Eğitim Hakkında
Eğitimimiz, büyük dil modelleri (LLM), Retrieval Augmented Generation (RAG) ve yapay zeka agentlerinin (AI Agent) teorik temellerini, mimari yapılarını, eğitim süreçlerini, optimizasyon tekniklerini, entegrasyon yöntemlerini ve güvenlik–etik konularını kapsamlı ve teknik detaylarla ele alan ileri düzey bir programdır.
LLM, RAG ve AI Agent eğitiminde ele alınan temel konular şunlardır:
- Büyük Dil Modelleri (LLM):
Transformer mimarisi, self-attention mekanizması, ölçeklenebilirlik, ön eğitim (pretraining) ve ince ayar (fine-tuning) teknikleri; devasa veri setleri üzerinde öğrenme süreçleri, dil modelleme stratejileri ve optimizasyon teknikleri. - Retrieval Augmented Generation (RAG):
Bilgi çekme (retrieval) mekanizmaları, vektör arama, embedding yöntemleri, bellek yönetimi ve dış veri kaynaklarıyla entegrasyon; LLM’lerin güncel ve doğru bilgiye dayalı metin üretiminde nasıl desteklendiği. - AI Agent:
Otonom yapay zeka ajanlarının tasarımı, çok adımlı diyalog yönetimi, araç kullanım entegrasyonları, planlama ve eylem üretimi; çok ajanlı sistemlerde işbirliği ve etkileşim mekanizmaları, prompt mühendisliği ve zincir-of-thought stratejileri.
Sertifika
Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınav/projelerin başarıyla tamamlanması durumunda, eğitimin sonunda dijital ve QR kod destekli “BT Akademi Başarı Sertifikası” verilmektedir.
Eğitim İçeriği
Giriş ve Tanımlar
- LLM, RAG ve AI Agent kavramlarının tanıtımı
- Tarihsel gelişim ve evrimsel aşamalar
- Temel terminoloji: Transformer, self-attention, embedding, retrieval, agentmimarisi
Kullanım Alanları ve Endüstri Örnekleri
- Doğal dil işleme, metin üretimi, sohbet sistemleri
- Bilgi çekme ve güncel veri entegrasyonu (RAG uygulamaları)
- Otonom karar verme, çok ajanlı sistemler, AI Agent’lerinuygulama alanları
Mimari Genel Bakış
- LLM mimarisi: Transformeryapısı, katmanlar, encoder-decoder yapıları
- RAG yapısının bileşenleri: Retrievalmodülü, LLM entegrasyonu, bellek yönetimi
- AI Agent mimarileri: Planlama, eylem üretimi, etkileşim mekanizmaları
Transformer Mimarisi
- Self-Attentionmekanizması: Matematiksel temeller, sorgu, anahtar ve değer vektörleri
- Çok başlı (multi-head) dikkat, pozisyonel kodlama ve katman normalizasyonu
- Model ölçekleme: Parametre sayısı, derinlik, genişlik ve hesaplama maliyetleri
Eğitim ve İnce Ayar (Fine-Tuning)
- Ön eğitim (pretraining) stratejileri: Maskeli dil modeli, otoregresif modeller
İnce ayar (fine-tuning) teknikleri, transfer öğrenmesi, görev spesifik uyarlamalar
- Optimizasyon algoritmaları: Adam, LAMB; lossfonksiyonları ve öğrenme oranı planlaması
Performans Optimizasyonu
- Model sıkıştırma, kuantizasyonve distilasyon yöntemleri
- Paralel eğitim, dağıtık hesaplama, GPU/TPU kullanımı
- Hiperparametreayarlamaları, batch size, sequence length optimizasyonu
Veri Toplama ve Hazırlama
- Büyük veri kaynakları, web kazıma, API entegrasyonu
- Veri temizleme, normalizasyon, veri ön işleme teknikleri
- Veri etiketleme ve örnek veri seti oluşturma
İstatistiksel Analiz ve Görselleştirme
- Temel istatistik kavramları, dağılım, korelasyon, hipotez testleri
- Python ile veri analizi: Pandas, NumPy; grafik kütüphaneleri (matplotlib, seaborn)
- Veri görselleştirme ve raporlama: Dashboard oluşturma, interaktif raporlar
Retrieval için Veri Hazırlığı
- Belge ön işleme, tokenizasyon, embeddingoluşturma
- Vektör arama sistemleri: FAISS, Annoygibi kütüphanelerle entegrasyon
- Retrievalveritabanı oluşturma, güncelleme ve sorgu optimizasyonu
RAG Kavramı ve Temel Yapısı
- RAG nedir? Temel bileşenler: Retrievalmodülü ve LLM entegrasyonu
- Retrievalve generation arasındaki etkileşim
- Mimari şemalar ve iş akışları
Retrieval Modülü ve Vektör Arama
- Embeddingteknikleri: Word2Vec, GloVe, BERT tabanlı embedding
- Vektör arama motorları: FAISS, ElasticSearch, Annoy; benzerlik ölçümleri
- Indexlemestratejileri, sorgu optimizasyonu, bellek yönetimi
Uygulamalı RAG Projeleri
- RAG tabanlı soru-cevap sistemleri, bilgi çekme örnekleri
- API entegrasyonu, retrievalpipeline tasarımı
