Uygulamalı Generative AI, LLM ve LangChain Eğitimi

Bu kurs, Üretken Yapay Zeka (Generative AI) ve Büyük Dil Modellerini (Large Language Models – LLM) kullanarak yenilikçi uygulamalar geliştirmek isteyen profesyoneller ve öğrenciler için kapsamlı ve uygulamalı bir rehber sunar. Kurs, LLM’lerin API’ler, veri kaynakları ve iş akışlarıyla entegrasyonunu öğretirken, gerçek dünya senaryolarında modellerin nasıl tasarlanıp dağıtılacağına odaklanır. Teknik derinlik ile pratik uygulamaları birleştiren bu eğitim, farklı uzmanlık seviyelerindeki katılımcılara hitap eder:

Geliştiriciler (Developers): LLM’leri kullanarak güçlü uygulamalar oluşturmak isteyen yazılım geliştiriciler için bu kurs, LangChain gibi araçlarla modelleri API’lere, veri kaynaklarına ve iş akışlarına entegre etme becerisi kazandırır. Pratik örnekler ve projeler aracılığıyla, sıfırdan uygulama geliştirme süreçlerini öğrenirler.
Veri Bilimcileri (Data Scientists): Gerçek dünya problemlerinde LLM’leri üretime taşımak isteyen veri bilimcileri, bu kurstan model dağıtımı (Model Deployment), izleme (Monitoring) ve optimizasyon (Optimization) konularında derinlemesine bilgi edinebilir. Araştırma aşamasından üretim ortamına geçiş süreçleri uygulamalı olarak ele alınır.
AI/ML Mühendisleri (AI/ML Engineers): Yapay zeka ve makine öğrenimi (Machine Learning – ML) uygulamalarına odaklanan mühendisler, LLM’leri akıllı sistemler ve Ajanlar (Agents) ile nasıl entegre edeceklerini öğrenirler. Kurs, karmaşık iş akışları tasarlamaktan ölçeklenebilir sistemler oluşturmaya kadar geniş bir yelpazede beceriler sunar.
Teknik Kurucular ve CTO’lar (Technical Founders & CTOs): Girişim kurucuları ve teknoloji liderleri, LLM’lerin ürün ve hizmetlere entegrasyonunun iş potansiyelini değerlendirmek için bu kursu ideal bulacaktır. Teknik detayların yanı sıra, iş odaklı karar alma süreçleri ve stratejik planlama için rehber bir bakış açısı sağlar.
Öğrenciler (Students): Yapay Zeka (Artificial Intelligence – AI), Makine Öğrenimi (Machine Learning – ML), Doğal Dil İşleme (Natural Language Processing – NLP) veya bilgisayar bilimi alanında eğitim gören lisansüstü ve ileri düzey lisans öğrencileri, bu kurstan LLM’lerin pratik uygulamalarını öğrenerek teorik bilgilerini gerçek dünya senaryolarına taşıyabilir.
LLM Araştırmacıları (LLM Researchers): Yeni LLM mimarileri (Architectures), eğitim teknikleri (Training Techniques) veya optimizasyon yöntemleri üzerine çalışan araştırmacılar, modellerin gerçek dünya uygulamalarındaki zorluklarını ve fırsatlarını keşfedecekler. Kurs, araştırma ile uygulama arasındaki köprüyü kurmayı hedefler.

Bu eğitim, katılımcılara teorik bilgiden uygulamalı becerilere geçiş yapma fırsatı sunarken, LangChain’in gücüyle LLM tabanlı yenilikçi çözümler geliştirme konusunda kendilerine güven kazandırır. İster bir sohbet robotu (Chatbot), ister otomatik bir iş akışı (Workflow Automation) veya veri odaklı bir asistan (Data-Driven Assistant) oluşturmak isteyin, bu kurs size gerekli araçları ve rehberliği sağlar.

Bireysel başvuru için buraya tıklayınız. 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.

Ön Gereksinimler

Temel linux komutlarına hakimiyet
Temel programlama bilgisi
Docker çalışan bir bilgisayar
İnternet bağlantısı

Eğitim İçeriği

1. Gün: Üretken Yapay Zeka (Generative AI) ve Büyük Dil Modellerine (Large Language Models – LLM) Giriş

Amaç: Üretken Yapay Zeka (Generative AI) ve Büyük Dil Modellerinin (LLM) temellerini anlamak ve yapay zeka destekli uygulamalar geliştirmek için gerekli ortamı hazırlamak.

