Amazon SageMaker ile Makine Öğrenmesi Eğitimi

Eğitim Hakkında

Bu eğitim, Amazon SageMaker AI üzerinde makine öğrenmesi modellerini Python ile uçtan uca geliştirmek, ölçeklemek ve üretimde işletmek isteyen teknik ekipler için tasarlanmış orta düzey bir programdır. Katılımcılar veri hazırlamadan eğitim işlerine, hiperparametre optimizasyonundan uç nokta dağıtımına ve Pipelines ile MLOps süreçlerine kadar tüm yaşam döngüsünü laboratuvarlarda uygular.

Neden Bu Eğitim?

Yönetilen Altyapı. Sunucu yönetmeden GPU ve dağıtık eğitim kaynaklarını ihtiyaç anında açıp kapatarak modellerinizi ölçekleyin.

Tekrarlanabilir MLOps. SageMaker Pipelines, Model Registry ve MLflow ile deneyden üretime tekrarlanabilir ve denetlenebilir akışlar kurun.

Üretimde Güven. Model Monitor ve Clarify ile veri kayması, kalite düşüşü ve yanlılığı üretimde erken fark edin.

“Başarılı bir model bir kez eğitilir; başarılı bir makine öğrenmesi sistemi ise her gün güvenle çalışır, izlenir ve kendini yeniler.”

Ön Koşullar

Python ve pandas — Python, pandas ve Jupyter not defterleriyle veri işleme ve analiz deneyimine sahip olmak.
Makine Öğrenmesi — scikit-learn ile model eğitme, doğrulama ve temel başarı metriklerini yorumlayabilmek.
AWS Temelleri — IAM, Amazon S3 ve AWS konsolu kullanımına temel düzeyde aşinalık.
SageMaker Erişimi — SageMaker AI domain kurulumu ve eğitim kotaları tanımlı bir AWS hesabı veya eğitim ortamı.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiSageMaker AI çalışma ortamını yapılandırmak, veriyi ölçeklenebilir biçimde hazırlamak ve yerleşik algoritmalar ile özel betiklerle yönetilen eğitim işleri çalıştırmak.

Modül 1

SageMaker AI Mimarisi ve Çalışma Ortamı

SageMaker AI bileşenleri ve ML yaşam döngüsü eşleşmesi
Domain, kullanıcı profili ve Studio alanları (spaces)
Yürütme rolü (execution role) ve S3 erişim tasarımı
SageMaker Python SDK ve boto3 arasındaki farklar
Örnek (instance) türleri, kotalar ve maliyet mantığı
Laboratuvar: Studio'da JupyterLab alanı ve SDK kurulumu

Modül 2

Veri Hazırlama ve Özellik Yönetimi

SageMaker Processing işleriyle ölçekli veri dönüştürme
SKLearnProcessor ve Spark ile ön işleme betikleri
SageMaker Canvas ile görsel veri hazırlama akışları
SageMaker Feature Store: çevrimiçi ve çevrimdışı depo
Eğitim, doğrulama ve test verisinin S3'te düzenlenmesi
Laboratuvar: Processing işiyle müşteri verisi hazırlama

Modül 3

Yerleşik Algoritmalar ile Model Eğitimi

Estimator nesnesi, eğitim konteyneri ve girdi kanalları
Yerleşik XGBoost algoritmasıyla sınıflandırma
Eğitim işi yaşam döngüsü ve CloudWatch günlükleri
Model artefaktlarının S3'e kaydı ve yapısı
Yönetilen Spot eğitimi ve kontrol noktası (checkpoint)
Laboratuvar: XGBoost ile kredi temerrüt modeli eğitimi

Modül 4

Script Mode ile Özel Eğitim

Script Mode: scikit-learn, PyTorch ve TensorFlow betikleri
Ortam değişkenleri, hiperparametreler ve kanal yolları
Yerel mod (local mode) ile hızlı hata ayıklama
Kendi konteynerini getirme (BYOC) ve Amazon ECR
Laboratuvar: PyTorch betiğiyle GPU üzerinde eğitim
Günün değerlendirmesi ve optimizasyon gününe köprü

Günün hedefiHiperparametre optimizasyonu ve deney takibiyle model kalitesini artırmak, uygun çıkarım seçeneğini belirleyip modeli güvenli ve maliyet etkin biçimde dağıtmak.

