AI SÜPER YAPAY ZEKÂ MİMARİSİ EĞİTİMİ

ASI VE SÜPER YAPAY ZEKA MÜHENDİSLİĞİ EĞİTİMİ

Yapay zeka artık bir araştırma konusu değil; gerçek dünya sistemlerinin omurgası. Büyük dil modelleri, üretken AI mimarileri, pekiştirmeli öğrenme ve otonom ajanlar, dünyanın önde gelen teknoloji şirketlerinde üretim ortamlarının merkezine oturdu. Bu noktada "AI kullanmak" ile "AI sistemi inşa etmek" arasındaki mesafe giderek stratejik önem kazanıyor. Bu eğitim, Python geliştiricilerini derin öğrenme teorisinden LLM mühendisliğine, üretken AI mimarilerinden MLOps'a kadar uzanan tam yığını (full stack) özgün biçimde kavrayabilen yapay zeka mimarlarına dönüştürmek için tasarlandı.

On modüle yayılan müfredat; lineer cebir ve olasılık temellerinden PyTorch ile sinir ağı eğitimine, Transformer ve BERT/GPT mimarilerinden Hugging Face ile fine-tuning'e, VAE/GAN/difüzyon modellerine, RLHF ile LLM hizalamasına, RAG ve vektör veritabanlarına, LangChain/LlamaIndex ile ajan orkestrasyonuna, MLOps (DVC, MLflow, Kubeflow) ile model yaşam döngüsü yönetimine ve son olarak XAI, güvenlik ve etik tasarıma uzanır.

Her modül, Jupyter Notebook tabanlı uygulamalı laboratuvarlarla pekiştirilir. Gerçek veri setleri, Hugging Face model hub'ı, Pinecone/ChromaDB ve MLflow üzerinden elle dokunulan pratikler teorinin önüne geçer. Modül 10'daki Capstone projesinde katılımcılar, kendi kurumsal problemlerine yönelik uçtan uca bir AI sistemi tasarlar ve sunar.

Eğitim; Python uzmanlığını yapay zeka mühendisliğine taşımak isteyen yazılım geliştiriciler, model geliştirme kapasitesini ileri seviyeye çıkarmak isteyen ML mühendisleri ve kurumsal AI mimarisini stratejik düzeyde yönetmek isteyen teknik liderler için tasarlanmıştır.

EĞİTİM HEDEFİ

Bu eğitimin temel hedefi, katılımcılara yapay zeka sistemlerini yalnızca kullanmakla kalmayıp; uçtan uca tasarlama, geliştirme, optimize etme ve üretime taşıma yetkinliği kazandırmaktır. Eğitim sonunda katılımcılar; derin öğrenmenin matematiksel temellerini (tensörler, gradyan, aktivasyon, optimizasyon) kavrar ve PyTorch ile ileri düzey sinir ağı mimarileri geliştirir. Transformer mimarisini (attention, positional encoding, encoder-decoder) derinlemesine anlar; Hugging Face ile BERT ve GPT modellerini ince ayarlar (fine-tuning). VAE, GAN ve difüzyon modellerinin mimarilerini kavrar; Stable Diffusion ve DALL-E gibi text-to-image sistemlerinin çalışma prensibini açıklar. RLHF ile LLM hizalamasını uygular; RAG mimarisini vektör veritabanlarıyla (Pinecone, ChromaDB) tasarlar ve LangChain/LlamaIndex ile otonom ajan sistemleri geliştirir. MLOps araçlarıyla (MLflow, DVC, Kubeflow) model yaşam döngüsünü kurumsallaştırır; quantization, pruning ve knowledge distillation ile çıkarım optimizasyonu yapar. OWASP LLM Top 10 tehditlerine karşı savunma mimarileri tasarlar ve LIME/SHAP ile açıklanabilir AI (XAI) pratiği kazanır.

EĞİTİM İÇERİĞİ

MODÜL 1: YAPAY ZEKA EVRENİNE GİRİŞ VE YÜKSEK PERFORMANSLI PYTHON

• Yapay Zeka Hiyerarşisi ve Terminoloji: AI, Makine Öğrenmesi, Derin Öğrenme, AGI ve ASI kavramlarının ilişkisi; dar yapay zeka (ANI) ile genel yapay zekanın (AGI) mimari farkı; teknolojik tekillik (singularity) tartışmasının teknik boyutu.
• Bilimsel Hesaplama — NumPy ve SciPy: N-boyutlu tensör işlemleri, vektörleştirilmiş hesaplama ve broadcasting; SciPy ile optimizasyon, istatistik ve sinyal işleme; Numba ve Cython ile Python kodunu 10-100x hızlandırma.
• Veri Manipülasyonu ve Keşifsel Analiz: Pandas ile büyük veri setini okuma, temizleme, gruplama ve birleştirme; Matplotlib ve Seaborn ile çok değişkenli EDA görselleştirmesi; veri kalitesi sorunlarının sistematik tespiti ve giderilmesi.
• GPU Ekosistemi ve Hesaplama Altyapısı: CUDA programlama modeli; Google Colab, AWS SageMaker ve Azure ML üzerinde GPU ortamı kurulumu; vGPU ve çok GPU kullanımının model eğitim süresine etkisi.
• Açık Kaynak AI Ekosistemi: Hugging Face Hub, Papers With Code ve arXiv; modern AI araştırma akışı; 2020-2025 yıllarının kırılma noktası olan modelleri (GPT-3, CLIP, AlphaFold, Gemini) ve kurumsal etkileri.

MODÜL 2: DERİN ÖĞRENMENİN MATEMATİKSEL TEMELLERİ VE KLASİK MİMARİLER

• Uygulamalı Lineer Cebir: Matris çarpımı, transpoz, determinant ve özdeğer/özvektör analizi; tensörlerin derin öğrenme bağlamındaki rolü; Singular Value Decomposition (SVD) ve boyut indirgeme uygulamaları.
• Olasılık ve İstatistik Temelleri: Koşullu olasılık, Bayes teoremi ve maksimum olabilirlik tahmini; olasılık dağılımlarının model tasarımında kullanımı; çapraz entropi ve KL divergence kayıp fonksiyonlarının türetilmesi.
• Geri Yayılım ve Optimizasyon: Hesaplamalı grafikler, zincir kuralı ve otomatik türev (autograd); SGD, Momentum, RMSProp ve Adam optimizörlerinin matematiksel karşılaştırması; learning rate schedule ve warm-up stratejileri.
• Temel Derin Öğrenme Mimarileri: Tam bağlantılı ağlar (FNN) ve aktivasyon fonksiyonlarının seçimi; Evrişimli Sinir Ağları (CNN) — kıvrım, havuzlama ve resnet bağlantısı; Yinelemeli Sinir Ağları (RNN) ve LSTM/GRU ile sıralı veri modelleme.
• Regülarizasyon ve Genelleme: L1/L2 regularization, Dropout, Batch Normalization ve Layer Normalization; erken durdurma (early stopping) ve K-Fold cross-validation; önyargı-varyans dengesinin pratik yönetimi.

MODÜL 3: MODERN ML ÇERÇEVELERİ VE VERİ HAZIRLIK SÜREÇLERİ

• PyTorch ile İleri Düzey Model Geliştirme: Dinamik hesaplama grafiği ve autograd; özel katman, kayıp fonksiyonu ve metrik yazımı; Dataset/DataLoader pipeline'ı ve çok iş parçacıklı veri yükleme; model kayıt ve yüklemede state_dict yönetimi.
• TensorFlow ve Keras Ekosistemi: Statik grafik ve GradientTape karşılaştırması; Keras Functional API ve özel eğitim döngüleri; TFRecord formatı ve tf.data ile büyük veri set yönetimi; TensorBoard ile eğitim izleme.
• Endüstriyel Özellik Mühendisliği: Eksik veri imputation stratejileri (KNN, iteratif, model tabanlı); aykırı değer tespiti (IQR, Isolation Forest, Local Outlier Factor); ölçeklendirme, kodlama ve özellik seçimi pipeline tasarımı.
• Boyut İndirgeme ve Temsil Öğrenimi: PCA ile temel bileşen analizi; t-SNE ve UMAP ile yüksek boyutlu veri görselleştirmesi; gömme vektörleri (embeddings) ve anlamsal uzay yorumlama.
• Model Değerlendirme ve Yorumlama: Sınıflandırma metrikleri (Accuracy, Precision, Recall, F1, ROC-AUC, PR eğrisi); regresyon metrikleri (MSE, RMSE, MAE, R²); çok sınıflı değerlendirme ve dengesiz veri stratejileri (SMOTE, class_weight).

MODÜL 4: TRANSFORMER MİMARİSİ VE TRANSFER ÖĞRENMESİ STRATEJİLERİ

• Attention Mekanizması — Derinlemesine: Scaled Dot-Product Attention'ın matematiksel türetilmesi; Multi-Head Attention ve farklı başlıkların farklı anlamsal ilişkileri öğrenmesi; Positional Encoding'in sıralı bilgiyi kodlama biçimi; RNN'in vanishing gradient kısıtını Transformer'ın nasıl aştığı.
• Encoder-Decoder Mimarileri: BERT (Encoder-only) ile çift yönlü bağlam anlama ve NLU görevleri; GPT (Decoder-only) ile otoregressif metin üretimi; T5 ve BART (Encoder-Decoder) ile sequence-to-sequence görevler; mimari seçiminin göreve etkisi.
• Hugging Face Transformers — Pratik: Transformers kütüphanesiyle pipeline, tokenizer ve model sınıflarının kullanımı; Hugging Face Hub'dan model yükleme ve çıkarım; Trainer API ile standartlaştırılmış eğitim döngüsü.
• Fine-Tuning Stratejileri: Tam fine-tuning, katman dondurma (layer freezing) ve bölgesel fine-tuning karşılaştırması; Parameter-Efficient Fine-Tuning (PEFT): LoRA, QLoRA ve Prefix Tuning; görev spesifik başlık (task head) tasarımı ve sınıflandırma/NER/QA adaptasyonu.
• Büyük Model Ölçekleme Yasaları: Chinchilla scaling laws ve model boyutu ile veri miktarı dengesi; Flash Attention ve banded attention ile bellek verimliliği; Mixture of Experts (MoE) mimarisinin seyreltilmiş hesaplama avantajı.

MODÜL 5: ÜRETKen YAPAY ZEKA MODELLERİ — VAE, GAN VE DİFÜZYON

• Variational Autoencoder (VAE): Kodlayıcı-kod çözücü mimarisi ve latent space öğrenimi; reparameterization trick ile türevlenebilir örnekleme; ELBO kayıp fonksiyonunun bileşenleri; VAE ile görüntü üretimi, interpolasyon ve anomali tespiti uygulamaları.
• Generative Adversarial Network (GAN): Generator ve Discriminator'ın adversarial oyun teorisi; DCGAN mimarisi ve evrişimli üretici/ayırt edici tasarımı; mod çöküşü (mode collapse), eğitim kararsızlığı ve Wasserstein GAN çözümü; StyleGAN ile yüksek kaliteli yüz sentezi.
• Difüzyon Modelleri — Denoising: İleri (forward) ve geri (reverse) difüzyon sürecinin matematiği; DDPM ve DDIM örnekleme algoritmaları; U-Net mimarisi ve gürültü tahmini; Stable Diffusion'ın Latent Diffusion Model (LDM) mimarisi ve verimliliği.
• Text-to-Image Sistemleri: CLIP ile metin-görüntü anlamsal hizalaması; conditioning mekanizmaları (text guidance, classifier-free guidance); DALL-E 3, Midjourney ve Stable Diffusion'ın mimari karşılaştırması; kurumsal görsel içerik üretiminde kullanım senaryoları.
• Multimodal Modeller: Vision-Language Model mimarileri (GPT-4V, LLaVA, Flamingo); görüntü, metin ve ses modalitelerinin birleştirilmesi; CLIP embedding ile görsel arama ve sınıflandırma; multimodal RAG sistemlerine giriş.

MODÜL 6: PEKİŞTİRMELİ ÖĞRENME VE LLM HİZALAMASI (RLHF)

• Pekiştirmeli Öğrenme Temelleri: Markov Karar Süreci (MDP), durum-eylem-ödül döngüsü; Q-Learning ve Deep Q-Network (DQN) ile Atari oyunlarında politika öğrenimi; politika tabanlı (Policy Gradient, REINFORCE) ve değer tabanlı yöntemlerin karşılaştırması.
• İleri RL Algoritmaları: Proximal Policy Optimization (PPO) ve kırpılmış politika güncellemesinin kararlılık avantajı; Actor-Critic mimarileri (A3C, SAC); çok ajanlı pekiştirmeli öğrenmeye (MARL) giriş; OpenAI Gym ve Farama Gymnasium ile simülasyon ortamı kurulumu.
• RLHF — İnsan Geri Bildirimiyle Hizalama: RLHF'nin üç aşaması: supervised fine-tuning → reward model eğitimi → PPO ile politika optimizasyonu; InstructGPT ve ChatGPT'nin bu süreçten nasıl ortaya çıktığı; Reinforcement Learning from AI Feedback (RLAIF) ve Constitutional AI yaklaşımları.
• Reward Modeli Tasarımı: İnsan tercih verisinin toplanması ve etiketlenmesi; Bradley-Terry model ile sıralama tabanlı reward öğrenimi; ödül hacking (reward hacking) riski ve kırılgan hizalamanın önlenmesi.
• Direct Preference Optimization (DPO): RLHF'nin reward model gerektirmeyen alternatifi; tercih çiftleriyle doğrudan politika optimizasyonu; DPO'nun PPO tabanlı RLHF'ye kıyasla avantaj ve sınırlılıkları.

MODÜL 7: RAG MİMARİLERİ VE VEKTÖR VERİTABANLARI

• RAG Mimarisinin Temeli: Parametrik bilgi (model ağırlıkları) ile parametrik olmayan bilginin (harici belgeler) ayrımı; naive RAG, advanced RAG ve modüler RAG mimarilerinin karşılaştırması; hallucination'ı azaltmak için kaynağa dayalı üretimin önemi.
• Embedding ve Anlamsal Temsil: text-embedding-ada-002, E5, BGE ve sentence-transformers modellerinin karşılaştırması; cosine similarity ile anlamsal yakınlık ölçümü; çok dilli embedding stratejileri ve Türkçe içerik için model seçimi.
• Vektör Veritabanları — Derinlemesine: Pinecone (yönetilen, ölçeklenebilir), Weaviate (hibrit semantik + keyword arama), Qdrant (yüksek performans, filtreleme), ChromaDB (yerel geliştirme) ve Azure AI Search'ün kurumsal mimari senaryolarına göre seçimi.
• Semantik Chunking ve İndeksleme Stratejileri: Belgelerin anlamlı ve bağımsız parçalara bölünmesi; chunk boyutu, örtüşme (overlap) ve metadata zenginleştirme kararları; hybrid retrieval (dense + sparse) ve reranker entegrasyonu (Cohere Rerank, cross-encoder).
• Kurumsal Bilgi Erişim Sistemi Tasarımı: Yönetmelik, politika ve teknik dokümantasyon üzerinden güvenilir soru-cevap sistemi; çok kaynaklı RAG ve kaynak atıfı (citation) mekanizması; KVKK uyumlu veri akışı ve erişim kontrolü.

MODÜL 8: LLM ORKESTRASYONU VE OTONOM AJANLAR

• LangChain ile Zincir Tasarımı: LLMChain, SequentialChain ve RouterChain bileşenleri; prompt şablonları ve çıktı ayrıştırıcıları (output parsers); bellek yönetimi türleri (ConversationBufferMemory, SummaryMemory, VectorStoreMemory).
• LlamaIndex ile Veri Odaklı Orkestrасyon: Doküman yükleyiciler, node parsers ve index türleri (VectorStoreIndex, KnowledgeGraphIndex, SummaryIndex); sorgu motorları ve RouterQueryEngine ile çok kaynaklı RAG; LlamaIndex ile Agentic RAG mimarisi.
• İleri Prompt Engineering Teknikleri: ReAct (Reasoning + Acting) döngüsü; Tree of Thought ile dallanmalı çözüm uzayı keşfi; self-consistency ile çoklu örneklem doğrulama; meta-prompting ve prompt optimizasyon araçları (DSPy, PromptFoo).
• Fonksiyon Çağrısı (Function Calling) ve Araç Entegrasyonu: OpenAI tools API ile LLM'in harici Python fonksiyonlarını, REST API'leri ve veritabanlarını çağırması; structured output ile araç sonuçlarının işlenmesi; ReAct agent ile dinamik araç seçimi.
• Multi-Agent Sistemleri: AutoGen ve CrewAI ile çok ajanlı iş akışı tasarımı; planlayıcı (planner), yürütücü (executor) ve doğrulayıcı (verifier) ajan rolleri; ajan arası mesajlaşma protokolü; otonom araştırma ve veri analiz ajanı geliştirme pratiği.

MODÜL 9: MLOps — MODELİN KURUMSAL YAŞAM DÖNGÜSÜ

• ML Yaşam Döngüsü ve Tekrar Üretilebilirlik: DVC ile veri ve model versiyonlaması; deneyin tekrar üretilebilirliği için determinizm stratejileri; Makefile ve DVC pipeline ile otomatik iş akışı tanımı.
• MLflow ile Deney İzleme ve Model Yönetimi: Parametre, metrik ve artifakt loglama; MLflow Tracking Server ve Model Registry'nin kurumsal ölçekte kurulumu; staging → production geçiş iş akışı; mlflow models serve ile REST API dağıtımı.
• CI/CD ile Model Pipeline Otomasyonu: GitHub Actions veya GitLab CI ile veri doğrulama, model eğitimi ve performans testlerinin otomatikleştirilmesi; container image olarak model paketleme; canary deployment ve A/B testing ile güvenli model geçişi.
• Kubernetes ve Kubeflow ile Ölçeklenebilir Dağıtım: Kubeflow Pipelines ile DAG tabanlı ML iş akışı; KServe (eski adıyla KFServing) ile Kubernetes üzerinde model servisi; yatay pod ölçeklendirme ve GPU node havuzu yönetimi.
• Model İzleme ve Concept Drift Tespiti: Üretim ortamında veri dağılımı kaymasının (data drift) ve model çıktı bozunmasının (concept drift) gerçek zamanlı izlenmesi; Evidently AI ve WhyLabs ile otomatik uyarı; yeniden eğitim tetikleyicilerinin tasarımı.

MODÜL 10: MODELİ OPTİMİZASYON, GÜVENLİK, ETİK VE CAPSTONE PROJESİ

• Dağıtık Model Eğitimi: PyTorch DistributedDataParallel (DDP) ve model paralelliği; DeepSpeed ZeRO aşamaları ile büyük model eğitimi; gradient accumulation ve mixed precision (FP16/BF16) ile bellek optimizasyonu.
• Çıkarım Optimizasyonu: Post-training quantization (INT8, INT4) ve QLoRA; yapısal budama (structured pruning) ve ağırlık paylaşımı; Knowledge Distillation ile öğretmen-öğrenci mimari; TensorRT ve ONNX ile platform bağımsız deployment.
• Açıklanabilir Yapay Zeka (XAI): LIME ile yerel model davranışı açıklaması; SHAP değerleri ile özellik katkısı ölçümü; gradient-based saliency haritaları; klinical, finans ve hukuk gibi yüksek riskli alanlarda XAI zorunluluğu ve AB Yapay Zeka Yasası (EU AI Act) gereksinimleri.
• LLM Güvenliği — OWASP Top 10: Prompt injection (doğrudan ve dolaylı), insecure output handling, training data poisoning, model inversion ve membership inference; bu tehditlere karşı guardrail katmanı tasarımı; DevSecOps ve AI sistemlerinde güvenli geliştirme yaşam döngüsü.
• Capstone Projesi — Uçtan Uca AI Sistemi: Katılımcılar kurumsal bir gerçek problemi seçer ve 10 modülün aldatmaca bütünleştirilmesiyle uçtan uca bir AI sistemi tasarlar: veri pipeline'ı, model geliştirme ve fine-tuning, RAG entegrasyonu, MLflow versiyonlama ve Kubernetes dağıtım planı içeren kapsamlı mimari sunum.

EĞİTİM YÖNTEMİ

• Kavramsal Anlatım ve Matematik Motivasyonu: Her konu sezgisel bir soru ile açılır; matematiksel türetimler gereksiz formalizmden kaçınılarak motivasyonuyla birlikte aktarılır. Formüller soyut kalmaz; her adımın koda nasıl karşılık geldiği notebook üzerinde gösterilir.
• Jupyter Notebook Tabanlı Uygulamalı Laboratuvarlar: Her modülün karşılığı olan pratik egzersizler gerçek veri setleri, Hugging Face modelleri ve PyTorch üzerinde yürütülür. Katılımcılar kodun her satırını yazar, çalıştırır ve sonuçları yorumlar; yapıştır-çalıştır kültürü yoktur.
• Gerçek Dünya Vaka Çalışmaları: Finans (fraud tespiti), sağlık (klinik not özetleme), perakende (öneri sistemi) ve teknoloji (kod üretimi) sektörlerinden alınan gerçek AI projelerinin mimari kararları analiz edilir; neyin işe yaradığı ve neyin başarısız olduğu dürüstçe paylaşılır.
• Fine-Tuning ve RAG Atölyeleri: Katılımcılar kendi seçtikleri bir domain verisiyle (hukuk, finans, teknik dokümantasyon vb.) Hugging Face modeli ince ayarlar ve RAG sistemi kurar; bu pratik, teorik bilgiyi gerçek proje deneyimine dönüştüren en kritik adımdır.
• Capstone Projesi ve Mimari Sunum: Son modülde her katılımcı, eğitim boyunca öğrendiği tüm bileşenleri gerçek bir kurumsal probleme uygular; problem tanımı, veri mimarisi, model seçim gerekçesi, güvenlik değerlendirmesi ve deployment planını içeren kapsamlı bir sunum yapar.
• Danışmanlık ve Açık Soru-Cevap: Her gün sonunda serbest danışmanlık zamanı; katılımcılar kendi projelerine, AI araştırma kafalarına veya kariyer sorularına özgü tartışmalar başlatır. TensorFlow Developer, AWS ML Specialty ve Hugging Face sertifikasyon yolları hakkında rehberlik sağlanır.

HEDEF KİTLE

PYTHON GELİŞTİRİCİLER VE YAZILIM MÜHENDİSLERİ

• Python bilgisini yapay zeka projesinin tam yığınına (derin öğrenme, LLM, RAG, MLOps) taşımak; model geliştirme ve üretime alma konusunda özgün kapasite kazanmak isteyen Python geliştiricileri ve back-end yazılım mühendisleri.

ML / AI MÜHENDİSLERİ VE VERİ BİLİMCİLERİ

• Transformer, RLHF, RAG, LangChain ve MLOps gibi ileri konularda yetkinliğini derinleştirmek; model geliştirmeyi tek seferlik deneylerden tekrarlanabilir, izlenebilir ve üretime hazır bir mühendislik disiplinine dönüştürmek isteyen ML mühendisleri ve veri bilimcileri.

TEKNİK LİDERLER VE AI MİMARLARI

• Kurumsal AI yol haritasını teknik temelleriyle kavramak, fine-tuning ve RAG arasında bilinçli mimari kararlar almak, MLOps altyapısını kurumsallaştırmak ve yapay zeka yatırımlarının teknik risklerini değerlendirmek isteyen baş mühendisler, CTO'lar ve AI mimarları.

ARAŞTIRMACI VE AKADEMİSYENLER

• Derin öğrenme ve LLM araştırmalarını sanayi uygulamalarıyla buluşturmak, Hugging Face ve PyTorch üzerinden hızlı deney döngüleri oluşturmak ve akademik bilgisini endüstri mühendisliği pratiğiyle güçlendirmek isteyen akademisyenler ve doktora öğrencileri.

DEVOPS VE PLATFORM MÜHENDİSLERİ

• ML model pipeline'larını Kubernetes ve Kubeflow üzerinde orchestrate etmek, MLflow ve DVC ile versiyon yönetimini kurumsallaştırmak, GPU altyapısını optimize etmek ve AI sistemleri için DevSecOps pratiği geliştirmek isteyen platform ve DevOps mühendisleri.

KATILIMCILARDAN BEKLENTİLERİMİZ

• Orta/İleri Python Bilgisi: Sınıflar, dekoratörler, list comprehension, generator ve context manager gibi Python yapılarını rahatça kullanabilmek; bir sanal ortamda paket kurulumu yapabilmek. NumPy ve Pandas ile temel temas olması kuvvetle önerilir.
• Temel Matematik Farkındalığı: Matris çarpımı, türev ve olasılık dağılımı kavramlarına aşina olmak; lise düzeyi lineer cebir ve diferansiyel hesap yeterlidir. Derin matematik uzmanlığı beklenmez; eğitim kapsamında sezgisel aktarım yapılır.
• Temel PyTorch veya TensorFlow Deneyimi (Önerilir): En az bir kez bir sinir ağı eğitmiş, kayıp fonksiyonu hesaplamış veya model tahmin etmiş olmak. Bu deneyim yoksa Modül 1-2 yoğun bir başlangıç sağlar.
• Docker ve Git Temel Kullanımı: Conda ortamı veya Docker container'da Python çalıştırabilmek; Git ile commit ve push yapabilmek. MLOps ve CI/CD modüllerinden tam verim almak için bu araçlarla temel tanışıklık gerekir.
• Gerçek Problem Getirme Motivasyonu: Kendi kurumundan veya kişisel projesinden bir gerçek AI problemi veya veri seti getirmeye hazır olmak; Capstone projesini bu problem üzerine inşa etmek bu eğitimden alınan değeri katlar ve gerçek kariyer çıktısına dönüşür.