LLM & RAG & AI Agent (Temel ve İleri Mimari) Eğitimi
LLM & RAG & AI Agent (Temel ve İleri Mimari) Eğitimi
Eğitim Hakkında
Bu ileri düzey eğitim programı, büyük dil modelleri (LLM), Retrieval-Augmented Generation (RAG) ve yapay zekâ ajanlarının (AI Agent) teorik temellerini, mimari yapılarını, optimizasyon tekniklerini, entegrasyon yöntemlerini ve güvenlik–etik boyutlarını kapsamlı şekilde ele almaktadır. Katılımcılar, Transformer mimarisi ve self-attention mekanizması gibi LLM prensiplerini; RAG mimarisinde bilgi çekme, embedding ve vektör arama stratejilerini; AI Agent tasarımında otonom karar verme, araç entegrasyonu ve çok ajanlı sistemlerde işbirliği süreçlerini öğrenerek uygulamalı deneyim kazanacaktır. Eğitim ayrıca prompt mühendisliği, zincir-of-thought stratejileri ve güncel görselleştirme araçlarıyla desteklenmektedir.
Ön Koşul
Bu eğitimin herhangi bir ön koşulu yoktur.
Eğitim İçeriği
- Giriş ve Tanımlar
- LLM, RAG ve AI Agent kavramlarının tanıtımı
- Tarihsel gelişim ve evrimsel aşamalar
- Temel terminoloji: Transformer, self-attention, embedding, retrieval, agent mimarisi
- Kullanım Alanları ve Endüstri Örnekleri
- Doğal dil işleme, metin üretimi, sohbet sistemleri
- Bilgi çekme ve güncel veri entegrasyonu (RAG uygulamaları)
- Otonom karar verme, çok ajanlı sistemler, AI Agent’lerin uygulama alanları
- Mimari Genel Bakış
- LLM mimarisi: Transformer yapısı, katmanlar, encoder-decoder yapıları
- RAG yapısının bileşenleri: Retrieval modülü, LLM entegrasyonu, bellek yönetimi
- AI Agent mimarileri: Planlama, eylem üretimi, etkileşim mekanizmaları
- Transformer Mimarisi
- Self-Attention mekanizması: Matematiksel temeller, sorgu, anahtar ve değer vektörleri
- Çok başlı (multi-head) dikkat, pozisyonel kodlama ve katman normalizasyonu
- Model ölçekleme: Parametre sayısı, derinlik, genişlik ve hesaplama maliyetleri
- Eğitim ve İnce Ayar (Fine-Tuning)
- Ön eğitim (pretraining) stratejileri: Maskeli dil modeli, otoregresif modeller
- İnce ayar (fine-tuning) teknikleri, transfer öğrenmesi, görev spesifik uyarlamalar
- Optimizasyon algoritmaları: Adam, LAMB; loss fonksiyonları ve öğrenme oranı planlaması
- Performans Optimizasyonu
- Model sıkıştırma, kuantizasyon ve distilasyon yöntemleri
- Paralel eğitim, dağıtık hesaplama, GPU/TPU kullanımı
- Hiperparametre ayarlamaları, batch size, sequence length optimizasyonu
- Veri Toplama ve Hazırlama
- Büyük veri kaynakları, web kazıma, API entegrasyonu
- Veri temizleme, normalizasyon, veri ön işleme teknikleri
- Veri etiketleme ve örnek veri seti oluşturma
- İstatistiksel Analiz ve Görselleştirme
- Temel istatistik kavramları, dağılım, korelasyon, hipotez testleri
- Python ile veri analizi: Pandas, NumPy; grafik kütüphaneleri (matplotlib, seaborn)
- Veri görselleştirme ve raporlama: Dashboard oluşturma, interaktif raporlar
- Retrieval için Veri Hazırlığı
- Belge ön işleme, tokenizasyon, embedding oluşturma
- Vektör arama sistemleri: FAISS, Annoy gibi kütüphanelerle entegrasyon
- Retrieval veritabanı oluşturma, güncelleme ve sorgu optimizasyonu
- RAG Kavramı ve Temel Yapısı
- RAG nedir? Temel bileşenler: Retrieval modülü ve LLM entegrasyonu
- Retrieval ve generation arasındaki etkileşim
- Mimari şemalar ve iş akışları
- Retrieval Modülü ve Vektör Arama
- Embedding teknikleri: Word2Vec, GloVe, BERT tabanlı embedding
- Vektör arama motorları: FAISS, ElasticSearch, Annoy; benzerlik ölçümleri
- Indexleme stratejileri, sorgu optimizasyonu, bellek yönetimi
- Uygulamalı RAG Projeleri
- RAG tabanlı soru-cevap sistemleri, bilgi çekme örnekleri
- API entegrasyonu, retrieval pipeline tasarımı
- Gerçek zamanlı uygulama senaryoları, performans analizi
- AI Agent Kavramı
- AI Agent nedir? Temel tanımlar ve kullanım senaryoları
- Otonom karar verme, multi-turn diyalog yönetimi, etkileşimli planlama
- Agent mimarilerinde prompt mühendisliği, zincir-of-thought (chain-of-thought)
- Çok Ajanlı Sistemler ve İşbirliği
- Çok ajanlı sistemlerde işbirliği, koordinasyon, rol dağılımı
- Simülasyon ortamları, etkileşim senaryoları, araç kullanımı
