Eğitimin Amacı ve Kapsamı
Kurumlarda pek çok başarılı model Jupyter notebook içinde kalır; veri değiştiğinde yeniden eğitilemez, bağımlılıkları koptuğunda çalıştırılamaz ve servisleştirilmesi haftalar sürer. Bu uygulamalı eğitim, tek bir notebook prototipini alıp tekrar üretilebilir, test edilebilir ve dağıtılabilir bir mühendislik ürününe dönüştürme sürecini adım adım uygular.
Kodun modülerleştirilmesi (uv/Poetry, Ruff, pytest), DVC ile veri/pipeline adımları, MLflow ile deney ve model kaydı, FastAPI ve Pydantic ile çıkarım servisi, Docker paketleme ve GitHub Actions ile temel otomasyon uçtan uca tek bir proje üzerinde birleştirilir. Katılımcılar kendi kurumlarında şablon olarak kullanabilecekleri çalışan bir MLOps referans deposu (repository) ile ayrılır.
Kimler Katılmalı?
- Modellerini canlı ortama kendisi taşımak isteyen veri bilimciler ve makine öğrenmesi mühendisleri
- Veri bilimi ekiplerinin kodlarını üretim standartlarına kavuşturmak isteyen yazılım geliştiriciler
- Yeni kurulan yapay zeka ekiplerinde standart proje şablonu oluşturacak teknik liderler
- Ön koşul: Python ile makine öğrenmesi modeli geliştirme deneyimi ve temel Git bilgisi
Kazanımlar
- Dağınık notebook kodunu konfigürasyon güdümlü, test edilebilir bir Python paketine dönüştürmek
- Veri ön işleme, eğitim ve değerlendirme adımlarını tekrar üretilebilir bir pipeline olarak tanımlamak
- MLflow ile deneyleri kaydedip en iyi modeli Model Registry üzerinden servise bağlamak
- FastAPI, Pydantic şema doğrulaması ve Docker ile üretime hazır bir tahmin API'si paketlemek
- GitHub Actions üzerinde kod kalitesi, veri/model testleri ve imaj derleme adımlarını otomatikleştirmek
Konular
Notebook'tan Üretim Koduna: Proje İskeleti ve Bağımlılıklar
- Standart MLOps dizin yapısı, uv/Poetry ile deterministik ortam yönetimi ve Hydra/YAML konfigürasyonları
- Özellik mühendisliği ve eğitim kodunun modüler fonksiyonlara ayrılması
Tekrar Üretilebilir Pipeline ve Deney Takibi
- DVC ile veri seti ve çok adımlı eğitim pipeline'ı tanımlama (dvc.yaml)
- MLflow Tracking ve Model Registry ile metrik, parametre ve model artefaktlarını kaydetme
Makine Öğrenmesi Kodunda Test ve Kalite Kapıları
- Birim testleri (pytest), veri şeması doğrulama (Pandera/Great Expectations) ve duman testleri (smoke tests)
- Modelin hız, bellek ve temel doğruluk eşiklerini kontrol eden regresyon testleri
FastAPI ve Docker ile Model Servisleştirme
- Başlangıçta model yükleme (lifespan), Pydantic giriş/çıkış şemaları ve sağlık uç noktaları (/health, /metrics)
- Çok aşamalı (multi-stage) Dockerfile ile küçük ve güvenli container imajı üretimi
CI/CD Otomasyonu ve Teslimat
- GitHub Actions ile PR aşamasında lint, test ve pipeline doğrulama iş akışı
- Container registry'ye sürüm etiketli imaj gönderimi ve canlı ortamda temel izleme logları
Bu Kategorideki Diğer Eğitimler
-
MLOps – Temel Seviye
Makine öğrenimi modellerinin yaşam döngüsü yönetimi, Docker ve Kubernetes ile konteynerizasyon, MLflow/Kubeflow ile CI/CD otomasyonu ve model drift izleme süreçlerini kapsayan MLOps eğitimi.
- Canlı Kurs
- 6 modül
-
Sistematik deney tasarımı, Optuna ve Ray Tune ile hiperparametre optimizasyonu, metrik/artefakt standartları, tekrar üretilebilirlik ve deney araçlarının (MLflow, W&B, Neptune) karşılaştırmalı kurulumu; veri bilimi ekipleri için.
- Canlı Kurs
- 5 modül
-
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
Bizimle iletişime geçin
