Eğitimin Amacı ve Kapsamı
Kurumsal iş akışlarında asıl değer, serbest metin halindeki sözleşmeleri, faturaları, müşteri taleplerini, mevzuat yazılarını ve teknik raporları veritabanına yazılabilecek doğrulanmış alanlara (JSON/tablo) dönüştürmektir. Bu program; çok sınıflı, çok etiketli ve hiyerarşik belge sınıflandırmasını, klasik ve zero-shot/few-shot varlık tanımayı (DeBERTa NER, GLiNER), varlıklar arası ilişki çıkarımını (Relation Extraction), kural+model hibrit yapıları (spaCy EntityRuler) ve Pydantic şema kısıtlı yapılandırılmış bilgi çıkarımını ele alır.
PDF ve taranmış belgelerde düzen (layout/tablo) koruyarak metin çıkarma (Docling), varlık tekilleştirme (entity linking) ve alan bazlı kesinlik/duyarlılık (precision/recall) ölçümü kurum belgelerine benzer örnekler üzerinde uygulamalı yapılır.
Kimler Katılmalı?
- Belge otomasyonu, IDP (Intelligent Document Processing) ve metin analitiği geliştiren veri bilimciler ve ML mühendisleri
- Hukuk, finans, sigorta, tedarik ve müşteri hizmetleri süreçlerini otomatikleştiren yazılım ekipleri
- Arama indekslerini ve bilgi tabanlarını yapılandırılmış meta verilerle zenginleştiren mühendisler
- Ön koşul: Python ve temel NLP bilgisi
Kazanımlar
- Yüzlerce kategoriye sahip hiyerarşik ve çok etiketli (multi-label) belge sınıflandırıcılar kurmak
- Özel kurumsal varlıkları (tutar, sözleşme maddesi, ürün kodu, taraf) DeBERTa, GLiNER ve desen kurallarıyla çıkarmak
- Metin içindeki varlıkları birbirine bağlayarak (Relation Extraction) yapılandırılmış kayıtlar ve bilgi grafiği üçlüleri üretmek
- Pydantic şemaları ve kısıtlı üretimle (structured outputs) şemaya %100 uyan JSON çıktıları garanti etmek
- Alan düzeyinde (field-level) doğruluk ve güven skoru eşikleriyle insan onayına düşecek belgeleri ayırmak
Konular
Belge Yönlendirme ve Hiyerarşik/Çok Etiketli Sınıflandırma
- Tek etiketli, multi-label ve ağaç yapılı (hierarchical) taksonomiler
- Zero-shot NLI/SetFit ile soğuk başlangıç ve sınıf bazlı eşik kalibrasyonu
Kurumsal Varlık Çıkarımı: Transformer NER ve GLiNER
- Span ve token tabanlı NER; iç içe (nested) varlıklar
- GLiNER ile yeni varlık tiplerini eğitim gerektirmeden veya az örnekle çıkarma
Hibrit Kural + Model ve Varlık Normalizasyonu
- spaCy EntityRuler, regex ve sözlüklerle deterministik alanların (IBAN, VKN, tarih) yakalanması
- Çıkarılan metni standart katalog/veritabanı ID'sine eşleme (Entity Linking)
İlişki Çıkarımı ve Şema Doğrulamalı JSON Üretimi
- Varlık çiftleri arasındaki ilişkileri (taraf-tutar, ürün-arıza) sınıflandırma
- Pydantic şemaları ve kısıtlı çıkarım ile geçerli JSON/tablo kaydı üretme
PDF/Düzen İşleme ve Uçtan Uca Değerlendirme
- Docling ile çok sütunlu PDF ve tablolardan yapı korunmuş metin çıkarma
- Tam eşleşme, kısmi eşleşme ve alan bazlı otomasyon oranı (straight-through processing)
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
