Makine Öğrenmesi Operasyonları (MLOps) Eğitimi

Eğitim Hakkında

Bu eğitim, makine öğrenmesi modellerini deneysel çalışmadan güvenilir, izlenebilir ve sürdürülebilir üretim sistemlerine dönüştürmek isteyen ekiplere MLOps yaşam döngüsünü uçtan uca kazandıran uygulamalı bir programdır. Katılımcılar sürümleme, deney takibi, boru hatları, servisleme, izleme ve yönetişim adımlarını tek bir proje üzerinde birleştirir.

Neden Bu Eğitim?

Tekrarlanabilirlik. Kod, veri, parametre ve ortamı birlikte sürümleyerek her model sonucunu aylar sonra bile yeniden üretebilir hale gelin.

Hızlı ve Güvenli Teslim. Modelleri elle kopyalanan dosyalar yerine otomatik boru hatları ve model kaydı üzerinden canlıya kontrollü biçimde alın.

Sürdürülebilir İşletim. Canlıdaki modellerin performansını izleyen, sorunları erken fark eden ve yeniden eğitimi planlayan bir düzen kurun.

“Bir modelin değeri doğruluk skorunda değil, canlıda güvenilir biçimde çalıştığı ve sürekli iyileştirilebildiği her günde ortaya çıkar.”

Ön Koşullar

Python ve ML — scikit-learn veya benzeri bir kütüphaneyle model eğitmiş ve değerlendirmiş olmak.
Git Kullanımı — Dal oluşturma, commit, birleştirme ve uzak depo ile çalışma konusunda temel deneyim.
Komut Satırı — Linux veya macOS terminalinde komut çalıştırma ve ortam değişkeni yönetimine aşinalık.
Docker Kurulumu — Docker Desktop kurulabilen, en az 16 GB belleğe sahip bir dizüstü bilgisayar.

Eğitim İçeriği

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

Günün hedefiMLOps yaşam döngüsünü ve olgunluk seviyelerini kavramak, kod, veri ve ortam sürümlemesiyle tekrarlanabilir eğitim kurmak ve deneyleri MLflow ile kayıt altına almak.

Modül 1

MLOps'a Giriş ve Olgunluk Seviyeleri

ML sistemlerinde gizli teknik borç ve üretim sorunları
DevOps, DataOps ve MLOps arasındaki farklar
MLOps yaşam döngüsü: veri, eğitim, dağıtım, izleme
Olgunluk seviyeleri: manuel süreçten otomasyona
Roller: veri bilimci, ML mühendisi, platform ekibi
Atölye: Kurumunuzun MLOps olgunluk değerlendirmesi

Modül 2

Kod, Veri ve Ortam Sürümleme

Not defterinden modüler Python projesine geçiş
Git dal stratejileri ve ML projelerinde depo yapısı
DVC ile veri seti ve model dosyası sürümleme
uv veya conda ile bağımlılık kilitleme
Docker ile tekrarlanabilir eğitim ortamı
Laboratuvar: DVC ile sürümlenen eğitim hattı

Modül 3

MLflow ile Deney Takibi

Parametre, metrik ve artefakt kaydı
Otomatik loglama ve deney karşılaştırma arayüzü
Model imzası, girdi örneği ve ortam bilgisi
Hiperparametre aramalarının MLflow'da izlenmesi
Takip sunucusu, arka uç veritabanı ve depolama
Laboratuvar: Birden fazla deneyin kıyaslanması

Modül 4

Model Kaydı ve Yaşam Döngüsü

MLflow Model Registry ile model sürümleri
Takma adlar ile champion ve challenger yönetimi
Model onay akışı ve sorumluluk ayrımı
Model kartı: amaç, veri, metrik ve sınırlar
Laboratuvar: En iyi modelin kayda terfi ettirilmesi
Günün değerlendirmesi ve boru hattı gününe köprü

Günün hedefiEğitim adımlarını orkestre edilen boru hatlarına dönüştürmek, özellik deposuyla eğitim-sunum tutarlılığı sağlamak ve modelleri toplu ve çevrim içi servislemek.

