Yapay Zeka Sistemleri: Algoritmalar, Veri , Modelleme, Mimari Yeni Dönem

Teknik Yapay Zekâ Bootcamp, modern yapay zekâ teknolojilerini (LLM, Transformer, Generatif AI, RAG, Multimodal, Agent sistemleri) Python ve Jupyter ortamında uygulamalı olarak öğrenmek isteyen teknik profesyoneller için geliştirilmiş temelden ileriye doğru yapılandırılmış, modüler bir eğitim programıdır.

Katılımcılar, yapay zekânın teknik temellerini öğrenirken aynı zamanda güncel framework’lerle (TensorFlow, PyTorch, Hugging Face, LangChain, OpenAI API) gerçek uygulamalar geliştirir.
Program sonunda, katılımcılar Transformer tabanlı modeller, LLM’ler, Generatif AI yaklaşımları, RAG mimarileri, Multimodal sistemler ve otonom Agent yapıları gibi çağdaş yapay zekâ bileşenlerinin çalışma prensiplerini ve etkileşimlerini anlayarak bu bileşenleri uygulama geliştirme süreçlerine entegre edebilir hale gelir.

• Jupyter Notebook kurulumu ve temel kullanımı
  
  
• Veri bilimi için Python ekosistemi (NumPy, Pandas, Matplotlib)
  
  
• ML/AI kütüphaneleri: Scikit-learn, TensorFlow, PyTorch
  
  
• Hugging Face, LangChain, OpenAI API ekosistemine giriş
  
  
• İlk uygulama: küçük bir veri analizi ve model örneği

• Yapay zekâ, makine öğrenmesi, derin öğrenme, generatif AI
  
  
• AI evrimi: kural tabanlı sistemlerden LLM’lere
  
  
• Güncel AI trendleri: LLM, multimodal, agents
  
  
• Endüstrilerde yapay zekâ uygulamaları
  
  
• Modern AI araştırmalarından öne çıkanlar

• Yapay sinir ağlarının temel mantığı
  
  
• Aktivasyon fonksiyonları, optimizasyon, katmanlar
  
  
• Keras/TensorFlow ile basit ANN modeli
  
  
• PyTorch ile alternatif uygulama
  
  
• Görüntü sınıflandırma (MNIST) örneği

• RNN ve LSTM’lerin sınırlılıkları
  
  
• Attention mekanizması: “Attention is All You Need”
  
  
• Encoder-decoder yapısı
  
  
• Transformer katmanlarının adım adım açıklaması
  
  
• Basit bir transformer uygulaması

• LLM nedir, nasıl çalışır? (parametreler, ölçek, eğitim süreci)
  
  
• GPT, BERT, LLaMA, Mistral gibi popüler LLM’ler
  
  
• Hugging Face üzerinden pretrained model kullanımı
  
  
• Prompt engineering temelleri

• Transfer learning ve fine-tuning mantığı
  
  
• Hugging Face Trainer ile model fine-tuning
  
  
• LoRA (Low-Rank Adaptation) yaklaşımı
  
  
• Text classification veya sentiment analysis uygulaması
  
  
• GPU kullanımı ve donanım ihtiyaçları

• LLM’lerin “halüsinasyon” problemini çözmek için RAG
  
  
• Embeddings ve vektör veritabanları (FAISS, Pinecone, Weaviate)
  
  
• OpenAI ve SentenceTransformers ile metin arama
  
  
• LangChain ile basit RAG sistemi geliştirme

• Tek modelle metin + görsel + ses işleme
  
  
• GPT-4V, Gemini, Claude örnekleri
  
  
• Görsel anlama (captioning, detection)
  
  
• Ses analizi ve üretimi (ASR, TTS)
  
  
• Hugging Face ile multimodal demo

• LLM’in yalnızca cevaplayan değil, iş yapan yapıya dönüşmesi
  
  
• AutoGPT, LangChain Agents mantığı
  
  
• Araç kullanımı: API çağrısı, internetten veri çekme, kod çalıştırma
  
  
• Mini senaryo: rapor analiz edip özet çıkaran agent
  
  
• Agent sistemlerinin sınırları ve geleceği

• Model geliştirmek ≠ üretime almak
  
  
• Model deploy yöntemleri (FastAPI, Flask, Docker)
  
  
• Model izleme ve güncelleme
  
  
• Hugging Face Spaces / Gradio ile prototip paylaşma
  
  
• “Model as a Service” mantığı

• LLM’lerde önyargılar ve güvenlik sorunları
  
  
• Veri gizliliği, regülasyonlar ve sorumlu AI kullanımı
  
  
• Gelecek trendleri: TinyML, Edge AI, Kuantum AI, Continual Learning
  
  
• Final proje: katılımcıların seçtiği bir AI uygulamasını geliştirmesi (ör. chatbot, RAG tabanlı sistem, multimodal demo)