Mezunlarımızın Çalıştığı Şirketler
Eğitim programlarımız lider şirketlerle kurduğumuz ortaklıklar ile güçlendirilmiş ve inovatif ekipler tarafından kullanılmaktadır.
Program hakkında ayrıntılı bilgi edinin
Kurs 30 Saat
Generative AI & Prompt Engineer
Generative AI & Prompt Engineer eğitimi, yapay zeka ve uygulama geliştirme alanlarını bir araya getirerek katılımcılara benzersiz bir öğrenme deneyimi sunuyor. Bu eğitimde, yapay zeka temelli araçlar ve algoritmaların uygulanmasıyla gerçek dünya senaryolarına odaklanılıyor. Katılımcılar, veri analizi, makine öğrenimi modelleri ve yapay zeka entegrasyonu gibi konularda derin bir anlayış geliştirirken, kendi yaratıcı fikirlerini hayata geçirebilecekleri uygulamalar geliştirmeyi öğreniyorlar. İleri düzeydeki içerikler ve pratik projelerle desteklenen bu eğitim, katılımcıların yapay zeka ile uygulama geliştirme alanında becerilerini geliştirmelerini sağlayarak geleceğin teknolojisine yön verme yolunda önemli bir adım atmalarını amaçlıyor.
Bu bölümde, yapay zeka teknolojilerinin temellerini özümseyecek ve veri analizi, makine öğrenimi ve derin öğrenme gibi alanlarda güçlü bir anlayış geliştireceksiniz. Üretken Yapay Zeka ekosistemini yakından tanıyarak farklı kullanım alanları için önde gelen modelleri ve bunların çalışma prensiplerini öğreneceksiniz.
- Üretken Yapay Zeka vs Klasik Yapay Zeka
- GAN (Çekişmeli Üretici Ağ)
- Transformer Mimarisi
- Difüzyon Modelleri
- LLMs (Büyük Dil Modelleri)
Üretken Yapay Zeka model ve araçlarıyla uygulama geliştirme sürecinde sıkça karşılaşılan ve kullanılan temel operasyonları pratik olarak deneyimleyeceğimiz bu bölümde, yapay zeka dünyasının temel yapı taşlarını öğrenerek, gerçek dünya senaryolarında karşılaşılan sorunlara yönelik çözümleri nasıl geliştirebileceğinizi öğreneceğiz.
- Çalışma Ortamının Yapılandırılması
- Streamlit ile Hızlı Prototipleme
- Metin Üretme
- Görsel Üretme
- Ses Üretme
- Kod Üretme
- Çoklu Form (Multi-Modality)
Üretken Yapay Zeka'nın sunduğu benzersiz bir öğrenme deneyimiyle, sesli komutlarla illüstrasyonlar üretme imkanı sunan ilk uygulamayı geliştireceğimiz bu bölümde, sesli komutlarla görsel üretme uygulamasının nasıl geliştirileceğine dair detaylı bir bakış sunarak, kullanıcı deneyimi ve uygulamanın ana bileşenleri üzerinde duracağız. Ses ve görsel işleme bileşenlerinin kullanımıyla ilgili derinlemesine bir inceleme yaparak, ses dosyalarının işlenmesi, olası problemler ve farklı model seçenekleri gibi konuları detaylandıracağız.
- Sesli Komutlarla Görsel Üretme Uygulaması
- Ses İşleme Bileşenlerinin Kullanılması
- Görsel İşleme Bileşenlerinin Kullanılması
- Prompt Zenginleştirme Katmanı
- Test ve Yayınlama
Çeşitliliği ve sayıları hızla artan modeller, teknikler ve farklı hizmet sağlayıcılar arasında, LLMOps süreçlerini yönetmek için ortaya çıkan LangChain çerçevesiyle çalışmayı öğreneceğiz. LangChain'in nasıl çalıştığına dair pratik bir bakış sunarken, bu çerçevenin LLMOps süreçlerine nasıl entegre edildiği üzerine odaklanacağız.
- LangChain ile Model Karşılaştırma
- İşlem Zincirleri
- Yükleyiciler (Loaders)
- Retrieval QA Chain (Soru-Cevap Zinciri)
- Farklı Embedding Modelleriyle Entegrasyon
Seçilen YouTube videolarına özel sohbet botları oluşturan ikinci üretken yapay zeka uygulamamızı geliştireceğiz. YouTube API kullanımıyla videoların veri ve ses içeriğini elde ederek transkripsiyon işlemleri yapacağız. Ardından, multimedya içeriklerin yapay zeka modelleriyle anlamlandırılması için metin bölümleme üzerinde duracağız. Serialize edilmiş verilerin iş akışında kullanımı, retriever mekanizmaları ve vektör veri tabanlarıyla etkileşim konularında deneyim kazanacak ve vektör veri tabanında saklanan bilgilerle sohbet botu mekanizmasını geliştireceğiz.
