Eğitimin Amacı ve Kapsamı
Milyonlarca ürün ve anlık değişen kullanıcı niyeti karşısında klasik matris faktörizasyonu yetersiz kalır. Bu ileri seviye program, modern endüstriyel öneri sistemlerinin uçtan uca derin öğrenme mimarisini kapsar: birinci aşamada Two-Tower (çift kule) ağlar, in-batch negatif örnekleme ve FAISS/Qdrant ile milisaniyelik aday getirme (ANN retrieval); oturum içi tıklama dizileri için SASRec ve BERT4Rec; ikinci aşamada ise DeepFM, DCN-v2 ve DLRM ile özellik etkileşimli sıralama (ranking).
Tıklama, satın alma ve izleme süresi gibi birbiriyle çelişen hedefleri aynı anda optimize eden Multi-gate Mixture-of-Experts (MMoE/PLE) ile metin/görüntü embedding'lerinin cold-start ürünlere entegrasyonu uygulamalı işlenir. Katılımcılar PyTorch/TorchRec veya Merlin yapı taşlarıyla iki aşamalı bir derin öneri prototipi kurar.
Kimler Katılmalı?
- E-ticaret, dijital medya, pazaryeri, oyun ve bankacılıkta öneri/kişiselleştirme geliştiren veri bilimciler ve ML mühendisleri
- Arama, sıralama (search & ranking) ve reklam teknolojisi (AdTech) mühendisleri
- Klasik öneri modellerini gerçek zamanlı derin mimarilere taşıyan ekipler
- Ön koşul: Python, PyTorch ve temel öneri sistemleri bilgisi
Kazanımlar
- Two-Tower mimarisiyle kullanıcı ve ürün kuleleri eğitip FAISS/Qdrant üzerinde hızlı ANN retrieval kurmak
- Kullanıcının anlık oturum geçmişini SASRec ve Transformer dizileriyle modelleyerek bir sonraki etkileşimi tahmin etmek
- Yüksek kardinaliteli seyrek (sparse) ve yoğun özellikleri DCN-v2 ve DeepFM ile sıralama modelinde birleştirmek
- Tıklama (CTR) ve dönüşüm (CVR) hedeflerini MMoE mimarisiyle ortak eğitip pozisyon yanlılığını düzeltmek
- Multimodal (metin/görsel) ürün embedding'lerini kulelere katarak yeni ürün cold-start sorununu çözmek
Konular
Endüstriyel Çok Aşamalı Derin Öneri Mimarisi
- Retrieval -> Pre-ranking -> Ranking -> Re-ranking hunisi ve gecikme bütçeleri
- Yüksek kardinaliteli ID embedding tabloları, hashing ve bellek yönetimi
Two-Tower Aday Getirme (Retrieval) ve ANN Arama
- Kullanıcı ve ürün kuleleri, InfoNCE, in-batch negatifler ve popülerlik düzeltmesi (logQ)
- FAISS/Qdrant (HNSW, IVF-PQ) ile milisaniyelik yakın komşu araması
Sıralı (Sequential) ve Oturum Tabanlı Öneriler
- GRU4Rec, SASRec (nedensel dikkat) ve BERT4Rec (maskeli dizi)
- Kısa vadeli oturum niyeti ile uzun vadeli kullanıcı profilini birleştirme
Derin Sıralama (Ranking): DeepFM, DCN-v2 ve DLRM
- Açık ve örtük özellik çarpımları (Cross Network, Factorization Machine)
- Hedef dikkat (DIN/DIEN) ile aday ürüne göre geçmişi ağırlıklandırma
Çok Hedefli Öğrenme (MMoE), Cold-Start ve Yanlılık
- Shared-bottom, MMoE ve PLE ile CTR + CVR ortak optimizasyonu
- Metin/görüntü foundation embedding'leri ile cold-start ve pozisyon yanlılığı (IPS)
Bu Kategorideki Diğer Eğitimler
-
Türkçe ve çok dilli metinlerde ön işleme, morfoloji, regex, tokenizasyon, TF-IDF, kelime/cümle embedding'leri, spaCy ve scikit-learn/Hugging Face ile ilk metin sınıflandırma, NER ve duygu analizi modelleri.
- Canlı Kurs
- 5 modül
-
Düşük etiketli ortamlarda ileri NLP: domain-adaptive pretraining (MLM), DeBERTa/RoBERTa fine-tuning, LoRA/PEFT, SetFit ile few-shot öğrenme, zayıf denetimli etiketleme (Cleanlab/LLM-destekli), uzun belge ve çok dilli modeller.
- Canlı Kurs
- 5 modül
-
Sinir ağlarıyla uçtan uca NLP: alt-kelime tokenizasyonu, BiLSTM-CRF ve Transformer (BERT, DeBERTa, T5) mimarileri; Hugging Face Transformers ve PyTorch ile dizi etiketleme, seq2seq özetleme ve soru yanıtlama.
- Canlı Kurs
- 5 modül
-
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
Bizimle iletişime geçin
