MLOps/LLMOps Bootcamp (Hediyeli)

MLOps & LLMOps Bootcamp

MLOps (Machine Learning Operations), makine öğrenimi modellerinin üretim ortamlarında güvenli, ölçeklenebilir ve sürdürülebilir şekilde çalıştırılmasına odaklanır. DevOps’un yazılım geliştirme süreçlerine getirdiği disiplinin, yapay zekâ ve makine öğrenimi dünyasına uyarlanmış halidir. MLOps, yalnızca bir modeli eğitmek değil;
  • O modeli üretime almak,
  • Performansını izlemek,
  • Veriler değiştiğinde güncellemek,
  • Bozulan modelleri yeniden eğitmek,
  • Ve tüm bu süreci otomatikleştirmek demektir.
Birkaç modeli manuel olarak yönetmek mümkün olabilir. Peki onlarca, hatta yüzlerce model olduğunda? İşte burada MLOps devreye girer. LLMOps ise production ortamlarda büyük dil modellerinin operasyonel yönetimi için kullanılan pratikler, teknikler ve araçlar bütünüdür. Yani mevcut büyük dil modellerinin (GPT, Gemini gibi) gerçek dünyada güvenilir bir şekilde nasıl dağıtıldığı, izlendiği ve optimize edildiğiyle ilgili süreçlerdir. LLMOps, MLOps’un büyük dil modelleri için özelleşmiş hali gibi düşünebilirsiniz.

Bu Bootcamp’te Neler Öğreneceksiniz?

Klasik MLOps Uygulamaları
  • Regresyon ve sınıflandırma modellerinin uçtan uca deployment’ı
  • MLflow ile deney takibi ve model registry
  • FastAPI ile REST servisleri geliştirme
  • Docker & Kubernetes üzerinde dağıtım
  • Jenkins & Terraform ile CI/CD süreçleri
  • AWS üzerinde gerçek senaryolar
Yeni: LLMOps İçerikleri
  • Büyük dil modelleri (LLMs) ile tanışma
  • Vector Database kullanımı
  • Retrieval-Augmented Generation (RAG)
  • LangChain ile basit bir Chatbot geliştirme
  • LLM’leri canlı ortamda kullanmanın en iyi pratikleri

Kimin İçin Uygun?

  • Veri Bilimciler, ML Engineer’lar, AI Engineer’lar
  • MLOps süreçlerini öğrenmek isteyen yazılım ve DevOps mühendisleri
  • LLM tabanlı uygulamalar geliştirmek isteyen profesyoneller
MLOps & LLMOps Bootcamp size yalnızca modelleri çalıştırmayı değil, aynı zamanda geleceğin yapay zekâ altyapısını kurmayı öğretecek. 📩 Sorularınız ve detaylı bilgi için: satis@veribilimiokulu.com

Bugün Kayıt Ol!

38.000

7. Dönem

12 Kasım 2025 - 8 Şubat 2026

Pakete Neler Dahil

Kampanya&İndirim
%100 Canlı Dersler
Canlı Mentor Desteği
Sertifika
Canlı derslerin video kayıtlarına 1 yıl süreyle erişim

Formu doldurun
Sizi arayalım!

mlops_7_donem_timeline

Bootcamp İçeriği

Tüm eğitimlerimiz, konunun tüm yönlerini ele alarak kapsamlı bir şekilde hazırlanmıştır.

MLOps, makine öğrenmesi modellerinin canlı ortamlarda çalıştırılması, izlenmesi ve bakımı aşamalarına odaklanan bir kavramdır. LLMOps ise bunun büyük dil modeli destekli uygulama ve projelere uyarlanmış halidir. Bu eğitim ile klasik ML modeli ile AI destekli uygulamalar  geliştirme sonrasında neler olduğunu öğreneceksiniz.

Veri bilimi ve yapay zeka emekleme dönemini çoktan geride bıraktı. Artık modelleri prod ortamında çalıştırmanın ve gerçek değer sunmanın zamanı geldi. Bir adım önde olmak ve fark yaratmak istiyorsanız doğru yerdesiniz.