- YouTube API Kullanımı
- Metin Bölümleme / Text-Splitting
- Serialize Veri ile Çalışma
- Retriever Mekanizması
- Soru-Cevap Etkileşimi
Dil modellerinin farklı senaryolar için özelleştirilmesinde kullanılan popüler bir yöntem olan bellek genişletme yaklaşımını detaylı olarak inceleyeceğimiz bu bölümde, vektörizasyonun ve embedding modellerinin bellek genişletme sürecindeki rolünü, semantik arama tekniklerini ve farklı vektör veri tabanlarını ele alarak farklı senaryolar için uygun bellek genişletme yöntemlerini tartışıacağız.
- Vektörizasyon ve Embedding Modelleri
- Semantik Arama
- Vektör Veri Tabanları
- Bellek Genişletme Yaklaşımları
Bu bölümde, spesifik görevleri yerine getirmek üzere kendi aksiyonlarını belirleyen ve gerçekleştiren otonom ajan kavramını derinlemesine inceleyerek keşfedeceksiniz. Autogen kütüphanesiyle çoklu ajan paneli oluşturma süreçlerini, ajanlar için prompt engineering yöntemlerini ve çoklu ajan yaklaşımının potansiyel kullanım alanlarını da gözden geçirerek, otonom ajanların işlevselliği ve kullanımı konusunda kapsamlı bir anlayışa sahip olacaksınız.
- Otonom Ajanlar
- Asistanlar
Bu bölümde öncelikle Üretken Yapay Zeka modellerinde ince ayar pratiklerini, hangi durumlarda kullanıldığını göreceğiz. Daha sonra ise açık kaynak model ekosistemini ve bu modellerle çalışma pratiklerini ele alacağız. Farklı özelleştirme tekniklerini, maliyet hesaplamalarını ve GPT-3.5 Turbo modeli üzerindeki bir ince ayar uygulamasını adım adım incelerken, açık kaynak modellerin ekosistemini ve karşılaştırma yöntemlerini öğreneceksiniz.
- Zero-Shot vs Few-Shot vs RAG vs Fine-Tuning
- İnce Ayar Uygulamasında Maliyet ve Sınırlar
- GPT 3.5 İnce Ayar Örneği
- Açık Kaynak Modeller İçin Benchmark
- Açık Kaynak Modellere Genel Bir Bakış
Data Explorer adlı proje ile doğal dilde verilecek komutlarla veri kümeleriyle etkileşim sağlayan üçüncü yapay zeka uygulamamızı geliştireceğiz. Bu projede, ChatGPT ve Claude gibi benzer uygulamaların analizini yaparak, veri keşfi alanında nasıl kullanıldıklarını inceleyeceğiz. Ayrıca, yapılandırılmış veri ve bellek genişletme (RAG) yöntemlerinin veri keşfi uygulamalarındaki kullanımını ele alacağız. LangChain çerçevesinde sunulan CSV ajanını implemente ederek doğal dilde veri keşfi için bir araç geliştireceğiz.
- ChatGPT ve Claude ile Veri Keşfi
- Yapılandırılmış Ver ile RAG Yaklaşımları
- LangChain CSV Ajanı
- Veri Keşfi İçin Prompt Engineering
- Doğal Dilde Veri Keşfi İmplementasyonu
Bu bölüm, ürünleştirme süreçlerinde kritik önem arz eden yerelde çalışma ve model inference işlemlerini detaylı olarak ele alıyor. Bu bölümde, Üretken Yapay Zeka modellerinin hizmete sunulma sürecini, maliyetleri, avantajları ve zorluklarıyla birlikte değerlendirirken, yerelde çalışma için en elverişli araçlardan biri olan LM Studio'yu kullanarak pratiği gerçekleştireceğiz.
- Model Inference: Maliyet, Avantaj ve Zorluklar
- LM Studio ile Inference
Yapay zeka sistemlerinin etkin ve güvenli bir şekilde tasarlanması ve uygulanmasına odaklanan bu modül, prompt mühendisliği kavramını tanıtarak, OpenAI'nin stratejileri ve temel ilke setini inceler. Katılımcıları, güvenli ve etkili yapay zeka projeleri geliştirmek için pratik uygulamalarla yönlendirir. Bu modül, katılımcıların sağlam bir temel oluşturarak, gelecekteki yapay zeka uygulamalarında güvenliği artırmayı hedefler.
- Giriş
- Prompt Engineering: Temel Bakış Açısı
- OpenAI - 6 Strateji
- 26 Temel İlke
- Prompt Enhance ile Uygulama
- İleri Düzey Teknikler
Üretken Yapay Zeka model ve araçlarıyla uygulama geliştirme sürecinde sıkça karşılaşılan ve kullanılan temel operasyonları pratik olarak deneyimleyeceğimiz bu bölümde, yapay zeka dünyasının temel yapı taşlarını öğrenerek, gerçek dünya senaryolarında karşılaşılan sorunlara yönelik çözümleri nasıl geliştirebileceğinizi öğreneceğiz.
- Çalışma Ortamının Yapılandırılması
- Streamlit ile Hızlı Prototipleme
- Metin Üretme
- Görsel Üretme
- Ses Üretme
- Kod Üretme
- Çoklu Form (Multi-Modality)
Çeşitliliği ve sayıları hızla artan modeller, teknikler ve farklı hizmet sağlayıcılar arasında, LLMOps süreçlerini yönetmek için ortaya çıkan LangChain çerçevesiyle çalışmayı öğreneceğiz. LangChain'in nasıl çalıştığına dair pratik bir bakış sunarken, bu çerçevenin LLMOps süreçlerine nasıl entegre edildiği üzerine odaklanacağız.
- LangChain ile Model Karşılaştırma
- İşlem Zincirleri
- Yükleyiciler (Loaders)
- Retrieval QA Chain (Soru-Cevap Zinciri)
- Farklı Embedding Modelleriyle Entegrasyon
Dil modellerinin farklı senaryolar için özelleştirilmesinde kullanılan popüler bir yöntem olan bellek genişletme yaklaşımını detaylı olarak inceleyeceğimiz bu bölümde, vektörizasyonun ve embedding modellerinin bellek genişletme sürecindeki rolünü, semantik arama tekniklerini ve farklı vektör veri tabanlarını ele alarak farklı senaryolar için uygun bellek genişletme yöntemlerini tartışıacağız.
- Vektörizasyon ve Embedding Modelleri
- Semantik Arama
- Vektör Veri Tabanları
- Bellek Genişletme Yaklaşımları
Bu bölümde öncelikle Üretken Yapay Zeka modellerinde ince ayar pratiklerini, hangi durumlarda kullanıldığını göreceğiz. Daha sonra ise açık kaynak model ekosistemini ve bu modellerle çalışma pratiklerini ele alacağız. Farklı özelleştirme tekniklerini, maliyet hesaplamalarını ve GPT-3.5 Turbo modeli üzerindeki bir ince ayar uygulamasını adım adım incelerken, açık kaynak modellerin ekosistemini ve karşılaştırma yöntemlerini öğreneceksiniz.
- Zero-Shot vs Few-Shot vs RAG vs Fine-Tuning
- İnce Ayar Uygulamasında Maliyet ve Sınırlar
- GPT 3.5 İnce Ayar Örneği
- Açık Kaynak Modeller İçin Benchmark
- Açık Kaynak Modellere Genel Bir Bakış
Bu bölüm, ürünleştirme süreçlerinde kritik önem arz eden yerelde çalışma ve model inference işlemlerini detaylı olarak ele alıyor. Bu bölümde, Üretken Yapay Zeka modellerinin hizmete sunulma sürecini, maliyetleri, avantajları ve zorluklarıyla birlikte değerlendirirken, yerelde çalışma için en elverişli araçlardan biri olan LM Studio'yu kullanarak pratiği gerçekleştireceğiz.
- Model Inference: Maliyet, Avantaj ve Zorluklar
- LM Studio ile Inference
Yetkinlik Edin
Generative AI & Prompt Engineer Öğren
Bugün Öğrenmeye Başla
1 yıl boyunca sınırsız erişim
$
340
$
204
.00
/tek seferlik
- Tüm materyallere 1 yıl erişim
- Ders videoları & materyalleri
- Puanlanan quiz’ler
- Sertifika
Çeşitli ölçeklerdeki kurumlar ekipleri için Miuul'u kullanıyor.
Çalışanlarınıza özel teklif almak için Bize yazın
