İbrahim Bilgiç

Yol haritası ve kurulum

Kısaca

  1. Yapay zekâ mühendisi, makine öğrenmesi mühendisi ve araştırmacı arasındaki farkı ayırt etmek
  2. Kursun dokuz dersinin birbirine nasıl bağlandığını görmek
  3. Python ortamını kurup ilk kontrol betiğini çalıştırmak

Bu kurs, hazır yapay zekâ modelleriyle çalışan ürünler kurmayı öğretiyor. İlk derste işin ne olduğunu, kursun nereye gittiğini görecek ve bilgisayarını hazırlayacaksın. Python biliyorsan yeter; bilmiyorsan önce temel bir Python kursu almanı öneririm.

Bu iş tam olarak ne?

“Yapay zekâ” başlığı altında üç farklı iş var ve birbirine çok karıştırılıyor:

Rol Ana sorusu Tipik çıktısı
Araştırmacı Daha iyi bir model nasıl yapılır? Makale, yeni mimari
Makine öğrenmesi mühendisi Bu veriyle hangi model, nasıl eğitilir ve sunulur? Eğitilmiş model, eğitim hattı
Yapay zekâ mühendisi Var olan güçlü modellerle güvenilir bir ürün nasıl kurulur? Uygulama, ajan, RAG sistemi

Bu kurs üçüncüsüne odaklanıyor. Ama iyi bir yapay zekâ mühendisi, kullandığı modelin içini kabaca bilir. Model neden uydurdu, neden yavaş, neden pahalı? Bu soruları cevaplamak için ilk dersler temellere ayrıldı.

Önce bir tadına bak

Aşağıdaki küçük yapay beyne tıklayarak turuncu ve mavi noktalar koy. Hiç kural yazmadan, yalnızca örneklerden iki rengi ayırmayı öğrenecek. Bu kursun sonunda, bunun içinde tam olarak ne olduğunu bileceksin.

Lab · Bir makineye öğret2 → 10 → 10 → 1 nöron
Eklenecek renk
Hazır desen
tur (epoch)
0
hata (kayıp)
0.000
doğruluk
%0

Makine, renkleri ayıran sınırı kendi kendine arıyor. Kimse ona kuralı söylemedi; yalnızca örnekleri görüyor.

Harita

Kurs üç kattan oluşuyor:

  1. Temeller (ders 2–4): vektörler, türev, gradyan iniş; makine öğrenmesinin dili; bir sinir ağının nasıl öğrendiği.
  2. Dil modelleri (ders 5): metnin token’a, token’ın vektöre dönüşmesi; dikkat; bir sonraki kelimenin seçilmesi.
  3. Ürün (ders 6–9): API ile çalışmak, RAG, ajanlar, değerlendirme ve portfolyo.

Her katın bir öncekine yaslandığını göreceksin. Örneğin RAG’deki “benzer belgeyi bul” adımı, ikinci derste öğreneceğin nokta çarpımıyla yapılır.

Ortamı kur

İhtiyacın olan: Python 3.11 veya üstü, bir kod editörü (VS Code yeterli) ve git.

Python paketlerini kurmak için uv öneriyorum. Hızlı çalışıyor ve her proje için ayrı bir ortam kuruyor; böylece projelerin birbirini bozmaz:

# uv kurulumu (macOS / Linux)
curl -LsSf https://astral.sh/uv/install.sh | sh

# kurs klasörü
mkdir yz-kurs && cd yz-kurs
uv init
uv add numpy scikit-learn matplotlib jupyter

Şimdi kontrol.py adında bir dosya oluştur:

import sys
import numpy as np
import sklearn

print("Python", sys.version.split()[0])
print("NumPy", np.__version__)
print("scikit-learn", sklearn.__version__)

# Küçük bir test: iki vektörün nokta çarpımı
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print("a·b =", a @ b)  # 32 olmalı
uv run kontrol.py

Sürümler ve a·b = 32 satırı ekrana geldiyse hazırsın.

Nasıl çalışmalı? Her dersi okurken kodu kopyalamak yerine yazmaya çalış. Yazarken yaptığın küçük hatalar, okurken asla fark etmeyeceğin şeyleri öğretir.

Kendini dene

Quiz · Kendini dene0/2

  1. 1. Bir şirket, hazır bir dil modeliyle müşteri destek asistanı kuruyor. Bu en çok hangi rolün işi?

  2. 2. Kursta neden matematikle başlıyoruz?

Daha derine inmek istersen

bitti