart sapma ve korelasyon kavramlarını tanımak; bunları veride nasıl yorumlayacağından emin olmak gerekmez — eğitim kapsamında pekiştirilecektir.
• Uygulama Odaklı Katılım: Notebook ortamında kod yazmaya, egzersiz veri setleri üzerinde deney yapmaya ve kendi şirketinin veri gündemine örnek getirmeye istekli olmak. Teorik merakın yanı sıra pratik çözüm üretme motivasyonu bu eğitimi en verimli kılan faktördür.