KURUMSAL EĞİTİM, GENERATİVE AI MODELLEME

ÜRETKEN YAPAY ZEKA MODELLEMESİ EĞİTİMİ

"Bu model görüntünün içindeki nesneyi tanımlıyor" — bu bir sınıflandırma modelidir; ayırt edici, geriye dönük. "Bu model hiç görmediği bir yüzü fotoğraf kalitesinde üretebiliyor" — bu artık farklı bir kategoridir. Üretken Yapay Zeka, veriyi anlamakla kalmayıp verinin dağılımını öğrenerek yeni, gerçekçi ve tutarlı içerik yaratan sistemler bütünüdür. VAE'nin gizli uzayından GAN'ların rekabetçi eğitimine, Transformer'ın dikkat mekanizmasından Diffusion modellerinin gürültüden sanat üretimine uzanan bu ekosistem; makine öğrenmesinin bugüne kadarki en derin paradigma kırılmasını temsil eder.

Bu eğitim; istatistiksel modellemenin temellerinden başlayarak Variational Autoencoder ve GAN mimarilerini, Transformer'ın öz-dikkat mekanizmasını ve büyük dil modellerini, Stable Diffusion ve latent diffusion süreçlerini, Retrieval-Augmented Generation ve vektör veritabanlarını, LoRA ile parametre verimli ince ayarı, agent mimarisi ve araç kullanımını ve MLOps ile gerçek dünya dağıtımını uygulamalı olarak ele alır.

Her modül; PyTorch, Hugging Face Transformers/Diffusers, LangChain ve FastAPI ekosisteminde gerçek kod yazar. VAE ile MNIST rakamları üretmekten DCGAN ile görüntü sentezlemeye, Llama 3 üzerinde LoRA fine-tuning'den RAG pipeline kurmaya, diffusers ile text-to-image modelini çalıştırmaktan FastAPI ile üretim servisi oluşturmaya kadar her konsept pratik bir uygulama ile pekiştirilir.

Bu eğitim; yapay zekanın "kara kutu" olarak kaldığı kavramsal anlatımların ötesinde, mimarinin matematiksel özünü anlayan, kodu yazabilen, modeli dağıtabilen ve üretim ortamında yönetebilen Üretken Yapay Zeka Mühendisleri yetiştirmek için tasarlanmıştır.

EĞİTİM HEDEFİ

Bu eğitimin temel hedefi; katılımcılara Üretken Yapay Zeka ekosistemini — olasılıksal temellerden ileri mimari uygulamalara — derinlemesine kavratmak ve kurumsal yapay zeka ürün ve servisleri inşa edebilecek mühendislik yetkinliği kazandırmaktır. Eğitim sonunda katılımcılar; generative ve discriminative model ayrımını matematiksel olarak kavrar ve olasılık dağılımlarından Python ile sentetik veri örnekler, Variational Autoencoder mimarisini PyTorch ile sıfırdan kodlar ve gizli uzaydan yeni veri üretir. Bunların yanı sıra GAN eğitim dinamiklerini (mode collapse, loss denge) yönetir ve DCGAN ile fotogerçekçi görüntü sentezler, Transformer self-attention mekanizmasını ve positional encoding'i matematiksel ve uygulamalı düzeyde kavrar, Hugging Face Transformers pipeline ile metin üretimi, özetleme ve soru-cevap görevlerini gerçekleştirir, Stable Diffusion ve Latent Diffusion modellerini diffusers kütüphanesi ile çalıştırır ve prompt parametrelerini yönetir, vektör veritabanı (ChromaDB/Pinecone) ile RAG pipeline kurar ve LLM halüsinasyon sorununu kurumsal veriyle giderir, LoRA ve QLoRA ile LLM'leri kurumsal veri setine fine-tune eder, FastAPI ile üretim kalitesinde AI servisi yazar ve Docker ile konteynerler, AI agent ve araç kullanım mimarisi tasarlar (LangChain ReAct, tool calling) ve sorumlu AI güvenlik filtrelerini (guardrails) üretim sistemine entegre edebilir hale gelir.