Üretken Yapay Zeka Nedir? (Generative AI)

Geleneksel Yapay Zeka (Traditional AI) ile Üretken Yapay Zeka (Generative AI) arasındaki farklar

Büyük Dil Modellerini Anlamak (Large Language Models – LLM)

Büyük Dil Modelleri (LLM) nasıl çalışır? (Transformatör Mimarisi – Transformer Architecture)
Popüler modellere genel bakış: GPT, Claude, Gemini vb.
Büyük Dil Modellerinin (LLM) güçlü ve zayıf yönleri

LangChain’e Giriş

LangChain nedir ve neden kullanılır?
Temel yapı taşları: Zincirler (Chains), Ajanlar (Agents), Araçlar (Tools) ve Bellek (Memory)

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 Zincir (Chain) oluşturma

2. Gün: LangChain Temel Kavramlarıyla Çalışma

Amaç: LangChain’in temel bileşenleri olan Zincirler (Chains), Bellek (Memory), Araçlar (Tools) ve Ajanlar (Agents) hakkında bilgi edinmek ve uygulamalı deneyim kazanmak.

Zincirler (Chains)

Zincirler (Chains) nedir? Sıralı (Sequential) ve Karmaşık Zincirler (Complex Chains)
Soru-cevap zinciri oluşturma
Büyük Dil Modellerini (LLM) zincirlerle entegre etme

Bellek (Memory)

Durumlu (Stateful) ve Durumsuz (Stateless) etkileşimler
Sohbet robotları (Chatbots) ve konuşma yapay zekası için Bellek (Memory) kullanma
Örnek: Konuşma geçmişi olan bir sohbet robotu geliştirme

Ajanlar (Agents)

Ajanlar (Agents) nedir? Reaktif (Reactive) ve Planlama Ajanları (Planning Agents)
Ajanlar içinde Araçlar (Tools) kullanma (örneğin, arama motorları, hesap makineleri)
Örnek: Harici bir API (örneğin, Wikipedia veya Wolfram Alpha) kullanarak soruları yanıtlayan bir Ajan (Agent) oluşturma

Araçlar (Tools)

Ajanlara özel Araçlar (Tools) ekleme
Örnek: Harici bir API’den canlı veriler çeken bir Araç (Tool) oluşturma

Uygulamalı Etkinlik

Bellek (Memory) ve Araçlar (Tools) ile konuşma tabanlı bir yapay zeka uygulaması geliştirme

3. Gün: LangChain’in Gelişmiş Uygulamaları

Amaç: LangChain ile daha karmaşık konuları keşfetmek ve pratik uygulamalar geliştirmek.

Büyük Dil Modellerini (LLM) Harici Verilere Bağlama

Belge Yükleyiciler (Document Loaders): PDF’ler, CSV’ler ve diğer formatları okuma
Geri Alma-Artırılmış Üretim (Retrieval-Augmented Generation – RAG) için Vektör Veritabanları (Vector Databases)
Örnek: Özel bir veri kümesi üzerinde Soru-Cevap Botu (Q&A Bot) oluşturma

İnce Ayar (Fine-Tuning) ve Özelleştirme

Büyük Dil Modellerine (LLM) İnce Ayar (Fine-Tuning) yapma sürecine genel bakış
Hugging Face veya OpenAI API’leriyle iş akışlarını özelleştirme

LangChain ve Embeddings

Gömmeler (Embeddings) nedir ve neden önemlidir?
Benzerlik araması için Gömmeler (Embeddings) oluşturma ve kullanma
Örnek: OpenAI veya Hugging Face Gömmeleri (Embeddings) ile 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 Geri Alma-Artırılmış Üretim (RAG) boru hattı geliştirme

4. Gün: Uygulamaları Dağıtma ve Ölçekleme

Amaç: LangChain uygulamalarını canlı ortamlara dağıtmayı ve ölçeklendirmeyi öğrenmek.

Çok Adımlı Boru Hatları Oluşturma (Multi-Step Pipelines)

Zincirler (Chains), Bellek (Memory) ve Ajanları (Agents) daha büyük iş akışlarına birleştirme
Örnek: Otomatik müşteri destek boru hattı (Pipeline)

LangChain Uygulamalarını Dağıtma (Deployment)

FastAPI veya Flask ile dağıtım
Konteynerleştirme için Docker kullanma
Bulut platformlarında dağıtım: AWS, Azure veya GCP

Büyük Dil Modeli (LLM) Uygulamalarını Değerlendirme

Yapay zeka uygulamalarında değerlendirmenin önemi
Büyük Dil Modeli (LLM) performansını kıyaslama ve değerlendirme

Etik Hususlar ve Sınırlamalar

Sorumlu Yapay Zeka (Responsible AI) geliştirme
Önyargı (Bias), halüsinasyon (Hallucination) ve güvenlik endişelerini ele alma

Bitirme Projesi

- Öğrenciler, kendi LangChain destekli uygulamalarını geliştirir (örneğin, kişiselleştirilmiş sohbet robotu, belge soru-cevap sistemi veya iş akışı otomasyon aracı).
- Projelerini grup içinde sunar ve tartışır.

Eğitimlerle ilgili bilgi almak ve diğer tüm sorularınız için bize ulaşın!