Refactoring ML/DL Algorithms: Techniques & Principles

Eğitim Hakkında

Üç günde ML ve derin öğrenme kodunun sürdürülebilir hale getirilmesi

Eğitim, ML ve DL projelerindeki kod borcunu ele alır. Notebook kodunu paketlenmiş Python projesine dönüştürür, scikit-learn Pipeline ile ön işlemeyi kapsüller, veri sızıntısına yol açan kalıpları temizlersiniz. pytest ile tensor şekli, veri şeması ve eğitim döngüsü testleri yazar, Strategy, Factory ve Template Method desenleriyle genişletilebilir Trainer yapısı kurar, profiling, MLflow, ruff, mypy ve CI ile projeyi üretime hazırlarsınız.

Süre ve Format

3 Gün. Her gün dört modül; sabah ilke ve kalıp anlatımı, öğleden sonra gerçek bir notebook'u adım adım refactor etme.

Seviye

İleri Seviye — Python ML/DL kodunun refactoring'i: notebook'tan pakete, test, desen, performans ve CI.

Öğrenme Metodu

Katılımcılar dağınık bir PyTorch/scikit-learn notebook'unu modüllere böler, testler yazar, desenlerle yeniden yapılandırır ve CI hattına bağlar.

Neden Bu Eğitim?

📓Notebook'tan Pakete

Tekrar kullanılabilir ve versiyonlanabilir ML kodu üretirsiniz.

🧪Test Güvencesi

Tensor şekli, veri ve eğitim döngüsü için otomatik testler yazarsınız.

📈Deney Takibi

MLflow ve DVC ile deneyleri izlenebilir ve tekrarlanabilir kılarsınız.

Anahtar Konular

ml refactoringderin öğrenme kod kalitesinotebook refactoringpytest mlMLflowscikit-learn pipelineml mühendisliğipython tasarım desenleriml kod kalitesi

“Bir model, yeniden üretilemiyorsa bir sonuçtan çok bir hikâyedir.”

Ön Koşullar

Eğitimden verim almak için faydalı olacak bilgi ve ortam gereksinimleri

1

Python Bilgisi

Orta düzey Python ve nesne yönelimli programlama.

2

ML Deneyimi

scikit-learn veya PyTorch ile en az bir model eğitmiş olmak.

3

Git Bilgisi

Temel Git komutları.

4

Çalışma Ortamı

Python 3.10+, Jupyter ve Docker kurulu bilgisayar.

Eğitim İçeriği

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

Günün hedefiKatılımcı ML projelerindeki teknik borcu ve veri sızıntısı kalıplarını tespit eder, notebook kodunu modüler pakete böler.

Modül 1

ML Projelerinde Kod Kokuları

Notebook kokuları: gizli durum, hücre sırası bağımlılığı, global değişkenler
Sihirli sayılar ve kopyala-yapıştır deney kodları
Data leakage: ölçekleyiciyi tüm veriye fit etme gibi hatalar
Entanglement ve CACE ilkesi (Sculley et al. teknik borç makalesi)
Pipeline jungle ve ölü deneysel kod yolları
Model kodu için kod inceleme kontrol listesi

Modül 2

ML/DL Kodunun Yeniden Yapılandırılması

Notebook'tan paketlenmiş Python koduna geçiş (src düzeni, modüller)
scikit-learn Pipeline ve ColumnTransformer ile ön işleme kapsülleme
Veri sızıntısı (data leakage) riskli kod kalıplarının temizlenmesi
Tekrarlanabilirlik: seed, config (Hydra/YAML) ve ortam sabitleme
Tensor şekil (shape) ve veri sözleşmesi testleri
PyTorch eğitim döngüsünün Trainer ve Dataset sınıflarına ayrıştırılması

Modül 3

Temiz Kod İlkeleri

Anlamlı adlandırma ve niyeti açık eden isimler
Küçük fonksiyonlar: tek iş, tek soyutlama seviyesi
Yorum yerine kodla ifade ve gerekli yorum türleri
Yinelemeyi kaldırma (DRY) ve yanlış soyutlama riski
Hata işleme: null yerine Optional/Result, istisna sınırları
Boy Scout kuralı ve sürekli iyileştirme

Modül 4

Legacy Kodda Test ve Refactoring

Characterization test ile mevcut davranışı sabitleme
Seam kavramı ve bağımlılık kırma teknikleri (Feathers)
Extract and Override, Wrap Method ve Sprout Class
Golden master / approval testing
Statik bağımlılık ve Singleton'ı test edilebilir hale getirme
Refactoring kararı için risk ve değer ölçütleri

Günün hedefiKatılımcı pytest ile ML testleri yazar, test edilebilir tasarım kurar ve Strategy, Factory, Template Method desenlerini Trainer yapısına uygular.

Modül 1

ML/DL Kodu için Test Stratejisi

pytest fixture, parametrize ve conftest yapısı
Tensor şekil, dtype ve NaN kontrolleri
Sayısal tolerans: numpy.testing.assert_allclose ve torch.testing
Küçük veriyle overfit testi (sanity check)
Veri doğrulama (Great Expectations / pandera) ve şema testleri
Property-based testing için Hypothesis ve deterministik seed

Modül 2

Test Edilebilir Tasarım

Test edilebilirlik ve bağımlılık enjeksiyonu ilişkisi
Saf fonksiyon ve yan etkilerin sınırda toplanması
Zaman, rastgelelik ve I/O soyutlama (Clock, Random)
Test verisi oluşturma: Object Mother ve Test Data Builder
Test kokuları: kırılgan, yavaş, belirsiz (flaky) testler
Contract test ve entegrasyon testi sınırlarını belirleme

Modül 3

ML Kodunda Tasarım Desenleri

Strategy ile kayıp fonksiyonu ve optimizer seçimi
Factory / Registry ile model mimarisi ve dataset kaydı
Builder ile deney konfigürasyonu (dataclass + Hydra)
Template Method ile Trainer iskeleti ve callback hook'ları
Observer ile metrik loglama (TensorBoard, MLflow)
Pipeline ve Chain of Responsibility ile ön işleme adımları

Modül 4

Refactoring ile Desene Geçiş

Extract Method, Extract Class ve Extract Interface adımları
Replace Conditional with Polymorphism ile Strategy/State'e geçiş
Replace Constructor with Factory Method ve Builder'a evrim
Introduce Parameter Object ve Null Object kullanımı
Kerievsky'nin 'Refactoring to Patterns' yaklaşımı
Her adımda birim testle davranışın korunması

Günün hedefiKatılımcı profiling ve MLflow ile deneyleri yönetir, CI/tür denetimi kurar ve bağımlılıkları enjekte ederek SOLID'e uygun hale getirir.

Modül 1

ML Kodunda Performans ve Deney Yönetimi

Döngüden NumPy vektörleştirmesine geçiş
cProfile ve PyTorch profiler ile darboğaz bulma
DataLoader, num_workers ve batch boyutu etkisi
MLflow veya DVC ile deney ve veri versiyonlama
Model ve metrik regresyon testleri
Strategy ve Factory desenleriyle model/kayıp fonksiyonu seçimi

Modül 2

ML Projelerinde Kalite Kapıları ve Paketleme

pyproject.toml ile paketleme ve sürüm yönetimi
ruff, black ve mypy ile statik denetim, type hints
pre-commit kancaları ve GitHub Actions CI hattı
Docker ile eğitim ortamı sabitleme
Model kaydı (model registry) ve artefakt versiyonlama
Kod inceleme ve değişiklik günlüğü (changelog) pratiği

Modül 3

Dependency Injection ve IoC

Constructor, setter ve method injection farkları ve tercih ölçütleri
Inversion of Control ile Dependency Inversion ilkesinin farkı
Spring ve Microsoft.Extensions.DependencyInjection konteyner kullanımı
Yaşam süreleri: transient, scoped, singleton ve captive dependency hatası
Service Locator'ın anti-pattern olarak değerlendirilmesi
Composition Root ve test için sahte (mock) bağımlılık enjeksiyonu

Modül 4

SOLID İlkeleri

SRP: değişim nedeni kavramı ve sorumlulukların ayrıştırılması
OCP: soyutlama ile genişleme, if-zincirlerinin temizlenmesi
LSP: sözleşmeyle tasarım ve Kare-Dikdörtgen ihlali
ISP: şişkin arayüzün rol arayüzlerine bölünmesi
DIP: yüksek seviyeli modülün soyutlamaya bağımlı kılınması
Kod kokularından SOLID ihlali tespiti ve düzeltme sırası

Eğitim Kazanımları

Program sonunda katılımcılar:

✅

ML Teknik Borcu

ML projelerindeki teknik borcu ve veri sızıntısı riskli kod kalıplarını tespit edebilirsiniz.

🔧

Temiz Kod

Okunabilir, niyeti açık ve bakımı kolay kod yazma disiplinini uygulayabilirsiniz.

🧠

Legacy Kod

Testsiz legacy kodu karakterizasyon testleriyle güvenceye alıp güvenle dönüştürebilirsiniz.

📐

Test Edilebilirlik

Bağımlılıkları soyutlayarak testi kolay, kırılgan olmayan tasarımlar kurabilirsiniz.

🧩

ML Tasarım Desenleri

Strategy, Factory ve Template Method desenleriyle genişletilebilir ML eğitim kodu yazabilirsiniz.

🛡️

ML Mühendisliği

Deneyleri izlenebilir kılıp ML kodunun performans darboğazlarını ölçerek giderebilirsiniz.

📊

ML Kalite Hattı

CI, tür denetimi ve paketleme ile ML deposunu sürdürülebilir hale getirebilirsiniz.

🚀

SOLID Uygulama

Mevcut sınıflardaki SOLID ihlallerini tespit edip adım adım düzeltebilirsiniz.

Kimler İçin Uygundur?

ML/DL modelleri geliştiren veri bilimciler
ML mühendisleri
araştırmacı yazılımcılar

Sıkça Sorulan Sorular

Bu eğitim kimler için uygundur?

ML/DL modelleri geliştiren veri bilimciler, ML mühendisleri ve araştırmacı yazılımcılar.

Eğitim sonunda sertifika verilir mi?

Eğitimi tamamlayan katılımcılara Digital Vizyon Akademi Katılım ve Başarı Sertifikası verilir.

Eğitim kaç gün sürer ve nasıl işlenir?

Eğitim 3 gündür; katılımcılar dağınık bir PyTorch/scikit-learn notebook'unu modüllere böler, testler yazar, desenlerle yeniden yapılandırır ve CI hattına bağlar.

Hangi kütüphaneler kullanılır?

scikit-learn, PyTorch, pytest, MLflow, Hydra, ruff ve mypy kullanılır; kavramlar TensorFlow için de uygulanabilir.

Veri bilimcisi yazılım mühendisi olmak zorunda mı?

Hayır; eğitim, veri bilimcilerin ihtiyaç duyduğu yazılım mühendisliği pratiklerini ML bağlamında aktarır.

Sertifikalandırma

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.

Örnek Sertifika

REFACTORING ML/DL ALGORITHMS: TECHNIQUES & PRINCIPLES EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Anahtar Konular

Ön Koşullar

Eğitim İçeriği

ML Projelerinde Kod Kokuları

ML/DL Kodunun Yeniden Yapılandırılması

Temiz Kod İlkeleri

Legacy Kodda Test ve Refactoring

ML/DL Kodu için Test Stratejisi

Test Edilebilir Tasarım

ML Kodunda Tasarım Desenleri

Refactoring ile Desene Geçiş

ML Kodunda Performans ve Deney Yönetimi

ML Projelerinde Kalite Kapıları ve Paketleme

Dependency Injection ve IoC

SOLID İlkeleri

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Bu Eğitimle Birlikte Tercih Edilenler

Structures of Object-oriented Programming Eğitimi

Tasarım Kalıpları (Design Patterns) ve Yazılım Mimarisi Eğitimi

UML Diagrams & UML Foundation Eğitimi

UML Essentials for Agile Development Training Eğitimi

UML ile Nesne Yönelimli Analiz ve Tasarım Eğitimi