Eğitimin Amacı ve Kapsamı
Klasik frekans tabanlı yöntemler kelime sırasını, bağlama göre değişen anlamı ve cümleler arası ilişkileri yakalayamaz. Bu program, derin öğrenmenin doğal dil işlemeyi nasıl dönüştürdüğünü uygulamalı olarak ele alır: alt-kelime (BPE/WordPiece) tokenizasyonu, tekrarlayan dizi modelleri ve BiLSTM-CRF'ten başlayarak BERT, RoBERTa, DeBERTa ve T5 gibi modern Transformer modellerinin PyTorch ve Hugging Face ekosistemiyle eğitilmesi işlenir.
Katılımcılar metin ve çift-cümle (NLI/benzerlik) sınıflandırması, token düzeyinde dizi etiketleme (NER/POS), ekstraktif soru yanıtlama ve encoder-decoder ile özetleme/dönüştürme görevlerini kurum verisine uyarlanmış bir vaka üzerinde uçtan uca geliştirir.
Kimler Katılmalı?
- Veri bilimciler, ML mühendisleri ve NLP geliştiricileri
- Klasik metin analizinden derin öğrenme ve Hugging Face ekosistemine geçen ekipler
- Kurum içi metin sınıflandırma, özetleme ve soru-cevap modelleri kuran mühendisler
- Ön koşul: Python, temel PyTorch ve giriş seviyesinde NLP bilgisi
Kazanımlar
- Hugging Face Datasets ve Tokenizers ile büyük metin veri setlerini dinamik padding ile hazırlamak
- BERT/DeBERTa encoder modellerini sınıflandırma ve doğal dil çıkarımı (NLI) görevleri için ince ayarlamak
- Alt-kelime hizalamasını (word_ids) koruyarak token düzeyinde NER ve slot doldurma modelleri eğitmek
- T5/BART gibi encoder-decoder modellerle özetleme ve yapılandırılmış metin üretimi yapmak
- ROUGE, BERTScore, token-F1 ve hata matrisleriyle derin NLP modellerini değerlendirmek
Konular
Sinirsel Dil Temsilleri ve Dizi Modelleri
- Bağlamsal olmayan vs bağlamsal embedding'ler; RNN/GRU/BiLSTM ve CRF katmanı
- Hugging Face Tokenizers, Datasets ve DataCollator ile dinamik batching
Pretrained Encoder Modeller: BERT, RoBERTa ve DeBERTa
- Masked Language Modeling, [CLS] vs mean pooling ve ayrıştırılmış dikkat (DeBERTa)
- Tekil metin ve cümle çifti (NLI, semantik eşleşme) fine-tuning
Token Düzeyinde Görevler: NER, Slot Filling ve QA
- BIO/BILOU şeması ve alt-kelime (subword) etiket hizalama
- Seqeval ile varlık bazlı F1 ölçümü ve span-based ekstraktif soru yanıtlama
Sequence-to-Sequence: T5 ve BART ile Özetleme ve Dönüşüm
- Encoder-decoder mimarisi ve öğretmen zorlaması (teacher forcing)
- Greedy, beam search ve nucleus örnekleme; ROUGE ve BERTScore değerlendirmesi
Uygulama Çalıştayı ve Model İncelemesi
- Kurum vakası üzerinde uçtan uca fine-tuning ve baseline karşılaştırması
- Attention/Integrated Gradients ile karar açıklaması ve kontrol listesi
Bu Kategorideki Diğer Eğitimler
-
NLP modellerini yüksek trafikte düşük maliyet ve gecikmeyle çalıştırma: ONNX/Optimum niceleme, Triton/FastAPI servis, dinamik batching, PII maskeleme (Presidio), davranışsal test (CheckList) ve metin drift izleme.
- Canlı Kurs
- 5 modül
-
Yapılandırılmamış belgelerden yapılandırılmış tablo/JSON üretimi: hiyerarşik ve çok etiketli sınıflandırma, GLiNER ve Transformer NER, ilişki ve olay çıkarımı, OCR/PDF düzen (layout) işleme ve şema doğrulamalı çıkarım.
- Canlı Kurs
- 5 modül
-
Kelime eşleşmesinin ötesinde kurumsal arama: Sentence-Transformers (bi-encoder), çok dilli embedding'ler, BM25/SPLADE + yoğun vektör hibrit arama, RRF, Cross-Encoder reranking, Qdrant/pgvector ve NDCG@k ölçümü.
- Canlı Kurs
- 5 modül
-
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
Bizimle iletişime geçin
