Eğitimin Amacı ve Kapsamı
Müşteri şikayetleri, çağrı merkezi dökümleri, anket yanıtları ve kurum içi belgeler yapılandırılmamış metin halindedir; Türkçe gibi sondan eklemeli (agglutinative) dillerde ise ekler ve yazım gürültüsü analizi daha da zorlaştırır. Bu temel eğitim; metin temizleme ve normalizasyonu, düzenli ifadeleri (regex), kelime ve alt-kelime (subword) tokenizasyonunu, Bag-of-Words ve TF-IDF temsillerini, Word2Vec/FastText ve cümle embedding'lerini ele alır.
Katılımcılar spaCy, scikit-learn ve hazır Hugging Face pipeline'larını kullanarak duygu/konu sınıflandırma, varlık ismi tanıma (NER) ve benzer metin bulma adımlarını kurar; kurum metinlerine benzer bir veri seti üzerinde hızlı ve açıklanabilir bir TF-IDF + lojistik regresyon/LightGBM baseline'ı üretir.
Kimler Katılmalı?
- Metin verisiyle çalışmaya başlayan veri bilimciler, yazılım geliştiriciler ve veri analistleri
- Müşteri deneyimi, çağrı merkezi, İK ve belge otomasyonu projelerinde yer alan teknik ekipler
- LLM ve ileri NLP eğitimlerine sağlam bir temelle hazırlanmak isteyen mühendisler
- Ön koşul: Temel Python programlama bilgisi
Kazanımlar
- Türkçe metinlerdeki ek yapısını, gürültüyü ve karakter/kodlama sorunlarını temizleyen bir ön işleme hattı kurmak
- Kelime, n-gram ve subword tokenizasyon yöntemlerinin farkını ve kullanım yerini seçmek
- TF-IDF ve FastText/Sentence-Embedding vektörleriyle metinleri sayısal matrislere dönüştürmek
- scikit-learn ile hızlı ve güçlü bir metin sınıflandırma baseline modeli eğitip değerlendirmek
- spaCy ve hazır Hugging Face modelleriyle metinden kişi, kurum, tarih ve anahtar kavramları çıkarmak
Konular
Metin Ön İşleme, Regex ve Türkçe Morfoloji
- Unicode normalizasyonu, noktalama, stop-words ve PII maskeleme için regex
- Sondan eklemeli yapı, kök bulma (stemming/lemmatization) ve alt-kelime (subword) yaklaşımı
Klasik Vektör Temsilleri: BoW, N-Gram ve TF-IDF
- Kelime ve karakter n-gram'ları ile yazım hatalarına dayanıklılık
- scikit-learn TfidfVectorizer ve seyrek matrislerle çalışma
Yoğun Temsiller: Kelime ve Cümle Embedding'leri
- Dağıtımsal anlambilim, Word2Vec ve ek duyarlı FastText
- Cümle embedding'leri ve kosinüs benzerliği ile yakın metin bulma
Temel NLP Görevleri: Sınıflandırma ve NER
- Duygu analizi, çağrı/talep yönlendirme ve konu etiketleme
- spaCy ve kural/model kombinasyonu ile Varlık İsmi Tanıma (NER)
Hugging Face Pipeline'larına Giriş ve Baseline Projesi
- Hazır pretrained modellerin çağrılması ve TF-IDF baseline ile kıyaslanması
- Kurum vakası üzerinde hata analizi ve yeniden kullanılabilir çalışma örneği
Bu Kategorideki Diğer Eğitimler
-
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
-
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
Bizimle iletişime geçin
