Python ile Metin Analizi ve Yapay Zekâ

Büyük Dil Modelleri (LLM’ler) ve uygulamalarını derinlemesine inceleyerek, AI Mühendislerinden beklenen temel Üretken Yapay Zekâ (Generative AI) becerilerini kazandırır. Eğitim, Python, Python veri paketleri ve tercihen makine öğrenmesi konusunda mevcut bilgiye sahip katılımcılar için tasarlanmıştır. Eğitmen eşliğinde yürütülecek programda; LLM mimarileri, prompt engineering, model izleme ve gözlemlenebilirlik ile hem tedarikçi yönetimli hem de açık kaynak modellerle çalışma gibi kritik konular ele alınacaktır. Bunun yanı sıra, kurumların yapay zekâ destekli süreçleri etkili şekilde yönetebilmesi için ajan tabanlı iş akışları ve prompt değerlendirme teknikleri de tanıtılacaktır.

• LLM’lerin gelişimini ve mimarisini tartışma
• LLM mimarilerini ve uygulamalarını ayırt etme
• Temel prompt engineering tekniklerini uygulayarak LLM’lerle etkileşim kurma

• Hugging Face ekosisteminde gezinme
• Problemin niteliğine ve teknik gereksinimlere göre doğru LLM modelini seçme
• Transformer pipeline’larını kullanarak model çalıştırma

• Token ve embedding kavramları
• Farklı tokenizasyon ve embedding yaklaşımlarını açıklama
• Embedding’lerin avantajlarını değerlendirme

• Önceden eğitilmiş dil modelleri
• Farklı türde önceden eğitilmiş modelleri tanıma
• Önceden eğitilmiş modellerin teknik detaylarını değerlendirme
• Bir önceden eğitilmiş modeli metin sınıflandırma görevinde uygulama

• Prompt yapısı ve içeriği
• LLM yanıtlarını geliştirmek için etkili prompt’lar geliştirme
• Farklı bileşenlerle prompt’lar yazarak yanıtlar üzerindeki etkilerini keşfetme

• LLM’leri değerlendirmede kullanılabilecek metrikleri ve değerlendirme zorluklarını tanıma
• Modelleri yayına alma sırasında en iyi uygulamaları ve tipik operasyonları açıklama
• Model takibinin ve sapma (drift) tespitinin önemini tartışma – sorunlar tespit edildiğinde yapılması gerekenler

• Çok adımlı akıl yürütme ve görev otomasyonu için ajan tabanlı iş akışlarını tanımlama ve uygulama
• LLM uygulamalarında hafıza yönetimi ve konuşma takibini tartışma
• Vektör depoları (vector stores) ve retriever’lar dahil olmak üzere RAG (Retrieval-Augmented Generation) boru hatlarının mimarisini ve bileşenlerini uygulama
• Ajan tabanlı tekniklerin gerçek dünya senaryolarındaki artı ve eksilerini karşılaştırma

• Embedding modellerinin nasıl eğitildiğini ve contrastive learning gibi teknikleri açıklama
• Maskeleme tabanlı dil modelleme (masked language modelling) gibi tekniklerle dil modellerinin ön eğitimine devam etme
• Denetimli ince ayar (supervised fine-tuning) ve tercih ayarlama (preference tuning) gibi tekniklerle sınıflandırma modellerine ince ayar yapma

• Model performansı, boyutu ve çıkarım (inference) hızı arasındaki ödünleşimleri açıklama
• Kuantizasyon (quantization) gibi tekniklerin rolünü belirleme
• Model performansını optimize etmek için kuantizasyon uygulama

• Proje konularını belirleme ve planlama 
• Veri hazırlığı ve ön işleme
• Model seçimi ve integrasyon
• Prompt tasarımı ve iyileştirme
• Ajan tabanlı iş akışı oluşturma
• Model İzleme ve Optimizasyon