Yapay Zeka Mühendisliği Kursu

MODÜL 1: Giriş ve LLM'e Erken Temas

Bu modülde Large Language Model (LLM) temelli chatbot sistemine giriş yapılacak ve RAG (Retrieval Augmented Generation) kavramı tanıtılacaktır. Basit bir kurulumdan başlayarak, LLM ile ilk etkileşim ve LangChain'in temel bileşenleri üzerine uygulamalı dersler işlenecektir.

• RAG nedir? LLM tabanlı chatbot ile ne yapılabilir?
• Ollama kurulumu, Gemma3 indirme, sistem gereksinimleri
• Basit LLM prompt: "Merhaba ben kimim?" çalışması
• PromptTemplate, LLMChain, OutputParser yapıları
• Retrieval + Augmented Generation mimarisi, pipeline özeti
• txt dosyasından bilgi çekme, keyword match ile cevap verme
• TF-IDF, vektör kavramı, cosine similarity
• Chunk ne içindir, sabit/paragraf bazlı bölme
• Nokta-sonra-boşluk algılama, başlık regex'i
• Chunk + embedding + LLM entegrasyonu demo

MODÜL 2: Chunking Sanatı ve Metin Hazırlık

Bu modülde chunking teknikleri detaylı biçimde ele alınarak, daha doğru veri bölme yöntemleri uygulanacaktır. Aynı zamanda metinlerin temizlenmesi, normalize edilmesi ve metadata ile zenginleştirilmesi üzerinde durulacaktır.

• Sliding window, overlap oranlarını test etme
• Sentence transformer kullanarak konusal parçalama
• Madde, fıkra, bölümler regex ile ayrım
• Chunk yapılarının karşılaştırması
• strip, lower, regex replace, şablon silme işlemleri
• Ş, İ, ğ, ö gibi Türkçe karakterlerin standardize edilmesi
• RecursiveCharacterTextSplitter kullanımı
• Document schema, metadata alanlarını kullanma
• Kaynak, başlık, sayfa gibi alanları etiketleme
• Context injection örnekleri (PromptTemplate)

MODÜL 3: Embedding ve Semantic Search

Bu modülde metinleri anlamlı vektörlere dönüştürme ve bu vektörler üzerinden semantik arama yapma teknikleri anlatılacaktır. HuggingFace modelleri, ChromaDB ve arama algoritmaları detaylı şekilde işlenecek.

• bge-m3 small, mpnet kullanarak embedding alma
• Cosine similarity, vektör çakışması
• En yakın chunk'ları bulma, skorları düzgün kullanma
• Local Chroma, collection yapısı, vektör ekleme
• VectorstoreRetriever entegrasyonu
• Metadata filtreleme ile daha hassas arama
• BM25 + embedding kombinasyonu
• Similarity skora dayalı yeniden sıralama
• Yanlış chunk neden geliyor, threshold tuning
• HuggingFace tokenizer + GPU ile toplu embedding

MODÜL 4: LLM Prompt Engineering ve Response

Bu modülde LLM çıktılarının kontrolü, yönlendirilmesi ve çıktılardan anlamlı veri çekilmesi işlemleri üzerinde çalışılacaktır. Prompt şablonları, test yapıları ve LangChain zincirleri uygulamalı olarak işlenecek.

• Chat stilini belirleme, dil kullanımı
• Örnek görevlerle LLM'i yönlendirme
• LLM cevap çeşitliliği kontrolü (temperature / top-p)
• Şablonlara değişken sokmak
• JSON, string parse, eval-safe parser yapısı
• Prompt + input + expected output test framework’ü
• SimpleSequentialChain, LLMChain zinciri
• Tool tanımlama, agent'e tool atama
• LLM error logging, fallback prompt’lar
• Cevabı markdown, json, özet veya liste formatında düzenleme

MODÜL 5: API ve FastAPI Tabanlı Dağıtım

Bu modülde geliştirilen RAG sisteminin API olarak dışa açılması ele alınacaktır. FastAPI ile birlikte Pydantic modeller, hata yakalama ve frontend bağlantısı da modüle dahildir.