  • VBO Bootcamp mezunları için %20 indirim
  • Gerçekçi projeler ve ödevler (Chatbot deployment, LLM Application deployment, Model deployment with API, model drift detection, model deployment on Kubernetes and AWS, etc.)

Önemli Notlar

– Kursu takip etmek için Docker çalıştıran bir bilgisayar gereklidir

– İş bilgisayarları ile katılmamanızı tavsiye ederiz. Güvenlik politikaları ve yönetici yetkisi eksikliği nedeniyle zaman zaman sorunlar yaşanmaktadır.

MLOps/LLMOps Bootcamp eğitimi işleyişi;

1. Ön Hazırlık Eğitimi: 

Bu aşamada derslerin anlaşılmasını kolaylaştıracak eğitimler videolar aracılığıyla alınır. Örneğin derslerde docker-compose veya SQL join kullanılacaksa bunların ne anlama geldiği konusunda zaman kaybedilmemesi de hedefleniyor. Kayıt olur olmaz bu safha her bir katılımcı için başlar.

2. Kick-Off: 12 Kasım 2025

Bootcamp işleyişi hakkında bilgilendirme yapılır, tanışma toplantısı gerçekleştirilir, ön hazırlık ödevleri verilir.

3. Canlı Dersler: 30 Kasım 2025 – 25 Ocak 2026, 9 hafta 

Eğitimin ana bölümüdür ve aşağıda bulunan “Bootcamp İçeriği ” başlığındaki 3-11 haftalarını, Pazar günleri 3 saat canlı ders  olacak şekilde online platformlar (Zoom) üzerinden devam eder.

Takıldığınız noktalarda mentörünüzden destek alabileceksiniz.

4. Bitirme Projesi: 25 Ocak 2026 – 8 Şubat 2026 ,  2 hafta Canlı dersler bittikten sonra kursiyerlerin bitirme projelerini tamamladıkları ve Zoom üzerinden sundukları safhadır. Bu safhada bireysel/grup çalışması yapılır. Mentör ve eğitmen desteği devam eder.

Bu eğitimde aşağıdaki sorulara ve daha fazlasına cevap bulacağız:

  • Modeli bir API ile nasıl sunabiliriz?
  • Modellerimizin önünde nasıl bir yük dengeleyici kullanırız?
  • Modellerimizin işlevsel, yük, performans ve stres testlerini nasıl gerçekleştiririz?
  • Modellerimizin önünde nasıl bir yük dengeleyici kullanırız?
  • Modelimizi bir konteyner görüntüsüne nasıl dönüştürebiliriz?
  • Modelimizi Docker ve Kubernetes aracılığıyla nasıl sunacağız?
  • Modelimizi bulutta nasıl sunacağız?
  • Uçtan uca bir MLOps tasarımı neye benzer?
  • Bir model geliştirirken ML Pipelines kullanmanın faydaları nelerdir?
  • Modeli tekrar ne zaman eğiteceğiz?
  • İşleri nasıl otomatikleştiririz?
  • MLOps’ta CI/CD de var mı?
  • MLOps için hangi araçlar var?
  • MLOps ile ilgili hangi hizmetler bulutta mevcut?
  • Nasıl yapay zeka uygulamaları geliştiririz?
  • LLM ile nasıl chatbot, yapay zeka asistanı geliştiririz?
  • LLM Chatbotları nasıl deploy ederiz?

Önemli Notlar:

Aynı anda şu üç kriteri sağlayan katılımcılar için sertifika düzenlenecektir:

1. Derslerin en az %70’ine katılma,

2. Ödevlerin en az %70’ini yapma,

2. Bitirme projesinden 100 üzerinden en az 70 puan almak.

Öğrenciler ile paylaşılacak kaynaklar: Eğitim video kayıtları, sanal makine, sunumlar ve derste kullanılan örnek kodlar VBO Platformu üzerinden paylaşılacaktır.

Eğitmen

Eğitmenlerimiz yılların vermiş olduğu tecrübeyle sizlere bilgi aktarımı sağlamaktadır.

No data was found

Mentörler

No data was found

Mezun Yorumları

Mezunlarımız almış oldukları eğitimden sonra kendi deneyimlerini ve düşüncelerinizi sizlerle paylaşmaktadır.

No data was found

Referanslar