EĞİTİM İÇERİĞİ

1. ÜRETKEN YAPAY ZEKA'YA STRATEJİK GİRİŞ VE OLASILIKAL TEMELLER

• Yapay Zeka Evriminin Panoraması: Kural tabanlı sistemlerden makine öğrenmesine, derin öğrenmeden üretken modellere tarihsel ve teknolojik yolculuk; discriminative model (sınır öğrenir, p(y|x)) ile generative model (dağılım öğrenir, p(x,y)) arasındaki temel felsefi ve matematiksel fark; "veri üretme" yeteneğinin getirdiği paradigma değişimi ve endüstrideki yansımaları (DALL-E, Midjourney, GPT-4, Sora).
• İstatistiksel Modellemenin Temelleri: Normal, Bernoulli ve Multinomial dağılımları; maksimum olabilirlik tahmini (MLE) ile parametrelerin veri üzerinden öğrenilmesi; Python (NumPy, SciPy) ile dağılımlardan örnekleme; Bayes teoremi ve posterior dağılım; entropi, KL diverjans ve ELBO (Evidence Lower Bound) — üretken model eğitiminin matematiksel çerçevesi.
• Üretken Modellerin Taksonomisi: Explicit density vs implicit density modeller; likelihood tabanlı modeller: Autoregressive (GPT), VAE, Flow-based; likelihood-free modeller: GAN, Diffusion; her kategorinin güçlü ve zayıf yönleri; hangi problem için hangi generative yaklaşım seçilmeli; 2024 endüstri durumu: LLM, multimodal ve video generation modelleri.

2. GİZLİ UZAY (LATENT SPACE) VE AUTOENCODER MİMARİLERİ

• Gizli Uzay ve Manifold Hipotezi: Yüksek boyutlu verilerin (görüntü, metin, ses) daha düşük boyutlu, anlamlı bir manifold üzerinde yattığı varsayımı; PCA ile doğrusal boyut indirgemenin sınırları; gizli uzayda interpolasyon (iki nokta arasında yürüme) ile yeni veri örnekleme; 2D gizli uzay görselleştirme: farklı sınıfların kümeler oluşturduğunun MNIST üzerinde gösterimi.
• Autoencoder (AE) Mimarisi ve Uygulamaları: Encoder → Bottleneck → Decoder yapısı; PyTorch ile sıfırdan convolutional autoencoder kodlama; MNIST ve CIFAR-10 üzerinde eğitim; reconstruction loss (MSE/BCE) optimizasyonu; denoising autoencoder ile gürültü temizleme uygulaması; anomaly detection için autoencoder: reconstruction error eşiği ile anormal veri tespiti.
• Variational Autoencoder (VAE): Üretkenliğe Geçiş: Standard AE'nin deterministik gizli uzayının üretim için neden yetersiz kaldığı; VAE'nin gizli uzayı olasılıksal (Gaussian parametre: μ ve σ) hale getirmesi; reparameterization trick ile gradyanın gizli uzaydan akması; ELBO loss: reconstruction + KL divergence dengesi; PyTorch ile VAE kodlama ve MNIST üzerinde yeni rakam sentezi; β-VAE ile gizli faktörlerin disentanglement'ı.

3. GENERATİVE ADVERSARIAL NETWORKS (GAN): REKABETİN SANATI

• GAN Felsefesi ve Oyun Teorisi Tabanlı Eğitim: Generator (sahte veri üretici) ve Discriminator (gerçek-sahte ayırıcı) arasındaki minimax oyunu; eğitim dinamiği: D'nin Loss'u minimize ederken G'nin D'yi kandırmaya çalışması; Nash equilibrium hedefi; GAN orijinal loss fonksiyonu (JS divergence) ve pratik eğitimdeki kararsızlık sorunu; GAN'ın VAE ile kıyaslamalı analizi: keskinlik vs diversity tradeoff.
• GAN Mimarileri ve Eğitim Zorlukları: DCGAN (Deep Convolutional GAN): strided convolution, batch normalization ve leaky ReLU ile kararlı eğitim; mode collapse sorunu: Generator'ın çeşitliliği bırakıp tek moda yakınsaması; vanishing gradient ve discriminator hakimiyeti; çözüm stratejileri: label smoothing, minibatch discrimination, Wasserstein loss (WGAN); Progressive GAN ve StyleGAN ailesinin yüksek çözünürlüklü yüz üretimindeki başarısı.
• Python Uygulaması — DCGAN ile Görüntü Sentezi: PyTorch ile sıfırdan DCGAN kodlama: Generator ve Discriminator sınıfları, weight initialization (He init), Adam optimizer; CIFAR-10 veya CelebA üzerinde eğitim ve epoch bazlı görüntü kalite takibi; FID (Fréchet Inception Distance) ile üretim kalitesi ölçümü; Conditional GAN: sınıf etiketiyle koşullandırılmış üretim (hangi sınıf üretilsin kontrolü).

