KURUMSAL EĞİTİM, GENERATİVE AI MODELLEME

Python Geliştirme Uzmanları için hazırlanan bu 5 günlük yoğunlaştırılmış programla, ekibiniz yalnızca Üretken Yapay Zeka modellerini anlamakla kalmayacak, aynı zamanda bu modelleri kurumsal altyapınıza entegre ederek somut iş değerine dönüştürebilen mimarlar haline gelecektir.

EĞİTİM SÜRESİ

• Eğitim Süresi: 5 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 GitHub, Codespaces ve OpenAI Playground ortamları ile birlikte Hugging Face ekosistemindeki araçlar kullanılır. Katılımcılar bu araçlar üzerinden prompt mühendisliği, API entegrasyonu, güvenli uygulama geliştirme, veri gizliliği ve iş süreçlerine yapay zeka entegrasyonu gibi senaryoları uygulamalı olarak gerçekleştireceklerdir.

EĞİTİM İÇERİĞİ

Modül 1: Üretken Yapay Zeka'ya Stratejik Giriş ve Olasılıksal Temeller

Seviye: Başlangıç

Yapay Zeka Evriminin Panoraması

Klasik AI paradigmalarından (kural tabanlı sistemler) günümüzün veri odaklı yaklaşımlarına (Makine Öğrenmesi, Derin Öğrenme) geçişin tarihsel ve teknolojik analizi. Üretken Yapay Zeka'nın bu evrimdeki devrimsel yerinin ve "veri üretme" yeteneğinin getirdiği paradigma değişiminin vurgulanması.

Üretken (Generative) vs. Ayırt Edici (Discriminative) Modeller

Temel felsefe farkının derinlemesine incelenmesi: Verinin altında yatan dağılımı (p(x,y)) modelleyerek yeni örnekler yaratan üretken modellere karşılık, sadece karar sınırlarını (p(y|x)) öğrenerek sınıflandırma yapan ayırt edici modellerin mimari ve amaç karşılaştırması.

İstatistiksel Modellemenin Gücü

Üretken modellerin matematiksel temelini oluşturan olasılık dağılımlarının (Normal, Bernoulli, Multinomial) incelenmesi. Python (NumPy, SciPy) kullanılarak bu dağılımlardan sentetik veri örneklemesi (sampling) yapma ve veri üretme mantığının temellerinin atılması.

Modül 2: Gizli Uzay (Latent Space) ve Klasik Üretken Mimariler

Seviye: Başlangıç

Gizli Uzay ve Manifold Hipotezi

Yüksek boyutlu verilerin (görüntüler, metinler) nasıl daha düşük boyutlu, anlamlı bir "gizli uzayda" temsil edilebileceği varsayımının kavranması. Bu uzayda yapılan gezintilerin (interpolation) nasıl yeni ve tutarlı veri örnekleri ürettiğinin görselleştirilmesi.

Autoencoder (AE) Mimarisi

Veriyi sıkıştırılmış bir temsile (encoding) ve bu temsilden orijinal veriye geri dönüştürmeyi (decoding) amaçlayan sinir ağı mimarisinin Python ve PyTorch/TensorFlow ile kodlanması. Boyut indirgeme ve özellik çıkarma (feature extraction) senaryoları üzerinde uygulama.

Variational Autoencoders (VAE): Üretkenliğe Geçiş

Standart Autoencoder'ların deterministik yapısını, olasılıksal bir gizli uzay ekleyerek aşan ve gerçek anlamda "üretken" hale getiren VAE mimarisinin teorik altyapısı ve pratik uygulaması. Gizli uzaydan örnekleme yaparak MNIST gibi veri setleri üzerinde yeni rakamlar üretme.

Modül 3: Generative Adversarial Networks (GANs): Rekabetin Sanatı

Seviye: Orta

Oyun Teorisi Tabanlı Eğitim

Birbirine rakip iki sinir ağından (Generator ve Discriminator) oluşan GAN felsefesinin derinlemesine incelenmesi. Generator'ın gerçekçi veri üretmeye, Discriminator'ın ise gerçek ve sahte veriyi ayırt etmeye çalıştığı "zero-sum game" tabanlı eğitim sürecinin dinamikleri.

GAN Mimarileri ve Eğitim Zorlukları

DCGAN (Deep Convolutional GAN) gibi temel mimarilerin incelenmesi. Mod çökmesi (mode collapse), kararsız eğitim gibi yaygın sorunların tespiti ve bu sorunlara yönelik pratik çözüm stratejilerinin (label smoothing, farklı loss fonksiyonları) tartışılması.

Python Uygulaması: Fotogerçekçi Görüntü Üretimi

PyTorch kullanılarak sıfırdan bir DCGAN modelinin kodlanması. CIFAR-10 veya benzeri bir görüntü veri seti üzerinde modelin eğitilerek sentetik ve çeşitli görüntüler üretme sürecinin hands-on deneyimlenmesi.

Modül 4: Metin Verisinin Vektörel Temsili ve Transformer Devrimi

Seviye: Orta

Kelimelerin Matematiği: Word Embeddings

Metin verisini makine tarafından işlenebilir hale getiren Word2Vec ve GloVe gibi klasik embedding tekniklerinin ardındaki sezgisel ve matematiksel mantık. "Kral - Erkek + Kadın = Kraliçe" gibi anlamsal ilişkilerin vektör uzayında nasıl korunduğunun analizi.

Transformer Mimarisi ve Dikkat Mekanizması (Attention)

Sıralı veri işlemedeki (RNN/LSTM) darboğazları aşan, Self-Attention mekanizmasına dayalı Encoder-Decoder yapısının anatomisi. Paralel işleme kapasitesi ve uzun menzilli anlamsal bağımlılıkları yakalama yeteneğinin NLP'de yarattığı devrimin incelenmesi.

Multi-Head Attention Derinlemesine Bakış

Modelin, bir cümlenin farklı anlamsal ve sözdizimsel ilişkilerini (örneğin, özne-fiil uyumu, sıfat-isim ilişkisi) aynı anda birden çok "dikkat başlığı" ile nasıl öğrendiğinin teorik ve pratik analizi.

Modül 5: Büyük Dil Modelleri (LLMs) ve Hugging Face Ekosistemi

Seviye: Orta

LLM Mimarileri: GPT ve BERT Ailesi

Yalnızca Decoder (GPT serisi - metin üretimi) veya yalnızca Encoder (BERT serisi - metin anlama) bloklarından oluşan devasa Transformer tabanlı modellerin karşılaştırmalı analizi. Ön-eğitim (pre-training) ve ince ayar (fine-tuning) paradigmalarının kurumsal uygulamalardaki yeri.

Hugging Face ile Endüstri Standardı Geliştirme

transformers kütüphanesinin pipeline modülü kullanılarak karmaşık NLP görevlerinin (metin üretimi, özetleme, soru-cevap) birkaç satır kodla nasıl gerçekleştirileceğinin uygulamalı olarak gösterilmesi. Tokenizer, Model ve Config nesnelerinin entegrasyonu.

Prompt Engineering Sanatı ve Bilimi

Ön-eğitimli LLM'lerden istenen çıktıyı en doğru ve tutarlı şekilde alabilmek için girdi (prompt) metnini tasarlama teknikleri. Zero-shot, one-shot ve few-shot learning yaklaşımları ile modele görev tanımını ve örnekleri girdi üzerinden sağlama stratejileri.

Modül 6: Görüntü Üretiminin Zirvesi: Diffusion Modelleri

Seviye: İleri

Diffusion Felsefesi: Gürültüden Sanata

Veriye aşamalı olarak Gaussian gürültüsü ekleme (forward process) ve ardından bu gürültüyü adım adım temizleyerek orijinal veriyi yeniden oluşturmayı (reverse process) öğrenen UNet tabanlı modellerin teorik altyapısı.

Stable Diffusion ve Latent Diffusion

Yüksek çözünürlüklü görüntü üretimini, piksel uzayı yerine daha düşük boyutlu bir gizli uzayda (latent space) gerçekleştirerek hesaplama maliyetini düşüren Latent Diffusion modellerinin (LDM) çalışma prensibi. Metin girdisini (prompt) görsele dönüştürmek için CLIP gibi modellerin nasıl entegre edildiği.

Python Uygulaması: diffusers Kütüphanesi ile Yüksek Çözünürlüklü Görüntü Üretimi

Hugging Face diffusers kütüphanesi kullanılarak Stable Diffusion modelinin yüklenmesi ve metin komutlarından (text-to-image) fotogerçekçi, sanatsal veya konseptüel görseller üretilmesi. Negatif prompt, adımlama (steps), rehberlik ölçeği (guidance scale) gibi parametrelerin çıktı kalitesine etkisinin incelenmesi.