• Endpoint yazma, hello-world servisi
• Request/response modelleri oluşturma
• LangChain'den gelen cevabı servis etmek
• Frontend entegrasyonu için CORS config
• Request loglama, rate-limit middleware'ı
• FastAPI ile otomatik API dokümanları (Swagger UI)
• Global hata yakalama, JSON hata dönme
• /health gibi endpoint kontrol servisi
• Structured logging, ölçülebilir log yapısı
• Basit HTML+fetch ile chatbot arayüzü

MODÜL 6: Redis ve Cache

Bu modülde cevapların hızlandırılması için Redis tabanlı önbellekleme sistemi kurulacak, fuzzy matching ve semantic cache gibi tekniklerle yanıt verimliliği artırılacaktır.

• Redis-server kurulumu, RedisInsight tanıtımı
• redis-py kullanarak key-value yazma/okuma
• Neden cache? Ne zaman cache'e gitmeliyiz?
• Soru metninden MD5 veya hash key alma
• Cache hit oranını arttırma stratejisi
• Otomatik temizleme için expire süreleri (TTL)
• RapidFuzz ile cache'de benzer arama
• Eşik değer belirleme, benzerlik skoru test
• Embedding ile cache key yapısı
• Cache + Search + LLM pipeline demo

MODÜL 7: Halüsinasyon Azaltma & Doğruluk

Bu modülde LLM'lerin yanlış bilgi üretme riski yönetilecek, yanıtların doğruluğu ve güven puanları ile insan kontrolüne açık hale getirilmesi sağlanacaktır.

• Şüpheli cevap tespiti, "hallucination" senaryoları
• Chunk kaynağından doğrulama
• Yanıt ile birlikte kaynak snippet dönme
• Otomatik kontrol sorusu soran agent
• Yanıt metni ile kaynak tutarlı mı?
• Cevabın prompt'a uygunluğunu test
• Uzunluk, anlam, bağlam puanlayıcı sistem
• Multi-metric confidence skoru hesaplama
• "Bilmiyorum" fallback sistemi
• Admin onay modülleri, quality interface

MODÜL 8: Agentic RAG

Bu modülde klasik RAG sistemlerinin ötesine geçilerek, çok adımlı düşünme yapan agent yapıları kurulacaktır. Soruların alt görevlere bölünmesi, farklı araçlarla çalışılması ve workflow yönetimi ele alınacaktır.

• Multi-step reasoning, yapısı
• Ana soruyu alt sorulara bölme
• Cevap öz-değerlendirmesi + tekrar deneme
• Belirsiz soru yakalama + clarification sorusu
• Farklı kaynakları sentezleme
• Hesap makinesi, API tools bağlantısı
• Araçla çalışan agent yapısı
• Multi-agent workflow, state takibi
• Agent task hatasında geri alma
• Arama + hesaplama + karar birleştirme

MODÜL 9: Kişiselleştirme & Takip

Bu modülde kullanıcı bazlı takip ve etkileşim sistemleri kurulacak; kullanıcı dili, geçmişi ve geri bildirimi ile chatbot'un öğrenmesi sağlanacaktır.

• UUID ile user izleme
• Session bazlı hafıza
• Kullanıcı diline uygun yanıtlar
• Like/dislike ve yanıt değerlendirme
• Prometheus/Grafana entegrasyonu
• Latency logging
• Top-3 hit oranı, precision/recall
• API, LLM ve Redis hata izleme
• Unit + integration test altyapısı
• Health check monitoring endpoint

MODÜL 10: Production'a Geçiş ve Yayın

Bu modülde geliştirilen sistemin canlı ortama alınması için dağıtım, yedekleme, güvenlik ve test adımları uygulanacaktır. Final sunum ile proje tamamlanacaktır.

• Docker, Uvicorn, PM2 ile yayın
• Nginx reverse proxy yapısı
• Farklı modelleri yönetmek
• .env, config dosyaları
• Kullanıcı bazlı güvenlik (rate limit, şifreleme)
• Basit arayüz ile veritabanı görüntüleme
• Redis + Chroma yedekleme planı
• Token bazlı auth sistemi
• Kullanıcı testi + geri bildirim alımı
• RAG sistemini sunum + demo ile anlatma

Yapay zeka yazılım mühendisliği kursu kimler için uygundur?