4. METİN VERİSİNİN VEKTöREL TEMSİLİ VE TRANSFORMER DEVRİMİ

• Kelimelerin Matematiği — Word Embeddings: One-hot encoding'in yetersizliği; Word2Vec (CBOW ve Skip-gram) ile dağılımsal hipotez; GloVe ile global co-occurrence matrisinden embedding öğrenme; anlamsal ilişkilerin vektör uzayında kodlanması: "Kral - Erkek + Kadın = Kraliçe"; subword tokenization: BPE (Byte-Pair Encoding), WordPiece, SentencePiece — LLM'lerin OOV problemini nasıl çözdüğü; kontekst duyarlı embedding: BERT'in aynı kelimeye farklı anlamda farklı vektör üretmesi.
• Transformer Mimarisi Anatomisi: RNN/LSTM'in sequential işleme darboğazı ve vanishing gradient sorunu; Attention is All You Need (Vaswani et al., 2017) makalesinin mimarisi; Scaled Dot-Product Attention: Q (Query), K (Key), V (Value) matris çarpımı ve softmax normalleştirme; Multi-Head Attention: modelin farklı ilişki türlerini paralel öğrenmesi; Positional Encoding: sinüs/kosinüs ile sıra bilgisinin enjekte edilmesi; Encoder-Decoder yapısı ve cross-attention mekanizması.
• GPT vs BERT Mimarisi Karşılaştırması: Decoder-only (GPT serisi): causal/autoregressive dil modelleme, next token prediction; Encoder-only (BERT serisi): masked language modeling ve bidirectional context; Encoder-Decoder (T5, BART): seq2seq görevler; hangi mimari hangi görev için: metin üretimi → GPT, sınıflandırma/NER → BERT, özetleme/çeviri → T5; scaling law: model boyutu, veri ve compute arasındaki ilişki.

5. BÜYÜK DİL MODELLERİ (LLM) VE HUGGING FACE EKOSİSTEMİ

• LLM Pre-training ve Alignment Pipeline: Massive web corpus (Common Crawl, books, code) üzerinde causal language modeling ile pre-training; Instruction Fine-tuning (SFT) ile modelin talimatlara uyumu; RLHF (Reinforcement Learning from Human Feedback): reward model eğitimi ve PPO optimization; DPO (Direct Preference Optimization) ile RLHF'ye alternatif; Constitutional AI ve AIF (AI Feedback) ile insan geri bildirimi olmadan hizalama.
• Hugging Face Ekosistemi ile Endüstri Standardı Geliştirme: transformers kütüphanesi: AutoTokenizer, AutoModelForCausalLM, AutoModelForSeq2SeqLM; pipeline API ile hızlı prototipleme: text-generation, summarization, question-answering, translation; tokenizer derinlemesine: encoding, decoding, special tokens, padding ve truncation; generate() metodunun parametreleri: temperature, top-k, top-p (nucleus sampling), repetition_penalty, beam search; Model Hub'dan model yükleme ve yerel cache yönetimi.
• Prompt Engineering Sanatı ve Bilimi: Zero-shot, one-shot ve few-shot in-context learning; system/user/assistant mesaj formatı (ChatML); Chain-of-Thought (CoT) prompting ile adım adım muhakeme; ReAct prompting ile düşünce-eylem zinciri; prompt injection saldırıları ve savunma stratejileri; structured output prompting: JSON, XML çıktı formatı zorlandırma; OpenAI function calling ve tool_choice ile structured API entegrasyonu.

