KURUMSAL EĞİTİM, GENERATİVE AI MODELLEME (PYTHON UZMANLARI İÇİN)

EĞİTİM SÜRESİ

• Eğitim Süresi: 3 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.

Eğitim, problem odaklı öğrenme ve modül bazlı ilerleme modeli ile tasarlanmıştır. Katılımcılar her bir modülde gerçek dünya problemlerine yönelik çözümler geliştirerek, hem teorik bilgileri içselleştirir hem de kurumsal uygulamalarda kullanılabilecek pratik beceriler kazanır.

Eğitim sonunda katılımcılar, LLM temelleri, prompt tasarımı, RAG, vektör veritabanları, Diffusion ve GAN mimarileri, PEFT/LoRA, MLOps ve performans optimizasyonu gibi konularda hem teorik hem pratik düzeyde yetkinlik kazanmış olacaklardır. Ayrıca katılımcılara eğitim sonrası bireysel uygulamalarına devam edebilecekleri kaynak bağlantılar, hazır kod şablonları ve örnek projeler sağlanır.

EĞİTİM İÇERİĞİ

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

Seviye: Başlangıç

Yapay Zeka Evriminin Panoraması

• Klasik AI'dan ML/DL'a geçiş; Generative AI'ın konumu ve iş değeri

Üretken vs. Ayırt Edici Modeller

• p(x,y) ve p(y|x) bakışlarıyla mimari ve amaç farkları

İstatistiksel Modellemenin Gücü

• Normal/Bernoulli/Multinomial dağılımlar; NumPy/SciPy ile sampling

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

Seviye: Başlangıç

Gizli Uzay ve Manifold Hipotezi

• Yüksek boyutlu verinin düşük boyutlu temsili ve interpolasyon

Autoencoder (AE) Mimarisi

• Python + PyTorch/TensorFlow ile encoding/decoding uygulamaları

Variational Autoencoders (VAE)

• Olasılıksal gizli uzay; MNIST üzerinde yeni örnek üretimi

3. Modül: Generative Adversarial Networks (GANs)

Seviye: Orta

Oyun Teorisi Tabanlı Eğitim

• Generator vs. Discriminator; zero-sum eğitim dinamikleri

GAN Mimarileri ve Eğitim Zorlukları

• DCGAN, mode collapse, label smoothing, alternatif loss fonksiyonları

Python Uygulaması

• PyTorch ile DCGAN; CIFAR-10 üzerinde görüntü üretimi

4. Modül: Metin Vektörel Temsili ve Transformer

Seviye: Orta

Word Embeddings

• Word2Vec, GloVe; vektör uzayında anlamsal ilişkiler

Transformer ve Attention

• Encoder/Decoder, self-attention; uzun bağımlılıkların yakalanması

Multi-Head Attention

• Eşzamanlı sözdizim/anlamsal ilişki modelleme

5. Modül: LLM'ler ve Hugging Face Ekosistemi

Seviye: Orta

LLM Mimarileri (GPT/BERT)

• Decoder-only vs. Encoder-only; pre-training ve fine-tuning

Hugging Face ile Geliştirme

• transformers pipeline; Tokenizer/Model/Config entegrasyonu

Prompt Engineering

• Zero/one/few-shot; görev tanımı ve örnekleme stratejileri

6. Modül: Diffusion Modelleri

Seviye: İleri

Diffusion Felsefesi

• Gaussian gürültü ekleme/temizleme; UNet temelleri

Stable/Latent Diffusion

• Latent space üzerinde üretim; CLIP entegrasyonu

Python Uygulaması (diffusers)

• Text-to-image; negatif prompt, steps, guidance scale ayarları

7. Modül: İleri LLM Uygulamaları ve Vektör Veritabanları

Seviye: İleri

Anlamsal Arama

• sentence-transformers ile embedding; semantik arama

Vektör Veritabanları

• Pinecone/ChromaDB/Weaviate; ANN ile benzerlik araması

Retrieval-Augmented Generation (RAG)

• Harici bilgiyle güçlendirilmiş yanıt üretimi ve kodlama

8. Modül: Kurumsal Model Özelleştirme (Fine-Tuning)

Seviye: İleri

Fine-Tuning ve Transfer Learning

• Kurum verisiyle özelleştirme; terminoloji/stil/görev performansı

PEFT (LoRA)

• Düşük maliyetli özelleştirme; peft kütüphanesiyle uygulama

Python Uygulaması

• SSS veri seti üzerinde LoRA ile chatbot ince ayarı

9. Modül: Üretken Modelleri Ürüne Dönüştürme (MLOps ve Optimizasyon)

Seviye: İleri

Yüksek Performanslı API (FastAPI)

• Asenkron REST; Pydantic ile I/O validasyonu

Quantization ile İnferans Optimizasyonu

• 8/4-bit ağırlıklar; bitsandbytes, QLoRA

Docker ve CI/CD

• İmaj paketleme; GitLab/GitHub Actions ile otomasyon

10. Modül: Multi-Modal Modeller ve Akıllı Ajanlar

Seviye: İleri

Multi-Modal Yapay Zeka

• CLIP, LLaVA; metin-görüntü etkileşimleri

AI Agents ve Tool Use

• LangChain, LlamaIndex ile harici araç kullanımı

Sorumlu Yapay Zeka ve Guardrails

• NVIDIA NeMo Guardrails; güvenlik ve uygunluk filtreleri

KAZANIMLAR

Programı tamamlayan Python Geliştirme Uzmanları, üretken modelleri kurumsal altyapılara entegre ederek ölçülebilir iş değeri üretebilen Üretken Yapay Zeka Mimarları yetkinliği kazanır. Kariyer ve kurumsal etki tarafında yeni gelir akışları, verimlilik artışı ve inovasyon kültürü oluşur; teknik tarafta VAE, GAN, Transformer, Diffusion, RAG, PEFT ve Quantization gibi bileşenlere uygulamalı hâkimiyet geliştirilir. Ayrıca, kurum içi kullanıma uygun, güvenli ve ölçeklenebilir kurumsal AI API'lerini (örn. FastAPI) tasarlayıp geliştirerek üretim ortamına alma becerisi edinirler.

İŞLENEN ANAHTARLAR

• Generative vs. Discriminative Models (Başlangıç) – p(x,y) vs p(y|x)
• Probability Distributions & Sampling (Başlangıç) – NumPy/SciPy
• Latent Space & Manifold Hypothesis (Başlangıç)
• Variational Autoencoders (VAE) (Başlangıç)
• Generative Adversarial Networks (GANs) (Orta)
• Word Embeddings (Orta) – Word2Vec, GloVe
• Transformer Temelleri (Orta) – Self/Multi-Head Attention
• LLM Mimarileri (GPT, BERT) (Orta)
• Diffusion Models (İleri)
• Prompt Engineering & In-Context Learning (Orta)
• Hugging Face Ecosystem (Orta) – transformers, diffusers
• Vector Databases & Semantic Search (İleri)
• API Development (FastAPI) (İleri)
• Fine-Tuning & Transfer Learning (İleri)
• PEFT (LoRA) (İleri)
• Retrieval-Augmented Generation (RAG) (İleri)
• Quantization & Inference Optimization (İleri)
• MLOps for Generative AI (İleri)
• Multi-Modal Models (İleri) – CLIP, LLaVA
• AI Agents & Tool Use (İleri) – LangChain, LlamaIndex
• Responsible AI & Guardrails (İleri)