Küçük modellerle alanına özel yapay zekâ kur
Küçük dil modellerini alana özgü görevler için seçmeyi, LoRA/QLoRA ile ince ayarlamayı, nicelemeyi, RAG'i ve kenar/şirket içi dağıtımı gerçek modellerle öğreten ileri seviye eğitim.
SLM seçimi, parametre-verimli ince ayar, niceleme ve şirket içi dağıtım
Bu ileri seviye eğitim, küçük dil modellerini (SLM, ~1-8B parametre) belirli alanlara özgü uygulamalarda kullanmayı öğretir. SLM ile büyük modellerin maliyet, gecikme ve gizlilik açısından karşılaştırması, model ailesi seçimi (Phi, Gemma, Llama, Qwen, Mistral) ele alınır. Alana özgü veri hazırlama, talimat (instruction) veri seti oluşturma, LoRA/QLoRA ile parametre-verimli ince ayar uygulanır. GGUF/AWQ/GPTQ niceleme ile bellek düşürme, llama.cpp ve vLLM ile sunum, RAG ile güncel bilgi entegrasyonu ve yapısal çıktı işlenir. Değerlendirme (benchmark, LLM-as-judge), gizlilik, kenar/şirket içi dağıtım, izleme ve maliyet optimizasyonu gerçek senaryolarla gösterilir. Katılımcılar eğitim sonunda kendi alanlarına uyarlanmış, verimli ve şirket içinde çalışabilen bir SLM uygulaması kurabilir.
4 Gün. Her gün dört modül; katılımcılar model seçiminden ince ayara ve kenar dağıtımına kadar gerçek bir SLM uygulamasını adım adım kurar.
İleri Seviye — Küçük dil modellerini (SLM) alana özgü görevler için seçme, ince ayar (LoRA/QLoRA), niceleme ve kenar/şirket içi dağıtımla üretime alma.
Katılımcılar açık ağırlıklı küçük modelleri kendi veri setleriyle ince ayarlayıp niceler, yerel GPU/CPU'da çalıştırıp değerlendirerek uygular.
Küçük modellerle büyük model API maliyetine kıyasla çok daha ucuz çıkarım yaparsınız.
Modeli şirket içinde çalıştırarak hassas verinin dışarı çıkmasını engellersiniz.
Kenar cihazda bile hızlı yanıt veren, alana özel modeller dağıtırsınız.
Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri
Python ve temel PyTorch/kütüphane kullanımına aşinalık gerekir.
Transformer, token ve eğitim/çıkarım kavramlarını bilmek faydalıdır.
Prompt yazma ve temel LLM kullanımı deneyimi süreci hızlandırır.
En az 12-16 GB VRAM'li GPU erişimi veya bulut GPU örneği önerilir.
Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.
Program sonunda katılımcılar:
Alan gereksinimine uygun küçük dil modelini gerekçeli seçebilirsiniz.
Alana özgü talimat veri setleri oluşturup temizleyebilirsiniz.
LoRA/QLoRA ile tek GPU'da modeli ince ayarlayabilirsiniz.
GGUF/AWQ ile modeli küçültüp CPU'da bile çalıştırabilirsiniz.
vLLM ve llama.cpp ile modeli yüksek verimle sunabilirsiniz.
Geri getirme ile modeli güncel alan bilgisiyle zenginleştirebilirsiniz.
Benchmark ve LLM-as-judge ile model kalitesini ölçebilirsiniz.
Modeli kenar/şirket içi ortamda güvenle üretime alabilirsiniz.
Bu eğitim Digital Vizyon Akademi Başarı 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.
Windows baskı hizmetleri eğitimi: Print Server rolü, yazıcı portları, sürücü yönetimi, Group Policy dağıtımı, baskı güvenliği ve spooler sorun giderme.
Detayları Gör →
Windows kullanıcı ve grup yönetimi eğitimi: yerel ve AD hesapları, grup kapsamları, AGDLP, parola politikası, profiller ve PowerShell ile toplu otomasyon.
Detayları Gör →
Windows 10/11 istemcilerini WinRM, PowerShell Remoting, RDP, Windows Admin Center ve Performance Monitor ile uzaktan yönetip izlemeyi öğreten uygulamalı eğitim.
Detayları Gör →
Windows 10/11'de yerel, Microsoft ve Entra ID hesaplarını, kullanıcı profillerini, UAC'yi, Windows Hello ve parola politikalarını yönetmeyi öğreten temel seviye
Detayları Gör →
Woodpecker CI ile Gitea/Forgejo için kendi sunucunuzda hafif, container tabanlı CI/CD hatları kurmayı; .woodpecker.yml, secrets ve agent ölçeklemeyi öğreten eği
Detayları Gör →