Eğitimin Amacı ve Kapsamı
LLM projelerinin çoğu, modelin neyi neden iyi ya da kötü yaptığı anlaşılmadan başlar; bu da yanlış beklentilere ve gereksiz maliyete yol açar. Program; foundation model kavramını, pretraining ve instruction tuning sürecini, token ve context window mantığını, temperature/top-p gibi sampling parametrelerini ve halüsinasyonun kaynaklarını sade bir dille açıklar.
Katılımcılar GPT, Claude, Gemini ile Llama, Qwen, Mistral gibi open-weight modelleri aynı görevler üzerinde karşılaştırır ve kurumlarından seçilen bir use case için ilk model seçim matrisini hazırlar. Örnekler kurumun kendi senaryolarına göre uyarlanır.
Kimler Katılmalı?
- LLM tabanlı projelere yeni başlayan yazılım geliştiriciler
- Veri bilimciler ve analitik ekipleri
- Yapay zeka ürünlerinde çalışan platform ve çözüm mimarları
- Teknik ürün yöneticileri ve teknik proje liderleri
- Ön koşul: temel programlama bilgisi yeterlidir; makine öğrenmesi deneyimi gerekmez
Kazanımlar
- Token, context window ve sampling parametrelerinin çıktıya etkisini açıklar
- Kapalı ve open-weight model ailelerini yetenek, maliyet ve lisans açısından karşılaştırır
- Halüsinasyon risklerini tanır ve temel azaltma yöntemlerini seçer
- Bir problem için prompting, RAG veya fine-tuning yaklaşımından hangisinin uygun olduğuna karar verir
- Kurum içi bir use case için gerekçeli model seçim matrisi hazırlar
Konular
Foundation Model Kavramı ve LLM'lerin Gelişimi
- Pretraining, instruction tuning ve RLHF aşamaları
- Foundation model, chat modeli ve reasoning modeli farkları
Token, Context Window ve Sampling
- Tokenization ve token bazlı fiyatlandırma
- Temperature, top-p ve maksimum çıktı uzunluğunun etkisi
Model Aileleri ve Ekosistem
- OpenAI, Anthropic Claude, Google Gemini API'leri
- Llama, Qwen, Mistral, Gemma, DeepSeek ve lisans koşulları
Yetenekler, Sınırlar ve Halüsinasyon
- Halüsinasyonun nedenleri ve grounding yaklaşımları
- Bilgi kesim tarihi, akıl yürütme ve hesaplama sınırları
Prompting, RAG ve Fine-Tuning Karar Çerçevesi
- Hangi problem için hangi yaklaşım: karar ağacı
- Maliyet, gecikme ve veri gereksinimi karşılaştırması
Uygulama: Model Seçim Matrisi
- Kurum use case'i için modellerin aynı görevlerle denenmesi
- Kalite, maliyet ve latency kriterleriyle matrisin doldurulması
Bu Kategorideki Diğer Eğitimler
-
Transformer mimarisini içeriden inceleyen teknik program: tokenization, self-attention, RoPE, KV cache, scaling laws, SFT, RLHF/DPO ve reasoning modelleri; PyTorch ve Hugging Face Transformers ile uygulamalı.
- Canlı Kurs
- 6 modül
-
OpenAI, Anthropic Claude ve Google Gemini API'leri ile streaming, konuşma durumu, retry, rate limit, fallback ve temel eval içeren üretime yakın bir LLM uygulaması geliştirmeyi öğreten uygulamalı program.
- Canlı Kurs
- 6 modül
-
LLM'lerden güvenilir JSON almak için JSON Schema, OpenAI Structured Outputs, Gemini response schema, Pydantic/Zod, Instructor ve constrained decoding; doğrulama, onarım döngüleri ve belge veri çıkarımı uygulamaları.
- Canlı Kurs
- 6 modül
-
LLM'lerin tool/function calling ile API'leri, veri tabanlarını ve iç sistemleri güvenle çağırmasını sağlayan program: tool şeması tasarımı, paralel çağrılar, MCP sunucuları, hata yönetimi ve yetki sınırları.
- Canlı Kurs
- 6 modül
-
LLM uygulamalarında system prompt, şablon, few-shot örnek, retrieval sonucu, bellek ve tool tanımlarının context window'a nasıl yerleşeceğini tasarlayan context engineering programı; versiyonlama ve eval odaklı iterasyon dahil.
- Canlı Kurs
- 6 modül
-
Yüz binlerce token'lık context window'larda lost-in-the-middle, KV cache maliyeti ve latency sorunlarını çözen; context sıkıştırma, özetleme, bellek katmanları ve needle-in-a-haystack testlerini kapsayan program.
- Canlı Kurs
- 6 modül
Bizimle iletişime geçin