Modül 7: Gelişmiş LLM Uygulamaları ve Vektör Veritabanları

Seviye: İleri

Anlamsal Arama (Semantic Search) Mimarisi

Anahtar kelime tabanlı aramanın ötesine geçerek, anlamsal yakınlığa dayalı arama sistemlerinin nasıl kurulduğunun incelenmesi. sentence-transformers kütüphanesi ile metinlerin anlamsal embedding'lere dönüştürülmesi.

Vektör Veritabanları ile Veri Yönetimi

Milyonlarca embedding vektörünü verimli bir şekilde depolamak, indekslemek ve anlık sorgulamak için tasarlanmış özel veritabanlarının (Pinecone, ChromaDB, Weaviate) rolü. Benzerlik araması (similarity search) algoritmalarının (ANN - Approximate Nearest Neighbor) çalışma mantığı.

Retrieval-Augmented Generation (RAG): LLM'leri Harici Bilgiyle Güçlendirme

LLM'lerin bilgi kesim tarihi (knowledge cut-off) ve halüsinasyon sorunlarını çözmek için geliştirilen RAG mimarisinin derinlemesine analizi. Kullanıcı sorgusuna en uygun belgeleri bir vektör veritabanından alıp, bu bilgiyi LLM'in prompt'una ekleyerek daha doğru ve güncel yanıtlar üretme stratejisi ve kodlaması.

Modül 8: Kurumsal İhtiyaçlara Yönelik Model Özelleştirme (Fine-Tuning)

Seviye: İleri

Fine-Tuning ve Transfer Learning Stratejileri

Milyarlarca parametreli bir temel modelin (foundation model), kuruma özel bir veri seti (teknik dokümanlar, müşteri yazışmaları vb.) ile ek eğitime tabi tutularak yeteneklerinin nasıl özelleştirildiği. Modelin genel bilgi birikimini korurken, belirli bir terminoloji, stil veya görev için performansının artırılması.

Parameter-Efficient Fine-Tuning (PEFT): Verimli Özelleştirme

Modelin tüm parametrelerini güncellemenin getirdiği devasa donanım maliyetini aşan PEFT tekniklerinin incelenmesi. Özellikle LoRA (Low-Rank Adaptation) metodolojisinin teorisi ve peft kütüphanesi ile pratik uygulaması.

Python Uygulaması: LoRA ile Kurumsal Bir Chatbot'u Özelleştirme

Açık kaynak bir LLM (örn: Llama, Mistral) seçilerek, kurumsal bir SSS (Sıkça Sorulan Sorular) veri seti üzerinde LoRA ile fine-tuning işleminin hands-on gerçekleştirilmesi. Özelleştirme öncesi ve sonrası model yanıtlarının karşılaştırılması.

Modül 9: Üretken Modelleri Ürüne Dönüştürme: MLOps ve Optimizasyon

Seviye: İleri

Yüksek Performanslı API Geliştirme (FastAPI)

Eğitilmiş bir üretken modelin, endüstriyel standartlarda, asenkron yeteneklere sahip ve yüksek performanslı bir REST API olarak sunulması. Modelin girdi/çıktılarını Pydantic modelleri ile valide ederek güvenli ve ölçeklenebilir bir servis oluşturma.

Quantization ile Çıkarım (Inference) Optimizasyonu

Modelin ağırlıklarını daha düşük bit hassasiyetine (örn: 32-bit'ten 8-bit veya 4-bit'e) indirgeyerek model boyutunu küçültme ve çıkarım hızını artırma teknikleri. bitsandbytes gibi kütüphanelerle QLoRA gibi kuantize edilmiş eğitim ve çıkarım süreçleri.

Docker ile Konteynerleştirme ve CI/CD Entegrasyonu

Geliştirilen API'nin ve model bağımlılıklarının bir Docker imajı içinde paketlenerek taşınabilir ve yeniden üretilebilir hale getirilmesi. GitLab CI/CD veya GitHub Actions gibi araçlarla modelin yeni versiyonlarının otomatik olarak test edilip dağıtıma alınması süreçleri.

