Eğitimin Amacı ve Kapsamı
Çoğu veri bilimi ekibinde yüzlerce eğitim denemesi yapılır; ancak hangi veri kesiti, hangi commit, hangi hiperparametre ve hangi random seed ile en iyi sonucun alındığı Excel tablolarında veya kişisel notlarda kaybolur. Bu eğitim, tek bir araca bağlı kalmadan kurumsal deney yönetimi metodolojisini, tekrar üretilebilirlik (reproducibility) ilkelerini ve otomatik hiperparametre optimizasyonunu (HPO) ele alır.
Optuna ve Ray Tune ile Bayesian arama ve erken durdurma (pruning) stratejileri, deney isimlendirme/etiketleme taksonomisi, hata dilimi (slice) analizi ve açık kaynak/bulut deney takip platformlarının (MLflow, Weights & Biases, Comet/Neptune) mimari karşılaştırması uygulamalı olarak işlenir. Katılımcılar kendi ekipleri için standart bir deney takip protokolü ve HPO şablonu oluşturur.
Kimler Katılmalı?
- Yoğun model denemeleri ve hiperparametre aramaları yürüten veri bilimciler
- Farklı projeler arasında ortak deney standartları kurmak isteyen makine öğrenmesi mühendisleri
- Araştırma ve model geliştirme süreçlerinin verimliliğinden sorumlu ekip liderleri
- Ön koşul: Python ile makine öğrenmesi (scikit-learn veya PyTorch/LightGBM) deneyimi
Kazanımlar
- Kod, veri özeti (hash), ortam ve donanım bilgisini otomatik kaydeden tekrar üretilebilir deney şablonları kurmak
- Ekip genelinde proje, görev, veri sürümü ve aday model etiketlerini içeren bir deney taksonomisi tanımlamak
- Optuna ve Ray Tune ile TPE/Bayesian hiperparametre araması ve başarısız denemeleri erken kesme (ASHA/Hyperband) uygulamak
- Sadece genel skora değil, veri alt kümelerine (slice) ve kalibrasyon eğrilerine göre modelleri karşılaştırmak
- On-prem güvenlik, maliyet ve kullanım ihtiyacına göre MLflow, W&B ve alternatif araçlar arasında doğru mimari kararı vermek
Konular
Tekrar Üretilebilirlik (Reproducibility) ve Deney Taksonomisi
- Deterministik eğitim: random seed'ler, Git commit SHA, veri özeti (digest) ve bağımlılık kilitleme
- Kurumsal deney adlandırma, etiketleme (tagging) standartları ve baseline belirleme disiplini
Ne Kaydedilmeli? Metrik, Artefakt ve Hata Dilimleri
- Eğitim/doğrulama eğrileri, gradyan normları, donanım metrikleri ve çıkarım gecikmesi
- Confusion matrix, PR/ROC eğrileri, SHAP özetleri ve en çok hata yapılan örneklerin (hard examples) loglanması
Optuna ile Akıllı Hiperparametre Optimizasyonu
- Grid/Random search yerine Tree-structured Parzen Estimator (TPE) ve çok amaçlı (multi-objective) optimizasyon
- MedianPruner ve Hyperband ile umut vermeyen eğitimleri erken durdurup GPU süresini koruma
Dağıtık HPO ve Deney Orkestrasyonu (Ray Tune & Hydra)
- Hydra multirun ve Ray Tune ile paralel deney koşumu ve kaynak tahsisi
- Deney sonuçlarının otomatik olarak takip sunucusuna aktarılması ve paralel koordinat grafikleriyle analizi
Deney Takip Platformları Karşılaştırması ve Kurumsal Kurulum
- MLflow, Weights & Biases ve Neptune/ClearML: mimari, barındırma (self-hosted vs SaaS) ve lisanslama farkları
- Merkezi deney sunucusunda yetkilendirme, saklama (retention) politikaları ve inceleme (model review) kültürü
Bu Kategorideki Diğer Eğitimler
-
MLOps – İleri Seviye
Büyük ölçekli makine öğrenmesi sistemleri için model drift izleme, A/B testleri, canary deployment, gelişmiş CI/CD pipeline'ları, Kafka/Spark Streaming ve Kubernetes orkestrasyonu.
- Canlı Kurs
- 6 modül
-
MLflow Tracking Server mimarisi, PostgreSQL/S3 kurulumu, autologging, pyfunc ile özel model paketleme, MLflow Evaluate (klasik ML ve LLM) ve Model Registry entegrasyonu; açık kaynak standartla çalışan ekipler için.
- Canlı Kurs
- 5 modül
-
W&B Experiments, Sweeps, Artifacts (veri ve model soykütüğü), Tables ile görsel hata analizi, Weave ile LLM izleme ve ortak çalışma raporları; derin öğrenme ve üretken yapay zeka ekipleri için.
- Canlı Kurs
- 5 modül
-
DVC, LakeFS ve Iceberg/Delta time-travel ile büyük veri setleri, etiketler ve model ağırlıklarının Git ile senkron versiyonlanması ve uçtan uca soykütüğü (lineage); denetlenebilir ML sistemleri kuran ekipler için.
- Canlı Kurs
- 5 modül
-
Merkezi Model Registry mimarisi, model paketleme standartları, @champion/@challenger geçişleri, otomatik doğrulama kapıları, model kartları ve güvenlik taraması; modelleri denetimli biçimde üretime alan ekipler için.
- Canlı Kurs
- 5 modül
-
Online/batch/streaming çıkarım desenleri, Triton Inference Server, BentoML, Ray Serve ve vLLM, dynamic batching, gRPC/REST, önbellekleme ve yük testi; modelleri düşük gecikme ve yüksek throughput ile sunan ekipler için.
- Canlı Kurs
- 5 modül
Bizimle iletişime geçin