Modül 1

Hiperparametre Optimizasyonu ve Deney Takibi

SageMaker Automatic Model Tuning: Bayes ve Hyperband
Arama uzayı, hedef metrik ve paralel iş ayarları
SageMaker üzerinde yönetilen MLflow ile deney takibi
Deney karşılaştırma, metrik görselleştirme ve seçim
SageMaker Autopilot yaklaşımı ve Canvas ile AutoML
Laboratuvar: XGBoost modeli için ayarlama işi

Modül 2

Dağıtık Eğitim ve Büyük Modeller

Veri paralelliği ve model paralelliği kavramları
SageMaker dağıtık eğitim kütüphaneleri ve torchrun
SageMaker HyperPod ile uzun süreli büyük eğitimler
SageMaker Debugger ve Profiler ile darboğaz analizi
JumpStart ile açık kaynak LLM ince ayarı (fine-tuning)
Demo: JumpStart üzerinde LoRA tabanlı ince ayar işi

Modül 3

Model Dağıtımı ve Çıkarım Seçenekleri

Gerçek zamanlı uç noktalar ve otomatik ölçekleme
Sunucusuz, asenkron çıkarım ve Batch Transform
Çoklu model uç noktaları ve çıkarım bileşenleri
Gölge testleri ve üretim varyantlarıyla A/B testi
Inference Recommender ile örnek türü seçimi
Laboratuvar: Modeli otomatik ölçeklenen uç noktaya alma

Modül 4

Güvenlik, Ağ ve Maliyet Optimizasyonu

VPC içinde eğitim, VPC uç noktaları ve ağ yalıtımı
KMS ile veri ve model artefaktı şifreleme
IAM koşul anahtarlarıyla SageMaker kaynak kontrolü
Savings Plans, Spot ve boşta kaynak temizliği
Uç nokta faturalandırması ve CloudWatch maliyet izleme
Günün değerlendirmesi ve MLOps gününe köprü

Günün hedefiSageMaker Pipelines ve Model Registry ile otomatik bir ML akışı kurmak, üretimdeki modeli izlemek, yanlılığı ölçmek ve uçtan uca proje ile öğrenilenleri birleştirmek.

Modül 1

SageMaker Pipelines ile Otomasyon

Pipeline adımları: Processing, Training, Condition, Model
Parametreli akışlar ve adım önbellekleme
Model Registry: sürümleme, onay durumu ve soy ağacı
Koşullu kayıt: metrik eşiğine göre model onayı
Laboratuvar: Veri hazırlamadan kayda otomatik pipeline
Pipeline yürütme geçmişi ve hata ayıklama

Modül 2

CI/CD ve Ortamlar Arası Model Taşıma

MLOps olgunluk seviyeleri ve ekip rol dağılımı
SageMaker proje şablonları ve Git depo entegrasyonu
CodePipeline veya GitHub Actions ile dağıtım akışı
Geliştirme, test ve üretim hesapları arasında taşıma
Altyapıyı kod olarak yönetme: AWS CDK ve Terraform
Demo: Onaylanan modelin otomatik üretime dağıtımı

Modül 3

Model İzleme, Yanlılık ve Açıklanabilirlik

Veri yakalama (data capture) ve temel çizgi oluşturma
Model Monitor: veri kalitesi ve model kalitesi izleme
SageMaker Clarify ile eğitim öncesi ve sonrası yanlılık
SHAP tabanlı özellik katkısı ve açıklanabilirlik raporu
Kayma alarmıyla yeniden eğitim tetikleme tasarımı
Laboratuvar: Uç nokta için izleme zamanlaması kurma

Modül 4

Uçtan Uca Proje ve Kapanış

Grup projesi: veri, eğitim, pipeline, dağıtım, izleme
Proje sunumları, mimari ve kod incelemesi
Model kartı (Model Cards) ve denetim dokümantasyonu
Kaynak temizliği ve maliyet kontrol listesi
Eğitim değerlendirmesi, Soru-Cevap ve sertifika takdimi
AWS ML sertifika yolları ve ileri öğrenme kaynakları