- Gerçek dünya uygulama örnekleri: Sanal asistanlar, müşteri hizmetleri robotları
- Entegre AI Agent Uygulamaları
- LLM ve RAG entegrasyonu ile AI Agent geliştirme
- API, web servisleri ve mikroservis mimarileri ile entegrasyon
- Gerçek zamanlı eylem planlama, otomatik geri bildirim ve adaptif öğrenme
- Dağıtık Sistemler ve Ölçeklenebilirlik
- Dağıtık eğitim, model paralelleştirme, veri paralelleştirme
- Bulut platformları, Kubernetes, Docker ve sunucu yapılandırmaları
- Ölçeklenebilirlik, yüksek erişilebilirlik ve fault tolerance stratejileri
- Hiperparametre Ayarlamaları ve Model İnce Ayarı
- Hiperparametre optimizasyon teknikleri (grid search, Bayesian optimization)
- Model performans ölçütleri, latency, throughput analizi
- Gerçek zamanlı performans izleme, hata analizi ve iyileştirme yöntemleri
- Güvenlik, Gizlilik ve Etik Konular
- Model güvenliği: Verilerin korunması, adversarial saldırılar, güvenli prompt mühendisliği
- Etik ilkeler: Adalet, önyargı, şeffaflık, hesap verebilirlik
- Kullanım senaryolarında etik değerlendirmeler, regülasyonlar ve uyum stratejileri
- End-to-End Proje Geliştirme
- Proje fikirlerinin belirlenmesi, problem tanımı ve teknik planlama
- Prototip geliştirme: Kod yazma, model eğitimi, hata ayıklama ve optimizasyon
- Grup ve bireysel proje örnekleri: Soru-cevap botları, otomatik içerik üretimi, akıllı asistanlar
- Canlı Kodlama Seansları ve Demo Sunumları
- İnteraktif atölyeler, canlı demo uygulamaları, gerçek zamanlı kodlama ve hata çözümü
- Proje sunumları, mentor geri bildirimleri, performans değerlendirmeleri
- Vaka Çalışmaları ve İleri Uygulama Senaryoları
- Endüstride kullanılan LLM, RAG ve AI Agent projelerinin detaylı incelenmesi
- Gerçek dünya verileriyle uygulama, API entegrasyon örnekleri
- Başarı öyküleri, performans raporları ve optimizasyon stratejileri
- İleri Derin Öğrenme Teknikleri
- Derin öğrenmenin ileri konuları: Çok katmanlı mimariler, attention mekanizması derinleştirmeleri
- Transformer modellerinde yeni trendler: Sparse attention, model distilasyonu
- Uygulamalı örnekler ve deneysel sonuçların analizi
- Transfer Öğrenmesi ve Önceden Eğitilmiş Modeller
- Transfer öğrenmesinin prensipleri, mevcut büyük modellerin uyarlanması
- Önceden eğitilmiş modellerin (GPT, BERT, T5) ince ayarı ve adaptasyonu
- Uygulama atölyeleri: Model uyarlama, düşük kaynaklı dil ayarlamaları
- Yenilikçi Yaklaşımlar ve Geleceğe Yönelik Teknolojiler
- AI Agent’lerde özerklik ve etkileşimsel öğrenme: Multi-agent reinforcement learning
- Kombine sistemler: LLM + RAG + AI Agent entegrasyonunun geleceği
- Geleceğin teknolojik trendleri, yeni algoritmalar ve yenilikçi uygulama senaryoları
Kazanımlar
- LLM, RAG ve AI Agent mimarilerini teorik ve teknik boyutlarıyla kapsamlı şekilde kavrayabileceksiniz.
- Transformer tabanlı büyük dil modellerini eğitebilecek, ince ayar yapabilecek ve performans optimizasyonu gerçekleştirebileceksiniz.
- RAG tabanlı bilgi çekme ve metin üretim sistemlerini tasarlayarak gerçek dünya verileriyle entegre edebileceksiniz.
- Otonom ve çok ajanlı AI Agent sistemleri geliştirebilecek ve yönetebileceksiniz.
- Ölçeklenebilir, dağıtık ve üretim ortamına hazır yapay zekâ çözümleri oluşturabileceksiniz.
- Güvenlik, gizlilik ve etik ilkeler çerçevesinde ileri seviye yapay zekâ projeleri geliştirebileceksiniz.
Hedef Kitle
- Araştırmacılar, veri bilimcileri ve makine öğrenimi mühendisileri
- Yazılım geliştiriciler, sistem mimarları ve DevOps uzmanları
- Akademisyenler ve ileri düzey eğitim programlarına ilgi duyan profesyoneller
- Yapay zeka uygulamalarını üretime almak isteyen teknoloji liderleri
- Ürün yöneticileri ve strateji belirleyiciler
Sertifika
Eğitimlerimize %80 oranında katılım gösterilmesi ve eğitim müfredatına göre uygulanacak sınav/projelerin başarıyla tamamlanması durumunda, eğitimin sonunda dijital ve QR kod destekli “BT Akademi Başarı Sertifikası” verilmektedir.
İlgili Kurslar
SEKTÖRÜN GÜVENDİĞİ ÇÖZÜM ORTAĞI
BT Akademi'yi tercih eden 4.000'den fazla kurum yanılmıyor.