Bu kurs, yapay zeka ve yazılım teknolojilerine ilgi duyan; Python bilgisine sahip olan öğrenciler, yazılım geliştiriciler, mühendisler ve veri ile çalışan herkes için uygundur.

Yapay zeka yazılım mühendisliği eğitimi için ön koşul var mı?

Temel seviyede Python programlama bilgisi gereklidir. FastAPI, JSON, veri yapıları gibi konularda ön bilgiye sahip olmak kursun verimliliğini artıracaktır.

Bu kursta hangi teknolojiler öğretiliyor?

LangChain, FastAPI, Redis, HuggingFace, ChromaDB, Prompt Engineering, semantic search, Agentic RAG gibi güncel yapay zeka yazılım teknolojileri kapsamlı şekilde ele alınmaktadır.

Kurs sonunda bir proje geliştirilecek mi?

Evet. Katılımcılar, kurs boyunca öğrendikleriyle bir RAG tabanlı chatbot projesi geliştirip, FastAPI ile yayına alabilecek düzeye gelecektir.

Eğitim sonunda sertifika veriliyor mu?

Evet. Yapay zeka yazılım mühendisliği kursunu başarıyla tamamlayan tüm katılımcılara dijital veya basılı katılım sertifikası verilmektedir.

Yapay zeka yazılım mühendisliği eğitimi çevrimiçi mi sunuluyor?

Evet, eğitimler çevrimiçi platformlar üzerinden canlı veya video kayıtlı olarak sunulmaktadır. Katılımcılar diledikleri yerden eğitime katılabilir.

Kurs sırasında hangi LLM modelleri ile çalışacağız?

Eğitimde Gemma, Mistral, LLaMA gibi açık kaynak LLM modelleri kullanılacak; Ollama gibi araçlarla lokal kurulumlar ve testler yapılacaktır.

Bu kurs ile sektörde hangi pozisyonlarda çalışabilirim?

Kursu tamamlayanlar; LLM Developer, AI Engineer, Prompt Engineer, NLP Uzmanı, Yazılım Mühendisi gibi pozisyonlarda görev alabilecek bilgi ve beceriye sahip olur.

Yapay zeka yazılım mühendisliği kursu sonunda canlıya alınabilir sistem kurulacak mı?

Evet. Docker, Redis, API ve HTML arayüzleri kullanarak canlıya alınabilecek, üretim ortamına uygun bir yapay zeka projesi geliştirilecektir.

Eğitim sırasında danışmanlık desteği sağlanıyor mu?

Evet. Eğitim süresince teknik danışmanlık, kod desteği ve proje yönlendirme imkânları sunulmaktadır.

Kurs içeriği uygulamalı mı, teorik mi?

Eğitim %80 uygulamalı olacak şekilde planlanmıştır. Her hafta gerçek örneklerle kodlama yapılacak ve öğrencilere proje çıktısı kazandırılacaktır.

Yapay zeka yazılım mühendisliği eğitimi süresince hangi araçlar kullanılacak?

Jupyter Notebook, VS Code, Ollama, RedisInsight, Swagger UI, Postman, Docker gibi araçlar aktif olarak kullanılacaktır.

Katılımcılara kaynak dosyalar ve kod örnekleri veriliyor mu?

Evet, eğitim sırasında kullanılan tüm kaynak dosyalar, hazır kodlar, şablonlar ve dökümantasyonlar katılımcılarla paylaşılmaktadır.

Bu eğitim sonrasında farklı alanlara da geçiş yapabilir miyim?

Elbette. Bu kurs, veri bilimi, chatbot geliştirme, bilgiye dayalı arama sistemleri ve üretken yapay zeka gibi alanlara sağlam bir geçiş sağlar.

Yapay zeka yazılım mühendisliği kursunun süresi nedir?

Toplamda 10 hafta süren bu eğitim, her hafta uygulamalı bir modül ve proje çıktısı hedefiyle ilerlemektedir.