- Gerçek zamanlı uygulama senaryoları, performans analizi
AI Agent Kavramı
- AI Agent nedir? Temel tanımlar ve kullanım senaryoları
- Otonom karar verme, multi-turndiyalog yönetimi, etkileşimli planlama
- Agent mimarilerinde promptmühendisliği, zincir-of-thought (chain-of-thought)
Çok Ajanlı Sistemler ve İş birliği
- Çok ajanlı sistemlerde iş birliği, koordinasyon, rol dağılımı
- Simülasyon ortamları, etkileşim senaryoları, araç kullanımı
- Gerçek dünya uygulama örnekleri: Sanal asistanlar, müşteri hizmetleri robotları
Entegre AI Agent Uygulamaları
- LLM ve RAG entegrasyonu ile AI Agent geliştirme
- API, web servisleri ve mikroservismimarileri ile entegrasyon
- Gerçek zamanlı eylem planlama, otomatik geri bildirim ve adaptif öğrenme
Dağıtık Sistemler ve Ölçeklenebilirlik
- Dağıtık eğitim, model paralelleştirme, veri paralelleştirme
- Bulut platformları, Kubernetes, Dockerve sunucu yapılandırmaları
- Ölçeklenebilirlik, yüksek erişilebilirlik ve faulttolerance stratejileri
Hiperparametre Ayarlamaları ve Model İnce Ayarı
- Hiperparametreoptimizasyon teknikleri (grid search, Bayesian optimization)
- Model performans ölçütleri, latency, throughputanalizi
- Gerçek zamanlı performans izleme, hata analizi ve iyileştirme yöntemleri
Güvenlik, Gizlilik ve Etik Konular
- Model güvenliği: Verilerin korunması, adversarialsaldırılar, güvenli prompt mühendisliği
- Etik ilkeler: Adalet, önyargı, şeffaflık, hesap verebilirlik
- Kullanım senaryolarında etik değerlendirmeler, regülasyonlar ve uyum stratejileri
End-to-End Proje Geliştirme
- Proje fikirlerinin belirlenmesi, problem tanımı ve teknik planlama
- Prototip geliştirme: Kod yazma, model eğitimi, hata ayıklama ve optimizasyon
- Grup ve bireysel proje örnekleri: Soru-cevap botları, otomatik içerik üretimi, akıllı asistanlar
Canlı Kodlama Seansları ve Demo Sunumları
- İnteraktif atölyeler, canlı demo uygulamaları, gerçek zamanlı kodlama ve hata çözümü
- Proje sunumları, mentor geri bildirimleri, performans değerlendirmeleri
Vaka Çalışmaları ve İleri Uygulama Senaryoları
- Endüstride kullanılan LLM, RAG ve AI Agent projelerinin detaylı incelenmesi
- Gerçek dünya verileriyle uygulama, API entegrasyon örnekleri
- Başarı öyküleri, performans raporları ve optimizasyon stratejileri
İleri Derin Öğrenme Teknikleri
- Derin öğrenmenin ileri konuları: Çok katmanlı mimariler, attentionmekanizması derinleştirmeleri
- Transformermodellerinde yeni trendler: Sparse attention, model distilasyonu
- Uygulamalı örnekler ve deneysel sonuçların analizi
Transfer Öğrenmesi ve Önceden Eğitilmiş Modeller
- Transfer öğrenmesinin prensipleri, mevcut büyük modellerin uyarlanması
- Önceden eğitilmiş modellerin (GPT, BERT, T5) ince ayarı ve adaptasyonu
- Uygulama atölyeleri: Model uyarlama, düşük kaynaklı dil ayarlamaları
Yenilikçi Yaklaşımlar ve Geleceğe Yönelik Teknolojiler
- AI Agent’lerdeözerklik ve etkileşimsel öğrenme: Multi-agent reinforcement learning
- Kombine sistemler: LLM + RAG + AI Agent entegrasyonunun geleceği
- Geleceğin teknolojik trendleri, yeni algoritmalar ve yenilikçi uygulama senaryoları
Neden Bu Eğitimi Almalısınız ?
Eğitim Hedefleri
- LLM, RAG ve AI Agent mimarilerini teorik ve teknik boyutlarıyla kapsamlı şekilde kavrama
- Transformer tabanlı büyük dil modellerini eğitme, ince ayar ve performans optimizasyonu yapabilme
- RAG tabanlı bilgi çekme ve metin üretim sistemleri tasarlayıp gerçek dünya verileriyle entegre edebilme
- Otonom ve çok ajanlı AI Agent sistemleri geliştirme ve yönetme
- Ölçeklenebilir, dağıtık ve üretim ortamına hazır yapay zeka çözümleri oluşturabilme
- Güvenlik, gizlilik ve etik ilkeler çerçevesinde ileri seviye yapay zeka projeleri geliştirebilme
Kimler İçindir?
- Araştırmacılar, veri bilimcileri ve makine öğrenimi mühendisileri
- Yazılım geliştiriciler, sistem mimarları ve DevOps uzmanları
- Ürün yöneticileri ve strateji belirleyiciler
- Yapay zeka uygulamalarını üretime almak isteyen teknoloji liderleri
- Akademisyenler ve ileri düzey eğitim programlarına ilgi duyan profesyoneller
Önemli Notlar
Program ücretlerine KDV dahil değildir.
Paylaş: