AI SÜPER YAPAY ZEKÂ MİMARİSİ EĞİTİMİ

EĞİTİM SÜRESİ

• Eğitim Süresi: 10 Gün (Toplam 60 Saat)
• 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, NumPy, Pandas, SciPy, Numba, Cython, Matplotlib, Seaborn, PyTorch, TensorFlow, Hugging Face Transformers, LangChain, LlamaIndex, Pinecone, ChromaDB, MLflow, DVC, Weights & Biases, Docker, Kubernetes, Kubeflow 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

• Python uzmanlığını bilimsel hesaplama, veri işleme ve modern derin öğrenme çerçeveleriyle ileri seviyeye taşımak.
• Transformer, üretken AI ve LLM orkestrasyonu gibi çağdaş yaklaşımlarla kurumsal problemlere özgün çözümler geliştirmek.
• MLOps ile tekrarlanabilir, izlenebilir ve ölçeklenebilir üretim sistemleri kurmak; güvenlik ve etik ilkeleriyle uyumluluk sağlamak.

EĞİTİM YÖNETİMİ

• Teorik Bilgi: Matematiksel temeller, mimariler ve en iyi pratikler.
• Uygulamalı Laboratuvarlar: PyTorch/TensorFlow, HF Transformers, RAG, LangChain/LlamaIndex, MLflow/DVC.
• Vaka Çalışmaları: Üretim mimarisi, CI/CD, Kubernetes/Kubeflow ve güvenlik (OWASP LLM).

HEDEF KİTLE

1. Python Geliştiriciler: Derin öğrenme, üretken AI ve LLM odaklı mimarilere hâkim olmak isteyenler.
2. ML/AI Mühendisleri: Transformer, RAG, RLHF ve MLOps pratiklerini ileri seviyede uygulamak isteyenler.
3. Teknik Liderler/Architects: Kurumsal AI yol haritası ve üretim mimarisi kurmak isteyen paydaşlar.

KATILIMCILARDAN BEKLENTİLERİMİZ

• Orta/ileri Python bilgisi; temel Lineer Cebir/Olasılık bilgisi (önerilir).
• PyTorch/TensorFlow, Docker/Git ve temel bulut/CI bilgisi (önerilir).
• Aktif katılım ve uygulamalı çalışmalara istekli olma.

EĞİTİM PROGRAMI

Modül 1: Yapay Zeka Evrenine Giriş ve Yüksek Performanslı Python (Seviye: Başlangıç)

• Yapay Zeka Felsefesi ve Terminolojisi: AI/ML/DL, AGI/ASI kavramları ve etik tartışmalar.
• Bilimsel Hesaplama ve Optimizasyon: NumPy/SciPy ile yüksek performans, Numba/Cython ile hızlandırma.
• Veri Manipülasyon Sanatı: Pandas ile okuma/temizleme/dönüştürme ve analiz.

Modül 2: Derin Öğrenmenin Matematiksel Temelleri ve Klasik Mimariler (Seviye: Başlangıç)

• Uygulamalı Lineer Cebir ve Optimizasyon: Tensörler, özdeğer/özvektör, SGD/Adam.
• İstatistik ve Olasılık: Bayes, dağılımlar ve modelleme.
• Temel DL Yapı Taşları: FNN, CNN, RNN/LSTM – PyTorch/TensorFlow ile uygulamalar.

Modül 3: Modern ML Çerçeveleri ve Veri Hazırlık Süreçleri (Seviye: Başlangıç/Orta)

• PyTorch vs TensorFlow: Dinamik vs statik grafik, autograd/GradientTape, özel katman/kayıp.
• Endüstriyel Özellik Mühendisliği: Eksik veri, outlier, PCA/t-SNE ile boyut indirgeme.
• Model Değerlendirme: Confusion Matrix, ROC/AUC, MSE/R², K-fold CV.

Modül 4: Transformer Mimarisi ve Transfer Öğrenmesi Stratejileri (Seviye: Orta)

• Attention Anatomisi: Self/Multi-Head Attention, Positional Encoding, RNN kısıtlarını aşma.
• BERT ve GPT: Encoder-only vs Decoder-only; NLU vs NLG kullanım alanları.
• Hugging Face ile Pratik: Feature extraction ve fine-tuning ile hızlı adaptasyon.

Modül 5: Üretken Yapay Zeka (Generative AI) Modelleri (Seviye: Orta)

• VAE: Latent space öğrenme ve örnekleme.
• GAN: Generator/Discriminator dinamiği; DCGAN/StyleGAN.
• Difüzyon Modelleri: DALL-E, Midjourney, Stable Diffusion mantığı ve text-to-image.

Modül 6: Pekiştirmeli Öğrenme ve Büyük Dil Modeli (LLM) Uygulamaları (Seviye: Orta)

• RL Temelleri: MDP, Q-Learning, DQN ile politika öğrenme.
• RLHF: İnsan geri bildirimi ile hizalama süreçleri.
• RAG ve Vektör Veritabanları: Embeddings, Pinecone/ChromaDB ile anlamsal arama.

Modül 7: LLM Orkestrasyonu ve Otonom Ajanlar (Seviye: İleri)

• LangChain/LlamaIndex: Zincirleme, araç entegrasyonu ve bellek yönetimi.
• İleri Prompt Engineering: Şablonlama, dinamik prompt ve optimizasyon.
• Otonom Ajan Mimarileri: Auto-GPT benzeri planlama ve self-correction.

Modül 8: MLOps – Modelleri Üretime Taşıma (Seviye: İleri)

• ML Yaşam Döngüsü Yönetimi: DVC, MLflow/W&B; model registry ve tekrar üretilebilirlik.
• CI/CD ve Konteynerizasyon: Docker; GitLab CI/Jenkins ile otomatik test/dağıtım.
• Model Sunumu: Kubernetes/Kubeflow ile ölçeklenebilir ve HA mimariler.

Modül 9: İleri Model Optimizasyonu ve Güvenlik (Seviye: İleri)

• Dağıtık Eğitim: PyTorch DDP, TF Distributed Strategies; veri/model paralelliği.
• Çıkarım Optimizasyonu: Quantization, pruning, knowledge distillation.
• OWASP Top 10 for LLM: Prompt injection, insecure output handling, model DoS ve DevSecOps.

Modül 10: Yapay Zeka Etiği, Açıklanabilirlik ve Gelecek Vizyonu (Seviye: İleri)

• XAI: LIME/SHAP ile açıklanabilirlik.
• Etik ve Güvenilir Tasarım: Bias, Federated Learning/Differential Privacy ile gizlilik.
• ASI Vizyonu ve Özerk Sistem Projesi: KPI/SLO tabanlı otonom sistem tasarımı ve simülasyon; workshop.

KAZANIMLAR

Bu eğitim, Python Geliştirme Uzmanlarını, kod yazan birer uygulayıcıdan, yapay zeka ile değer üreten stratejik birer mimara dönüştürmeyi hedefler. Katılımcılar, program sonunda hem güncel araçları hem de bu araçların ardındaki matematiksel/kavramsal temelleri özümser; kopyalamak yerine kurumsal problemlere özgün çözümler tasarlar.

Kariyer açısından; AI Architect, ML Engineer ve Generative AI Specialist gibi rollere hazırlık sağlanır. Transformer, difüzyon, LLM orkestrasyonu ve MLOps gibi ileri konularda teknik liderlik üstlenebilecek yetkinlik kazanılır.

Kurumsal bakışla; ekipler otonom sistemler ve üretken AI uygulamalarıyla süreçleri otomatize edebilir, veriyle destekli karar alma ve kişiselleştirilmiş müşteri deneyimleri sunabilir. Bu da verimlilik artışı, yeni gelir kanalları ve kalıcı rekabet avantajı sağlar.

İŞLENEN ANAHTARLAR

• AI, ML, DL, AGI, ASI (Başlangıç)
• NumPy, Pandas, Numba (Başlangıç)
• Lineer Cebir, Optimizasyon, Olasılık (Başlangıç)
• PyTorch ve TensorFlow (Başlangıç)
• Transformer ve Attention (Orta)
• Transfer Learning ve Fine-Tuning (Orta)
• GAN, VAE, Diffusion (Orta)
• RL ve RLHF (Orta)
• Vektör Veritabanları ve RAG (Orta)
• LLM Orkestrasyonu (LangChain) (İleri)
• MLOps (CI/CD, Kubernetes, Kubeflow) (İleri)
• Dağıtık Eğitim ve Model Optimizasyonu (İleri)
• XAI (LIME, SHAP) (İleri)
• OWASP Top 10 for LLM (İleri)
• Otonom Ajanlar ve Karar Destek (İleri)