Eğitimin Amacı ve Kapsamı
Kullanıcılar ürün kataloğunda, bilgi tabanında veya mevzuat arşivinde tam anahtar kelimeyi bilmeden arama yaptığında klasik kelime eşleşmesi (BM25) sonuç döndüremez; yalnızca yoğun vektör araması kullanıldığında ise ürün kodları ve özel terimler kaçırılır. Bu eğitim; bi-encoder (Sentence-Transformers, BGE-M3, E5) modelleriyle yoğun anlamsal temsilleri, BM25 ve öğrenilmiş seyrek (SPLADE) aramayı, Reciprocal Rank Fusion (RRF) ile hibrit birleştirmeyi ve Cross-Encoder / ColBERT (late interaction) ile ikinci aşama yeniden sıralamayı (reranking) kapsar.
Belge parçalama (chunking), Qdrant ve PostgreSQL pgvector üzerinde HNSW indeksleme, meta veri filtreleme, kurum tıklama/sorgu çiftleriyle embedding fine-tuning (MultipleNegativesRankingLoss) ve Recall@k, MRR, NDCG@k ile altın test seti kurma uygulamalı işlenir.
Kimler Katılmalı?
- Kurumsal arama, e-ticaret ürün arama ve RAG (retrieval) altyapısı geliştiren veri bilimciler ve ML mühendisleri
- Bilgi yönetimi, müşteri destek portalı ve öneri/eşleştirme servisleri kuran yazılım mühendisleri
- Mevcut Elasticsearch/OpenSearch veya SQL aramasını anlamsal yeteneklerle güçlendirmek isteyen ekipler
- Ön koşul: Python ve temel NLP / veritabanı bilgisi
Kazanımlar
- Türkçe ve çok dilli korpuslar için doğru bi-encoder embedding modelini (BGE-M3, multilingual-e5) seçip benchmark yapmak
- BM25 anahtar kelime araması ile yoğun vektör aramasını RRF ve ağırlıklı skorlarla hibrit mimaride birleştirmek
- Qdrant veya pgvector üzerinde HNSW parametrelerini ve ön/son meta veri filtrelerini yapılandırmak
- İlk aşama adaylarını Cross-Encoder reranker ile yeniden sıralayarak ilk sıradaki isabeti (MRR/NDCG@10) artırmak
- Kurumun kendi sorgu-belge çiftleri ve zor negatiflerle (hard negatives) embedding modeline ince ayar yapmak
Konular
Sözcüksel vs Anlamsal Arama ve Bi-Encoder Mimarisi
- TF-IDF/BM25'in güçlü ve zayıf yönleri; kelime dağarcığı uyumsuzluğu (vocabulary mismatch)
- Sentence-Transformers, BGE-M3, E5 ve Matryoshka (esnek boyutlu) embedding'ler
Vektör İndeksleme: Qdrant, pgvector ve Chunking
- Belge parçalama (chunking), başlık/bağlam zenginleştirme ve kosinüs/nokta çarpım
- HNSW ve IVF indeksleri, scalar/binary quantization ve meta veri filtreleme
Hibrit Arama ve Cross-Encoder Reranking
- Yoğun + seyrek (BM25/SPLADE) aramayı Reciprocal Rank Fusion (RRF) ile birleştirme
- Bi-encoder vs Cross-Encoder ve ColBERT; iki aşamalı getirme ve yeniden sıralama
Kurum Verisiyle Embedding Fine-Tuning
- Tıklama logları ve sentetik sorgu üretimi ile eğitim çiftleri oluşturma
- MultipleNegativesRankingLoss (InfoNCE) ve hard-negative mining ile domain adaptasyonu
Arama Değerlendirme ve Dil Uygulamaları
- Recall@k, MRR@10 ve NDCG@10 ile altın değerlendirme seti kurma
- Semantik tekilleştirme (deduplication), otomatik SSS eşleştirme ve sorgu genişletme
Bu Kategorideki Diğer Eğitimler
-
PyTorch ile Derin Öğrenme
PyTorch 2.x ile tensor işlemleri ve autograd temellerinden CNN, Transformer, LLM ince ayarı (LoRA/QLoRA), difüzyon modelleri, GNN ve üretim ortamı model dağıtımına uzanan kapsamlı derin öğrenme eğitimi.
- Canlı Kurs
- 12 modül
-
Yapay sinir ağları, ileri yayılım, backpropagation, aktivasyon ve loss fonksiyonları, AdamW, dropout ve batch normalization; PyTorch ile ilk derin öğrenme modellerini doğru kurma ve eğitme becerisi kazandırır.
- Canlı Kurs
- 5 modül
-
Büyük ölçekli ve kararlı derin öğrenme: BF16/FP16 mixed precision, DDP/FSDP ile çoklu GPU eğitimi, self-supervised ve contrastive pretraining, metric learning, bilgi damıtma (distillation) ve profil analizi.
- Canlı Kurs
- 5 modül
-
ResNet ve ConvNeXt'ten Vision Transformer (ViT), Swin, hibrit omurgalar, State Space Models (Mamba), Mixture-of-Experts (MoE) ve multimodal mimarilere; probleme ve donanıma uygun ağ tasarımı ve seçimi.
- Canlı Kurs
- 5 modül
-
Self-attention mekanizması, Multi-Head/Grouped-Query Attention, RoPE konumsal kodlama, encoder/decoder/encoder-decoder aileleri, KV cache ve FlashAttention; PyTorch ile sıfırdan ve Hugging Face ile uygulamalı.
- Canlı Kurs
- 5 modül
-
Keras 3 ve TensorFlow 2 ekosistemi: Functional/Subclassing API, tf.data pipeline'ları, özel eğitim döngüleri (GradientTape), tf.distribute ve SavedModel/TF Serving/TFLite ile kurumsal model dağıtımı.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