6. GÖRÜNTÜ ÜRETİMİNİN ZİRVESİ: DİFFUSION MODELLERİ

• Diffusion Felsefesi — Gürültüden Sanata: DDPM (Denoising Diffusion Probabilistic Models) teorisi: forward process (q) ile veriyi adım adım Gaussian gürültüye dönüştürme; reverse process (p) ile gürültüden veriyi geri yeniden oluşturmayı öğrenen UNet; noise schedule (linear, cosine): β parametrelerinin eğitim süreci üzerindeki etkisi; DDIM ile deterministik ve hızlandırılmış örnekleme; score matching ve SDE (Stochastic Differential Equation) perspektifinden diffusion.
• Stable Diffusion ve Latent Diffusion Modelleri: Piksel uzayı yerine latent uzayda diffusion: hesaplama maliyetinin VAE encoder ile düşürülmesi; CLIP text encoder ile metin koşullandırması (conditioning): "a futuristic city at sunset" → görüntü; Classifier-Free Guidance (CFG) ve rehberlik ölçeği ile metin-görüntü uyumu güçlendirme; negatif prompt: istenmeyen özellikleri baskılama; img2img: varolan görüntüden yeni üretim; ControlNet ile kenar, pose ve derinlik koşullandırması.
• Python Uygulaması — diffusers ile Text-to-Image: Hugging Face diffusers kütüphanesi ile Stable Diffusion 3 veya FLUX modeli yükleme; StableDiffusionPipeline ve DiffusionPipeline API; GPU bellek optimizasyonu: fp16, attention slicing, xFormers, sequential CPU offload; prompt parametrelerinin çıktı kalitesine etkisi: steps, guidance_scale, seed; image inpainting ve outpainting uygulaması; SDXL Turbo ile tek adımda hızlı üretim.

7. GELİŞMİŞ LLM UYGULAMALARI: RAG VE VEKTÖR VERİTABANLARI

• Anlamsal Arama (Semantic Search) Mimarisi: Anahtar kelime aramasının sınırları (TF-IDF, BM25) vs anlamsal yakınlık araması; sentence-transformers ile metin embedding üretimi: all-MiniLM-L6-v2, BAAI/bge-large; cosine similarity ve dot product ile vektör benzerlik hesabı; asymmetric search: farklı boyutta soru ve belge embedding'leri; dense retrieval vs sparse retrieval (BM25) vs hybrid search.
• Vektör Veritabanları ve İndeksleme: ChromaDB ile yerel kurulum ve koleksiyon yönetimi uygulaması; Pinecone ile bulut tabanlı ölçeklenebilir vektör depolama; Weaviate ile hybrid search (dense + BM25) ve metadata filtreleme; FAISS (Facebook AI Similarity Search) ile CPU/GPU destekli yerel ANN (Approximate Nearest Neighbor) indeksleme: HNSW, IVF, PQ; Qdrant ile payload bazlı filtreleme ve sparse vektör desteği.
• Retrieval-Augmented Generation (RAG) Pipeline: LLM'nin bilgi kesim tarihi ve halüsinasyon sorununu özünde çözece tek mimari: RAG; tam pipeline: belge yükleme → chunking → embedding → vektör DB depolama → query embedding → top-k retrieval → prompt augmentation → LLM yanıtı; chunking stratejileri: fixed-size, recursive character, semantic chunking; LangChain RetrievalQA ve LCEL (LangChain Expression Language) ile pipeline kurulumu; değerlendirme: RAG Triad metrikleri (faithfulness, relevance, context recall).
• Advanced RAG Teknikleri: Query reformulation: HyDE (Hypothetical Document Embeddings), step-back questioning; parent-child chunk stratejisi: küçük chunk retrieval + büyük chunk LLM'e gönderme; reranking: Cohere Rerank veya cross-encoder ile alınan belgelerin sıralamasını iyileştirme; knowledge graph ile RAG: ilişkisel bilgi yapısının sorgulanması; agentic RAG: çok adımlı retrieval ile karmaşık görev çözümü.

8. KURUMSAL İHTİYAÇLAR İÇİN MODEL ÖZELLEŞTIRME (FINE-TUNING)

• Fine-Tuning ve Transfer Learning Stratejileri: Pre-trained modeli domain-specific veriye uyarlama; full fine-tuning: tüm parametrelerin güncellenmesi ve donanım gereksinimleri; catastrophic forgetting sorunu ve regularization stratejileri; instruction following dataset formatı: Alpaca, ShareGPT, ChatML; fine-tuning için veri kalitesi: az ama kaliteli vs çok ama gürültülü veri karşılaştırması; evaluation: MMLU, HumanEval, MT-Bench ve domain-specific metrikler.
• Parameter-Efficient Fine-Tuning (PEFT) — LoRA ve Türevleri: LoRA (Low-Rank Adaptation): ağırlık matrisini düşük ranklı A×B çarpımı ile yaklaşık temsil ve sadece A, B matrislerinin eğitimi; rank (r) ve alpha (α) hiper-parametrelerinin etkisi; hangi katmanlar adapte edilmeli: q_proj, v_proj, k_proj seçimi; QLoRA: 4-bit quantization (NF4) üzerine LoRA — 48GB'lık modeli 16GB GPU'ya sığdırma; Hugging Face PEFT kütüphanesi ile LoRA config ve model merge.
• Python Uygulaması — Llama 3 veya Mistral ile LoRA Fine-tuning: Unsloth veya TRL (Transformer Reinforcement Learning) kütüphanesi ile hızlandırılmış LoRA eğitimi; 4-bit quantization (bitsandbytes) ile model yükleme; SFTTrainer ile supervised fine-tuning; wandb veya MLflow ile eğitim metriklerini izleme; PEFT adapter merge ile standalone model oluşturma; fine-tuning öncesi/sonrası model yanıt kalitesi karşılaştırma; model push to Hugging Face Hub.

9. ÜRETKEN MODELLERİ ÜRÜNE DÖNÜŞTÜRME: MLOps VE OPTİMİZASYON

• Yüksek Performanslı AI API Geliştirme (FastAPI): FastAPI ile asenkron AI endpoint tasarımı: streaming response (Server-Sent Events) ile token bazlı akış; Pydantic ile girdi/çıktı şema doğrulama; background task ile uzun süren model çıkarımını asenkron yönetme; API authentication: API key ve OAuth2 Bearer; rate limiting ve request queuing; OpenAI uyumlu API şeması ile drop-in replacement servisi.
• Quantization ve Çıkarım Optimizasyonu: FP32 → FP16 → INT8 → INT4 hassasiyet düşürme ve model boyutu/hız/doğruluk tradeoff'u; GPTQ (Post-Training Quantization): ağırlık matrislerini tek seferde quantize etme; AWQ (Activation-aware Weight Quantization): aktivasyon önemine göre ağırlık quantization; bitsandbytes INT8/NF4 quantization ile inference; vLLM ile continuous batching ve PagedAttention: production LLM serving için 20x throughput artışı; TensorRT-LLM ile NVIDIA GPU optimizasyonu.
• MLOps ve Model Yaşam Döngüsü Yönetimi: MLflow veya Weights & Biases (wandb) ile deney takibi: hyperparameter, metrik ve artifact loglama; model registry ile versiyon yönetimi; Docker multi-stage build ile minimal AI imajı; Kubernetes ile LLM serving pod'unun ölçeklenmesi; model monitoring: output drift, quality degradation ve latency anomali tespiti; A/B test ile model versiyonlarını karşılaştırma; CI/CD pipeline ile otomatik model değerlendirme ve deployment.