Modül 1

ML Boru Hatları ve Orkestrasyon

Veri doğrulama, eğitim, değerlendirme, kayıt adımları
Kubeflow Pipelines, Airflow ve Prefect karşılaştırması
Adımlar arası artefakt aktarımı ve önbellekleme
Parametrik ve zamanlanmış yeniden eğitim hatları
Sürekli eğitim (continuous training) kavramı
Laboratuvar: Prefect ile eğitim boru hattı

Modül 2

Özellik Deposu ve Eğitim-Sunum Tutarlılığı

Eğitim-sunum sapması (training-serving skew) sorunu
Çevrim dışı ve çevrim içi özellik depoları
Zamanda noktasal doğru birleştirme (point-in-time)
Feast ile özellik tanımı, materyalizasyon ve sorgu
Özellik yeniden kullanımı ve katalog yönetimi
Laboratuvar: Feast ile müşteri özellikleri

Modül 3

Model Paketleme ve Servisleme

Toplu, çevrim içi ve akış tabanlı çıkarım desenleri
FastAPI ile REST model servisi ve girdi doğrulama
BentoML ile paketleme ve Docker imajı üretimi
Kubernetes üzerinde KServe ile ölçeklenen servis
ONNX ile çerçeveden bağımsız model biçimi
Laboratuvar: Kayıttaki modelin API olarak sunumu

Modül 4

ML için CI/CD Otomasyonuna Giriş

ML kodu, veri ve model için test türleri
GitHub Actions ile test ve imaj oluşturma hattı
Model kalite kapısı: metrik eşiği ile terfi kararı
Mavi-yeşil, kanarya ve gölge dağıtım stratejileri
Demo: Commit'ten servis güncellemesine otomatik akış
Günün değerlendirmesi ve izleme gününe hazırlık

Günün hedefiCanlıdaki modelleri veri kayması ve performans açısından izlemek, LLM uygulamalarının işletimini tanımak, yönetişimi süreçlere eklemek ve uçtan uca MLOps projesini sunmak.

Modül 1

Üretimde Model İzleme

Operasyonel ve model metrikleri: gecikme, hata, skor
Veri kayması ve kavram kaymasına giriş
Evidently ile veri ve tahmin dağılımı raporları
Prometheus ve Grafana ile servis metrikleri
Geri bildirim döngüsü ve yeniden eğitim tetikleyicisi
Laboratuvar: Canlı servis için izleme panosu

Modül 2

LLMOps: Dil Modeli Uygulamalarının İşletimi

Klasik MLOps ile LLMOps arasındaki farklar
İstem (prompt) sürümleme ve yapılandırma yönetimi
Otomatik değerlendirme setleri ve LLM-as-a-judge
Langfuse ile iz sürme, maliyet ve gecikme takibi
Model ağ geçidi, yedek model ve kota yönetimi
Demo: RAG uygulaması için değerlendirme hattı

Modül 3

Platform Seçimi ve Model Yönetişimi

Açık kaynak yığın ile yönetilen platformların kıyası
SageMaker, Vertex AI ve Azure Machine Learning
Erişim kontrolü, gizli bilgi yönetimi ve denetim izi
ISO/IEC 42001 ve EU AI Act kayıt yükümlülükleri
MLOps ekip yapısı ve platform ekibi modeli
Vaka: Dağınık modellerden merkezi platforma geçiş

Modül 4

Uçtan Uca MLOps Projesi ve Kapanış

Grup projesi: sürümleme, hat, servis ve izleme
Proje sunumları ve mimari geri bildirim
Kurumsal MLOps yol haritası ve öncelikler
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve proje kodlarının teslimi
İleri öğrenme kaynakları ve kapanış

Eğitim Kazanımları

MLOps Vizyonu — Model yaşam döngüsünü ve olgunluk seviyelerini değerlendirerek kurumunuz için gerçekçi hedefler belirleyebileceksiniz.
Tekrarlanabilirlik — Git, DVC ve Docker ile kod, veri ve ortamı sürümleyerek model sonuçlarını yeniden üretebileceksiniz.
Deney ve Kayıt — MLflow ile deneyleri izleyip modelleri sürüm, takma ad ve onay akışıyla kayıt altına alabileceksiniz.
ML Boru Hatları — Veri doğrulamadan model kaydına uzanan adımları otomatik ve zamanlanmış boru hatlarına dönüştürebileceksiniz.
Özellik Deposu — Feast ile eğitim ve sunumda tutarlı, zamanda noktasal doğru özellikler yönetebileceksiniz.
Model Servisleme — FastAPI, BentoML ve KServe ile modelleri ölçeklenebilir toplu ve çevrim içi servislere dönüştürebileceksiniz.
İzleme ve LLMOps — Evidently, Prometheus ve Langfuse ile klasik modelleri ve LLM uygulamalarını canlıda izleyebileceksiniz.
Model Yönetişimi — Model kartları, denetim izi ve rol ayrımıyla ISO/IEC 42001 ve EU AI Act ile uyumlu bir MLOps düzeni kuracaksınız.

Kimler İçin Uygundur?

Veri bilimciler
makine öğrenmesi mühendisleri
veri mühendisleri
DevOps ve platform mühendisleri ile model geliştirme süreçlerini yöneten teknik ekip liderleri.

Sıkça Sorulan Sorular

Makine Öğrenmesi Operasyonları Eğitimi kimler için uygundur?

Program; veri bilimciler, makine öğrenmesi mühendisleri, veri mühendisleri, DevOps ve platform mühendisleri ile model geliştirme ve dağıtım süreçlerini yöneten teknik ekip liderleri için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 3 tam gün ve 12 modülden oluşur. Tekrarlanabilir deneyler ve model kaydı, boru hatları, özellik deposu ve servisleme, izleme, LLMOps ve yönetişim konuları uçtan uca bir proje etrafında işlenir.

Katılım için hangi ön bilgiler gerekiyor?

Python ile model eğitmiş olmak, temel Git kullanımı ve terminal alışkanlığı beklenir. Kubernetes bilgisi zorunlu değildir; laboratuvarlar hazır Docker ortamında yürütülür.

Bu eğitimin ML için CI/CD ve Model İzleme eğitimlerinden farkı nedir?

Bu program MLOps yaşam döngüsünün tamamını bütüncül olarak kapsar. CI/CD hatları ve GitOps ile sapma tespiti ve izleme konuları, derinlemesine işlendikleri ayrı ileri seviye eğitimlerde uzmanlık düzeyinde ele alınır.

Hangi araçlar kullanılıyor, sertifika veriliyor mu?

Git, DVC, Docker, MLflow, Prefect, Kubeflow Pipelines, Feast, FastAPI, BentoML, KServe, GitHub Actions, Evidently, Prometheus, Grafana ve Langfuse kullanılır. Programı tamamlayanlar 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

MAKİNE ÖĞRENMESİ OPERASYONLARI EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

MLOps'a Giriş ve Olgunluk Seviyeleri

Kod, Veri ve Ortam Sürümleme

MLflow ile Deney Takibi

Model Kaydı ve Yaşam Döngüsü

ML Boru Hatları ve Orkestrasyon

Özellik Deposu ve Eğitim-Sunum Tutarlılığı

Model Paketleme ve Servisleme

ML için CI/CD Otomasyonuna Giriş

Üretimde Model İzleme

LLMOps: Dil Modeli Uygulamalarının İşletimi

Platform Seçimi ve Model Yönetişimi

Uçtan Uca MLOps Projesi 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