Modül 10: İleri Seviye Mimariler: Multi-Modal Modeller ve Akıllı Ajanlar (Agents)

Seviye: İleri

Multi-Modal Yapay Zeka

Metin, görüntü, ses gibi birden fazla veri modalitesini aynı anda anlayan ve işleyen CLIP, LLaVA gibi gelişmiş mimarilerin çalışma prensipleri. Metinden görüntü arama/üretme veya bir görüntü hakkında karmaşık soruları yanıtlama gibi uygulamaların incelenmesi.

AI Agents ve Tool Use (Araç Kullanımı)

LLM'leri merkezi bir akıl yürütme motoru olarak kullanarak onlara harici API'leri, hesap makinelerini veya kod yorumlayıcıları gibi araçları kullanma yeteneği kazandıran LangChain ve LlamaIndex gibi çerçevelerin incelenmesi.

Sorumlu Yapay Zeka (Responsible AI) ve Güvenlik Filtreleri (Guardrails)

Üretken modellerin etik sınırları, güvenlik zafiyetleri ve potansiyel kötüye kullanımlarını yönetme stratejileri. Modellerin zararlı, taraflı veya uygunsuz içerik üretmesini engellemek için girdi (prompt) ve çıktı katmanlarına NVIDIA NeMo Guardrails gibi güvenlik filtreleri ve denetim mekanizmaları uygulama.

KAZANIMLAR

Bu eğitim programı, katılımcıların kariyer yolculuklarında bir dönüm noktası olacak şekilde tasarlanmıştır. Programı tamamlayan Python Geliştirme Uzmanları, yalnızca günümüzün en çığır açan teknolojisine teorik olarak hakim olmakla kalmayacak, aynı zamanda bu teknolojiyi somut, ölçülebilir ve kurumsal değere dönüştürebilen birer "Üretken Yapay Zeka Mimarı" yetkinliği kazanacaklardır.

Kariyer Etkisi

Katılımcılar, teknoloji sektöründe en çok aranan ve en yüksek katma değere sahip yetkinlik setlerinden birini portföylerine ekleyerek kariyerlerinde kuantum sıçraması yapma fırsatı bulacaklardır. Standart bir yazılım geliştiriciden, yapay zeka tabanlı ürün ve servislerin tasarımına liderlik edebilen, inovasyon süreçlerini yönlendiren stratejik bir role evrileceklerdir. Bu yetkinlik, onları proje seçimlerinde daha seçici, maaş beklentilerinde daha iddialı ve kariyer hedeflerinde daha cesur kılacaktır.

Kurumsal Etki

Bu eğitimi alan ekipler, kurumunuzun dijital dönüşüm lokomotifi haline gelecektir. Pazarlama departmanı için saniyeler içinde özgün içerik üretmekten, müşteri hizmetleri için 7/24 çalışan akıllı chatbot'lar geliştirmeye; Ar-Ge süreçleri için sentetik veri setleri oluşturmaktan, karmaşık kurumsal belgeler içinde anlamsal arama yapabilen bilgi yönetim sistemleri kurmaya kadar sayısız alanda verimlilik ve inovasyon patlaması yaratacaklardır. Bu, sadece operasyonel maliyetlerin düşmesi değil, aynı zamanda yeni gelir akışları yaratma ve pazar liderliğini perçinleme anlamına gelir.

Yetkinlik Değeri

Katılımcılar, VAE, GAN, Transformer ve Diffusion gibi temel mimarilerin matematiğinden, RAG, PEFT ve Quantization gibi en ileri düzeydeki kurumsal uygulama tekniklerine kadar tüm sürece hakim olacaklardır. Bu derinlemesine bilgi, onlara sadece mevcut araçları kullanma değil, aynı zamanda gelecekte ortaya çıkacak yeni teknolojileri hızla anlama, adapte etme ve kurum içinde öncülüğünü yapma yeteneği kazandıracaktır. Artık onlar için yapay zeka bir "kara kutu" değil, potansiyelini sonuna kadar kullanabilecekleri, şekillendirebilecekleri ve yönetebilecekleri güçlü bir araç setidir.

