Model Online/Fiziksel
Süre
Modüller 5 modül

Eğitimin Amacı ve Kapsamı

Büyük derin öğrenme, bilgisayarlı görü ve LLM projelerinde eğitim saatler veya günler sürer; GPU kullanımını canlı izlemek, görüntü/metin tahminlerini etkileşimli tablolarda incelemek ve veri-model soykütüğünü (lineage) uçtan uca takip etmek kritik önem taşır. Bu eğitim, Weights & Biases (W&B) platformunun kurumsal kullanımını tüm modülleriyle ele alır.

wandb.init ve PyTorch/Hugging Face entegrasyonları, W&B Tables ile görsel ve metinsel hata analizi, W&B Sweeps ile dağıtık hiperparametre optimizasyonu, W&B Artifacts ile veri/model versiyonlama, Registry otomasyonları ve W&B Weave ile LLM değerlendirme/izleme uygulamalı olarak çalışılır. Katılımcılar kendi projeleri için etkileşimli bir W&B panosu, veri/model soykütüğü grafiği ve ekip içi karar raporu (W&B Report) oluşturur.

Kimler Katılmalı?

  • Derin öğrenme, bilgisayarlı görü ve LLM modelleri eğiten yapay zeka mühendisleri ve veri bilimciler
  • W&B kullanan veya W&B'ye geçiş planlayan araştırma ve ürün geliştirme ekipleri
  • Model geliştirme süreçlerinde standart raporlama ve otomasyon kurmak isteyen MLOps uzmanları
  • Ön koşul: Python ve PyTorch veya Hugging Face ile model geliştirme deneyimi

Kazanımlar

  • PyTorch, Lightning ve Hugging Face Trainer eğitimlerini sistem/GPU telemetrisiyle birlikte W&B'de izlemek
  • W&B Tables kullanarak yanlış sınıflandırılan görüntü, ses veya metin örneklerini filtreleyip karşılaştırmak
  • W&B Sweeps ajanlarıyla birden fazla makine veya GPU üzerinde paralel hiperparametre araması koşturmak
  • W&B Artifacts ile hangi veri seti versiyonunun hangi modeli ürettiğini soykütüğü (lineage) grafiğinde doğrulamak
  • W&B Registry otomasyonları (webhooks) ve W&B Weave ile modelleri CI/CD ve LLM izleme akışlarına bağlamak

Konular

W&B Experiments ve Derin Öğrenme Entegrasyonu
  • wandb SDK, proje/grup/job_type organizasyonu, çevrimdışı (offline) mod ve kurumsal S3/GCS referansları
  • PyTorch, PyTorch Lightning, Ultralytics ve Hugging Face Trainer ile gradyan, ağırlık ve GPU darboğaz takibi
W&B Tables ve Medya Loglama ile Hata Analizi
  • Görüntü, bounding box, segmentasyon maskesi, ses ve metin çıktılarının zengin medya olarak kaydedilmesi
  • W&B Tables üzerinde etkileşimli sorgulama, koşumlar arası (run-to-run) tahmin karşılaştırma ve veri dilimi analizi
W&B Sweeps ile Dağıtık Hiperparametre Arama
  • YAML ve Python ile Bayesian, random ve grid sweep konfigürasyonu ve Hyperband erken durdurma
  • Çoklu GPU ve container ortamlarında paralel Sweep Agent çalıştırma ve önem (parameter importance) analizi
W&B Artifacts, Soykütüğü (Lineage) ve Model Registry
  • Veri setleri ve modelleri kopyalamadan referans (URI) veya içerik özetiyle versiyonlama (Artifacts)
  • Uçtan uca girdi-işlem-çıktı DAG soykütüğü, W&B Registry koleksiyonları, alias'lar ve CI/CD webhook tetikleyicileri
W&B Reports ve Weave ile LLM / Uygulama İzleme
  • Canlı grafikler ve bulgularla paydaşlar için tekrar üretilebilir teknik raporlar (W&B Reports) hazırlama
  • W&B Weave (@weave.op) ile LLM/agent çağrılarını izleme, veri seti bazlı değerlendirme (Evaluations) ve maliyet takibi

Bu Kategorideki Diğer Eğitimler

  • Veri ve Model Versiyonlama (DVC, LakeFS ve Soykütüğü Yönetimi)

    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.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Kurumsal Model Registry ve Model Yaşam Döngüsü Yönetimi

    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.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Model Serving ve Yüksek Performanslı Çıkarım Mimarileri

    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.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Makine Öğrenmesi için CI/CD ve Sürekli Eğitim (CT)

    GitHub Actions/GitLab CI ile veri, model ve kod doğrulama, PR üzerinde otomatik model değerlendirme raporları, Airflow/Argo/Prefect ile Continuous Training (CT) tetikleyicileri ve GitOps dağıtımı; MLOps ekipleri için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • Yapay Zeka İş Yükleri için Container ve Kubernetes Dağıtımı

    CUDA/PyTorch için optimize Docker imajları, Kubernetes NVIDIA GPU Operator, MIG/time-slicing, KServe ile serverless/autoscaling model sunumu ve Kubeflow/Volcano ile dağıtık eğitim; platform ve MLOps ekipleri için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele
  • GPU ve Çıkarım (Inference) Optimizasyonu

    GPU bellek/compute mimarisi, Nsight Systems ile profilleme, TensorRT, FlashAttention, KV cache yönetimi, AWQ/GPTQ/FP8 quantization ve speculative decoding; derin öğrenme ve LLM çıkarım maliyetini düşüren mühendisler için.

    MLOps ve Yapay Zeka Platform Mühendisliği Kurumsal
    Canlı Kurs
    5 modül
    İncele

Bizimle iletişime geçin