10. İLERİ SEVİYE MİMARİLER: MULTI-MODAL MODELLER VE AKILLI AJANLAR

• Multi-Modal Yapay Zeka Modelleri: CLIP (Contrastive Language-Image Pretraining): metin ve görüntü embedding'lerinin ortak uzayda hizalanması; zero-shot classification ve görüntü-metin benzerlik arama; LLaVA (Large Language and Vision Assistant): görüntü encoder (CLIP ViT) + LLM ile visual question answering; GPT-4o ve Gemini 1.5'in multi-modal yetenekleri: ses, görüntü, video ve metin; Whisper ile ses tanıma ve transcription pipeline; ImageBind ile altı modaliteyi tek embedding uzayında birleştirme.
• AI Agent Mimarisi ve Araç Kullanımı: ReAct (Reasoning + Acting) framework: "Düşün → Eyle → Gözlemle" döngüsü; LangChain Agent: tool tanımlama, agent executor ve memory yönetimi; OpenAI Function Calling ve Tool Use ile structured araç entegrasyonu; Multi-Agent sistemler: AutoGen ile ajan orkestrasyonu; LlamaIndex Agents ile veri odaklı agent koordinasyonu; araç örnekleri: web search, Python REPL, calculator, database query, email sender; memory türleri: konuşma geçmişi (buffer), özetleme (summary), vektör tabanlı (entity) bellek.
• Sorumlu Yapay Zeka (Responsible AI) ve Güvenlik Filtreleri: LLM güvenlik açıkları: prompt injection, jailbreak, data poisoning, model inversion; NVIDIA NeMo Guardrails ile rail tanımı: topical, dialog ve output rail; LlamaGuard ile zararlı içerik sınıflandırması; input/output moderation API (OpenAI Moderation, AWS Comprehend); PII (Personally Identifiable Information) tespiti ve maskeleme; AI bias değerlendirme: WinoBias, StereoSet; EU AI Act ve etik AI tasarım ilkeleri.
• Kapsamlı Final Projesi: Katılımcılar gruplar halinde uçtan uca bir Üretken AI ürünü geliştirir: kurumsal dokümanlara sorular soran ve yanıtlayan, RAG pipeline kullanan, fine-tuned LLM tabanlı bir bilgi asistanı. Sistem; ChromaDB vektör veritabanı, LoRA özelleştirilmiş LLM, FastAPI servisi, Guardrails güvenlik filtresi ve streaming yanıt ile tamamlanır. Docker ile konteynerleştirilir, performans metrikleri raporlanır ve canlı demo ile program sonuçlanır.

EĞİTİM YÖNTEMİ

• Kavramsal Anlatım ve Matematiksel Temel: Her modül; sezgisel açıklama → matematiksel formülasyon → Python implementasyon döngüsüyle ilerler. VAE'nin ELBO'su, GAN'ın minimax oyunu, Attention'ın Q/K/V matrisi gibi kritik formüller beyaz tahtada adım adım türetilir; ardından aynı matematik PyTorch koduna dönüştürülerek teorinin pratiğe nasıl aktarıldığı gösterilir.
• Hands-On Notebook Çalışmaları: Her modülün ardından katılımcılar Jupyter Notebook veya Kaggle Notebook'ta gerçek model kodu yazar: VAE eğitimi, DCGAN loss izleme, Hugging Face pipeline, RAG sorgu, LoRA fine-tuning, vLLM inference. Kaynaklar GPU destekli ortamlarda (Google Colab Pro veya Kaggle GPU) çalıştırılır.
• Vizualizasyon ve Yorumlama: Gizli uzay görselleştirmesi (t-SNE/UMAP), GAN eğitim dinamiği grafikleri, attention heatmap, generation kalite metrikleri (FID, BLEU, ROUGE) ve RAG değerlendirme (faithfulness, relevance) her modülde görsel olarak analiz edilir; "model ne yapıyor?" sorusu somut çıktılarla yanıtlanır.
• Vaka Analizi ve Endüstri Senaryoları: Her modül; bankacılık (belge analizi, fraud detection), sağlık (radyoloji rapor özetleme), e-ticaret (ürün açıklaması üretimi), medya (içerik sentezi) veya yazılım geliştirme (kod üretimi) sektörlerinden alınmış gerçek uygulamalar üzerinden tartışılır.
• Mimari Tasarım Tartışmaları: "RAG mı yoksa fine-tuning mı?", "Hangi vektör veritabanı seçilmeli?", "Quantization mı yoksa daha küçük model mi?" gibi gerçek mühendislik kararları grup tartışmalarında analiz edilir; trade-off'lar somut ölçütlerle değerlendirilir.
• Danışmanlık ve Açık Soru-Cevap: Her gün sonunda açık danışmanlık zamanı; katılımcılar kendi yapay zeka projelerine özgü model seçimi, fine-tuning stratejisi, inference optimizasyonu ve deployment mimarisi sorularını uzmana yöneltir, bireysel geri bildirim alır.

HEDEF KİTLE

PYTHON GELİŞTİRİCİLERİ VE MAKİNE ÖĞRENMESİ MÜHENDİSLERİ

• PyTorch veya TensorFlow deneyimi olan ve discriminative modellerden generative modellere geçiş yapmak isteyen makine öğrenmesi mühendisleri; scikit-learn ve temel ML pipeline'ı bilen ancak VAE, GAN, Transformer ve Diffusion mimarilerini derinlemesine öğrenmek isteyen Python geliştiricileri; Computer Vision veya NLP alanında çalışan ve üretken model tekniklerini mevcut ekosisteme entegre etmek isteyen mühendisler.