Eğitim Kazanımları

Ortam Kurulumu — SageMaker AI domain, Studio alanları ve yürütme rolleriyle ekip için güvenli bir ML ortamı yapılandırabileceksiniz.
Ölçekli Veri Hazırlama — Processing işleri ve Feature Store ile büyük veri setlerini tekrarlanabilir biçimde modele hazırlayabileceksiniz.
Yönetilen Eğitim — Yerleşik algoritmalar, Script Mode ve Spot eğitimiyle maliyet etkin eğitim işleri çalıştırabileceksiniz.
Optimizasyon — Automatic Model Tuning ve yönetilen MLflow ile deneyleri takip ederek en iyi modeli seçebileceksiniz.
Model Dağıtımı — Gerçek zamanlı, sunucusuz, asenkron ve toplu çıkarım seçenekleri arasından doğru dağıtımı yapabileceksiniz.
MLOps Akışı — SageMaker Pipelines, Model Registry ve CI/CD ile deneyden üretime otomatik bir akış kurabileceksiniz.
İzleme ve Adillik — Model Monitor ve Clarify ile kayma, kalite düşüşü ve yanlılığı izleyip raporlayabileceksiniz.
Güvenlik ve Maliyet — VPC yalıtımı, KMS şifrelemesi ve maliyet optimizasyon pratikleriyle üretim ortamını yönetebileceksiniz.

Kimler İçin Uygundur?

Veri bilimciler
makine öğrenmesi mühendisleri
MLOps ve platform mühendisleri ile modellerini AWS üzerinde ölçeklemek ve üretime almak isteyen yazılım geliştiriciler.

Sıkça Sorulan Sorular

Amazon SageMaker ile Makine Öğrenmesi Eğitimi kimler için uygundur?

Program; veri bilimciler, makine öğrenmesi mühendisleri, MLOps ve platform mühendisleri ile modellerini AWS üzerinde ölçeklemek ve üretime almak isteyen yazılım geliştiriciler için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün ortam, veri hazırlama ve eğitim; ikinci gün optimizasyon, dağıtık eğitim ve dağıtım; üçüncü gün Pipelines, izleme ve uçtan uca proje işlenir.

Katılım için hangi ön bilgiler gereklidir?

Python ve pandas ile çalışma deneyimi, scikit-learn ile model eğitme bilgisi ve IAM ile Amazon S3 kullanımına temel aşinalık beklenir. AWS'ye hiç yeni başlayanlar için önce giriş eğitimi önerilir.

Bu eğitim AWS Makine Öğrenmesi Hizmetlerine Giriş Eğitiminden nasıl ayrılır?

Giriş eğitimi hazır servisleri ve konsol tabanlı ilk adımları kapsar. Bu program ise SageMaker Python SDK ile kod tabanlı eğitim, optimizasyon, dağıtım, CI/CD ve üretim izleme konularında derinleşir.

Laboratuvarlar nasıl yürütülür ve sertifika veriliyor mu?

Laboratuvarlar SageMaker Studio'da hazır not defterleri ve açık veri setleriyle yürütülür; kaynak temizliği adımlarıyla maliyet kontrol altında tutulur. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

AMAZON SAGEMAKER İLE MAKİNE ÖĞRENMESİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

SageMaker AI Mimarisi ve Çalışma Ortamı

Veri Hazırlama ve Özellik Yönetimi

Yerleşik Algoritmalar ile Model Eğitimi

Script Mode ile Özel Eğitim

Hiperparametre Optimizasyonu ve Deney Takibi

Dağıtık Eğitim ve Büyük Modeller

Model Dağıtımı ve Çıkarım Seçenekleri

Güvenlik, Ağ ve Maliyet Optimizasyonu

SageMaker Pipelines ile Otomasyon

CI/CD ve Ortamlar Arası Model Taşıma

Model İzleme, Yanlılık ve Açıklanabilirlik

Uçtan Uca Proje ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi