Uygulamalı Generative AI, LLM ve LangChain Eğitimi
Bu kurs, LLM’leri kullanarak uygulamalar oluşturmak isteyen geliştiriciler için pratik rehberlik sağlar. LLM’leri uygulama arka uçlarına, API’lere, mimarilere vb. entegre etmeyi kapsar.
Veri bilimcileri: LLM’leri gerçek dünya kullanımı için dağıtmakla ilgilenen veri bilimcileri için bu kurs, modelleri araştırmadan üretime nasıl taşıyacaklarını gösterir. Model hizmeti, izleme ve optimizasyonu kapsar.
AI/ML mühendisleri: AI/ML uygulamalarına odaklanan mühendisler, LLM’leri akıllı sistemler ve aracıların bir parçası olarak nasıl tasarlayıp dağıtacaklarını anlamak için bu kurstan yararlanabilirler.
Teknik kurucular/CTO’lar: Girişim kurucuları ve CTO’lar, LLM’lerin uygulamaları ve ürünleri içinde kullanılıp kullanılamayacağını ve nasıl kullanılabileceğini değerlendirmek için bu kursu kullanabilirler. İş hususlarının yanı sıra teknik bir genel bakış sağlar.
Öğrenciler: Yapay zeka, ML, doğal dil işleme (NLP) veya bilgisayar bilimi okuyan lisansüstü öğrenciler ve ileri düzey lisans öğrencileri, LLM’lerin pratikte nasıl uygulandığını bu kurstan öğrenebilirler. LLM araştırmacıları: Yeni LLM mimarileri, eğitim teknikleri vb. üzerinde çalışan araştırmacılar, gerçek dünya model kullanımına ve ilişkili zorluklara ilişkin bilgi edinecekler.
Açık sınıfımız yoktur. Eğitim, kurum ve şirketlere yöneliktir. Ortalama grup büyüklüğü 10-12 civarındadır.
Daha fazla bilgi ve eğitim talepleri için; satis@veribilimiokulu.com e-posta adresinden veya +90 212 231 30 01 numaralı telefondan bize ulaşabilirsiniz.
- Eğitim Süresi: 4 gün
- Eğitim Şekli: Online Canlı
Temel linux komutlarına hakimiyet
Temel programlama bilgisi
Docker çalışan bir bilgisayar
İnternet bağlantısı
1. Gün: Üretken Yapay Zeka ve Büyük Dil Modellerine (LLM) Giriş
Amaç: Üretken Yapay Zeka ve LLM’lerin temellerini anlamak ve yapay zeka destekli uygulamalar oluşturmak için ortamı hazırlamak.
Üretken Yapay Zeka Nedir?
Tanım ve evrim
Çeşitli endüstrilerdeki temel uygulamalar
Geleneksel Yapay Zeka ile üretken Yapay Zeka arasındaki farklar
Büyük Dil Modellerini Anlamak
LLM’ler nasıl çalışır (Transformatör mimarisi)
Popüler modellere genel bakış (GPT, BERT, T5, vb.)
LLM’lerin güçlü ve zayıf yönleri
LangChain’e Giriş
LangChain nedir ve neden kullanılır?
Temel yapı taşları: Zincirler, Aracılar, Araçlar ve Bellek
Ortam Kurulumu
Python, Jupyter Notebook’ları ve LangChain’i kurma
Gerekli kütüphaneleri kurma (LangChain, OpenAI, Transformers, vb.)
OpenAI veya Hugging Face için API anahtarlarını edinme
Uygulamalı Etkinlik:
Basit bir metin özetleme görevi için LangChain ile ilk zincirinizi oluşturun.
2. Gün: LangChain Temel Kavramlarıyla Çalışma
Amaç: LangChain’in temel kavramlarını öğrenin ve uygulayın: Zincirler, Bellek, Araçlar ve Aracılar.
Zincirler
Zincirler nelerdir? Sıralı ve Karmaşık Zincirler
Soru-cevap zinciri oluşturma
LLM’leri zincirlerle entegre etme
Bellek
Durumlu ve Durumsuz etkileşimler
Sohbet robotları ve konuşma AI için bellek kullanma
Örnek: Konuşma geçmişi olan bir sohbet robotu uygulama
Aracılar
Aracılar nelerdir? Reaktif ve Planlama ajanları
Ajanlar içindeki araçları kullanma (örneğin, arama motorları, hesap makineleri)
Örnek: Harici bir API (örneğin, Wikipedia veya Wolfram Alpha) kullanarak soruları yanıtlamak için bir ajan oluşturma
Araçlar
Ajanlara özel araçlar ekleme
Örnek: Harici bir API’den canlı verileri almak için bir araç oluşturma
Uygulamalı Etkinlik:
Bellek ve araçlarla konuşma tabanlı bir AI uygulaması oluşturma.
3. Gün: LangChain’in Gelişmiş Uygulamaları
Amaç: LangChain kullanarak gelişmiş konulara daha derinlemesine dalın ve pratik uygulamalar oluşturun.
LLM’leri Harici Verilere Bağlama
Belge yükleyiciler: PDF’leri, CSV’leri ve daha fazlasını okuma
Geri alma-artırılmış üretim (RAG) için vektör veritabanları
Örnek: Özel bir veri kümesi üzerinde bir Soru-Cevap botu oluşturma
İnce Ayar ve Özelleştirme
LLM’leri ince ayarlamaya genel bakış
Hugging Face veya OpenAI API’leriyle iş akışlarını ince ayarlama
Gömmelerle LangChain
Gömmeler nelerdir ve neden önemlidirler?
Benzerlik araması için gömmeleri oluşturma ve kullanma
Örnek: OpenAI veya Hugging Face gömmelerini kullanarak belgeler üzerinde arama yapma
LangChain ve İş Akışı Otomasyonu
Otomasyon için Zapier gibi araçlarla LangChain kullanma
Örnek: E-posta yanıtlarını veya rapor oluşturmayı otomatikleştirme
Uygulamalı Etkinlik:
Özel bir bilgi tabanlı asistan oluşturmak için bir RAG boru hattı oluşturma.
4. Gün: Uygulamaları Dağıtma ve Ölçekleme
Hedef: Uygulamaları gerçek dünya kullanımı için dağıtmayı ve ölçeklemeyi öğrenin.
Çok Adımlı Boru Hatları Oluşturma
Zincirleri, belleği ve aracıları daha büyük iş akışlarına birleştirme
Örnek: Otomatik müşteri destek boru hattı
LangChain Uygulamalarını Dağıtma
FastAPI veya Flask ile Dağıtma
Konteynerleştirme için Docker Kullanma
Bulut platformlarında dağıtma (AWS, Azure veya GCP)
LLM Uygulamalarını Değerlendirme
AI uygulamalarında değerlendirmenin önemi
LLM performansını kıyaslama araçları
Örnek: LangChain’in geri alma notlayıcısını kullanarak yanıtları değerlendirme
Etik Hususlar ve Sınırlamalar
Sorumlu AI geliştirme
Önyargı, halüsinasyon ve güvenlik endişelerini ele alma
Bitirme Projesi:
Öğrenciler kendi LangChain destekli uygulamalarını (örneğin, kişiselleştirilmiş sohbet robotu, belge soru-cevap veya iş akışı otomasyon aracı) oluşturur ve dağıtır.
Projeleri akranlarıyla sunar ve tartışır.
Eğitimlerle ilgili bilgi almak ve diğer tüm sorularınız için bize ulaşın!