VERİ BİLİMCİLERİ VE ARAŞTIRMACILARI

• Sentetik veri üretimi, veri artırma (augmentation) ve anomaly detection için generative modelleri kullanmak isteyen veri bilimcileri; endüstriyel araştırma ve geliştirme projelerinde LLM, diffusion ve multimodal mimarileri değerlendirmek isteyen Ar-Ge ekipleri; akademik araştırma arka planına sahip ve endüstriyel uygulama perspektifi kazanmak isteyen araştırmacılar.

YAZILIM MİMARLARI VE BACKEND GELİŞTİRİCİLERİ

• Kurumsal ürün ve servislerine LLM, RAG veya AI agent mimarisi entegre etmek isteyen yazılım mimarları; FastAPI ile AI servisi geliştirme, Docker/Kubernetes ile model dağıtımı ve MLOps altyapısı kurmak isteyen backend mühendisleri; mevcut aplikasyonlara generative AI katmanı eklemek ve API maliyetlerini azaltmak için açık kaynak modelleri değerlendiren teknik liderler.

ÜRÜN YÖNETİCİLERİ VE TEKNİK KARAR VERİCİLER

• Generative AI özelliklerini ürün roadmap'lerine eklemek isteyen ve teknik derinlik kazanmak isteyen ürün yöneticileri; yapay zeka yatırımı ve teknoloji seçimi kararlarını bilinçli vermek isteyen CTO, VP of Engineering ve teknik direktörler; "ChatGPT rakibimize karşı nasıl konumlanmalıyız?" sorusuna teknik bir çerçeve arayan iş geliştirme ve strateji profesyonelleri.

GİRİŞİMCİLER VE AI STARTUp EKİPLERİ

• Generative AI tabanlı ürün geliştiren start-up kurucuları ve teknik ekipleri; LLM API maliyetlerini düşürmek için açık kaynak model stack'i oluşturmak isteyen girişimler; fine-tuning, RAG ve agent mimarisi ile farklılaşmış ürün geliştirmek isteyen erken aşama AI şirketleri.

KATILIMCILARDAN BEKLENTİLERİMİZ

• Python Programlama Yetkinliği: Sınıf, fonksiyon, liste/sözlük comprehension ve exception handling; NumPy ile dizi işlemleri ve matris hesapları; pandas ile temel veri işleme; pip ve virtual environment yönetimi. PyTorch veya TensorFlow deneyimi faydalıdır; ancak eğitimde PyTorch temelleri sıfırdan aktarılır. Jupyter Notebook çalıştırabilmek zorunludur.
• Temel Makine Öğrenmesi Kavramları: Supervised/unsupervised learning, training/validation/test split, overfitting/underfitting; lineer regresyon ve lojistik regresyon matematiği; gradient descent optimizasyon mantığı; confusion matrix, accuracy, precision, recall metrikleri. Sinir ağı katmanı (dense layer, activation function, backpropagation) kavramlarına aşinalık beklenir; derin öğrenme deneyimi zorunlu değildir.
• Lineer Cebir ve Olasılık Temelleri: Matris çarpımı, transpoze, eigenvalue/eigenvector kavramlarını genel olarak bilmek; olasılık dağılımı, beklenti değeri ve varyans kavramları; logaritma ve türev temel kavramları. Formüllere sembolik düzeyde yabancı olmamak; sezgisel anlama yeterlidir, akademik ispat düzeyi beklenmez.
• GPU Destekli Geliştirme Ortamı: Google Colab Pro, Kaggle Notebook veya yerel NVIDIA GPU (8GB+ VRAM önerilir) ile çalışabilmek; bazı modüllerde CUDA destekli ortam zorunludur; eğitimde gerekli ortam kurulum rehberi ve Colab Not defterleri önceden paylaşılır. GPU yoksa bulut seçenekleri için maliyet rehberi verilir.
• Merak ve Derinlik İsteği: "Bu model neden bu çıktıyı üretti?", "Loss function'ı farklı tanımlasaydık ne olurdu?", "Bu mimariyi production'a nasıl taşırım?" gibi soruları sormaya istekli; kara kutu araçlarla yetinmeyip matematiksel ve mühendislik temelini anlamak isteyen; eğitim materiyellerini takip edecek zaman ayırmaya hazır katılımcı profili beklenir.