İŞLENEN ANAHTARLAR

• Generative vs. Discriminative Models (Başlangıç): Veri dağılımını öğrenerek yeni veri üreten (generative) ve sadece sınıf sınırlarını öğrenen (discriminative) modeller arasındaki temel felsefe farkı.
• Probability Distributions & Sampling (Başlangıç): Üretken modellerin temelindeki olasılık teorisi ve Python ile sentetik veri örneklemesi yapma teknikleri.
• Latent Space & Manifold Hypothesis (Başlangıç): Yüksek boyutlu verinin, anlamlı ilişkileri koruyan daha düşük boyutlu bir gizli uzayda temsil edilebileceği varsayımı.
• Variational Autoencoders (VAE) (Başlangıç): Gizli uzayı olasılıksal hale getirerek yeni ve tutarlı veri üretme yeteneği kazanan autoencoder mimarisi.
• Generative Adversarial Networks (GANs) (Orta): Üretici ve ayırt edici iki ağın rekabetine dayalı, fotogerçekçi veri üretiminde devrim yaratan modelleme yaklaşımı.
• Word Embeddings (Word2Vec, GloVe) (Orta): Kelimelerin anlamsal ilişkilerini koruyan yoğun vektör temsillerine dönüştürülerek metnin makine tarafından anlaşılır kılınması.
• Transformer Mimarisi Temelleri (Orta): RNN/LSTM'in kısıtlarını aşan, Attention mekanizmasına dayalı, paralel işleme yeteneğine sahip devrimsel NLP mimarisi.
• Self-Attention & Multi-Head Attention Mechanism (Orta): Transformer'ın kalbi olan ve bir sekanstaki her elemanın diğerleriyle olan anlamsal ilişkisini ağırlıklandıran mekanizma.
• Large Language Models (LLMs) Mimarileri (GPT, BERT) (Orta): Milyarlarca parametreye sahip, ön-eğitim ve ince ayar paradigmalarıyla çalışan devasa Transformer tabanlı modeller.
• Diffusion Models (İleri): Gürültü ekleme ve temizleme süreçleriyle özellikle yüksek kaliteli görüntü üretiminde çığır açan model ailesi.
• Prompt Engineering & In-Context Learning (Orta): Ön-eğitimli LLM'lerden istenen çıktıyı en verimli şekilde alabilmek için girdi metnini tasarlama sanatı ve bilimi.
• Hugging Face Ecosystem (Transformers, Diffusers) (Orta): Binlerce ön-eğitimli modele, veri setine ve araca erişim sağlayan endüstri standardı Python kütüphaneleri.
• Vector Databases & Semantic Search (İleri): Embedding vektörlerini verimli bir şekilde depolamak ve anlamsal yakınlığa dayalı arama yapmak için tasarlanmış veritabanları.
• API Development for AI Models (FastAPI) (İleri): Eğitilmiş modelleri, endüstriyel standartlarda yüksek performanslı REST API'ler olarak sunma teknikleri.
• Fine-Tuning & Transfer Learning (İleri): Temel bir modelin, domaine özgü bir veri seti ile ek eğitime tabi tutularak yeteneklerinin özelleştirilmesi.
• Parameter-Efficient Fine-Tuning (PEFT) (İleri): Modelin çok küçük bir kısmını güncelleyerek donanım ve zaman maliyetini dramatik şekilde düşüren ince ayar teknikleri (örn: LoRA).
• Retrieval-Augmented Generation (RAG) (İleri): LLM'lerin halüsinasyon sorununu çözmek için harici bir bilgi tabanından anlık veri alarak yanıt üretmesini sağlayan mimari.
• Quantization & Inference Optimization (İleri): Modelin ağırlıklarını daha düşük bit hassasiyetine indirgeyerek model boyutunu küçültme ve çıkarım hızını artırma tekniği.
• MLOps for Generative AI (İleri): Üretken modellerin deney takibi, versiyonlama, dağıtım ve izleme gibi yaşam döngüsünü otomatize eden prensipler.
• Multi-Modal Models (CLIP, LLaVA) (İleri): Metin, görüntü gibi birden fazla veri türünü aynı anda anlayan ve işleyen gelişmiş mimariler.
• AI Agents & Tool Use (LangChain, LlamaIndex) (İleri): LLM'leri akıl yürütme motoru olarak kullanarak onlara harici araçları (API, kod yorumlayıcı) kullanma yeteneği kazandıran çerçeveler.
• Responsible AI & Guardrails (İleri): Üretken modellerin etik, güvenlik ve uygunluk sınırları içinde çalışmasını sağlamak için geliştirilen denetim mekanizmaları.