Program
AI Temelleri
10 sa
Yeni Başlayanlar için LLM Projeleri
Yeni başlayanlara yönelik projelerde, OpenAI API’sini kullanmayı, yanıt üretmeyi, çok kipli yeteneklere sahip yapay zekâ asistanları oluşturmayı ve FastAPI kullanarak uygulamanızın API uç noktalarını sunmayı öğreneceksiniz.
Ön koşullar: Temel düzeyde Python bilgisi gereklidir.
1. Langflow ile bir dil eğitmeni oluşturma
Proje bağlantısı: Langflow: Demo Projeyle Rehber
Birçok yeni başlayan için yapay zekâ uygulamaları geliştirmenin önündeki en büyük engel, sıfırdan karmaşık Python kodu yazmaktır. Langflow, standart veritabanlarına kolayca bağlanan görsel, sürükle-bırak arayüzüyle güçlü yapay zekâ iş akışları kurmanıza olanak tanıyarak bunu değiştirir.
Bu projede, uzman bir kodlayıcı olmanıza gerek kalmadan bir dil eğitmeni uygulaması geliştireceksiniz. Kullanıcının kelime listesini (Postgres veritabanında saklı) temel alan okuma parçaları üreten bir ajanı görsel olarak tasarlamak için Langflow kullanacaksınız. Bu, teknik bariyeri düşük tutarken “durum bilgili” yapay zekâya (verilerinizi hatırlayan uygulamalar) harika bir giriş niteliğindedir.
Kaynak: Langflow: Demo Projeyle Rehber
2. Çok kipli yeteneklere sahip veri bilimi için bir yapay zekâ asistanı oluşturma
Proje bağlantısı: GPT-4o ile Yapay Zekâ Asistanları Oluşturma
Bu projede, ChatGPT’ye benzer kendi yapay zekâ asistanınızı oluşturacaksınız. OpenAI API ve GPT-4o’yu kullanarak veri bilimi görevlerine özel uyarlanmış bir yapay zekâ asistanı geliştirmeyi öğreneceksiniz. Buna özel talimatlar sağlama, dosya ve verileri işleme ve çok kipli yetenekleri kullanma dahildir.
İşin eğlenceli yanı, tüm projenin yalnızca OpenAI Python API’sinin çeşitli işlevlerini anlamanızı gerektirmesidir. Birkaç satır kodla, verileri sizin için işleyip analizleri sunan kendi otomatik yapay zekânızı geliştirebilirsiniz.
Kaynak: GPT-4o ile Yapay Zekâ Asistanları Oluşturma
3. FastAPI kullanarak bir LLM Uygulamasını API uç noktası olarak sunma
Proje bağlantısı: Python’da FastAPI kullanarak bir LLM uygulamasını API uç noktası olarak sunma
OpenAI API’sini kullanarak uygulamanızı geliştirdikten sonraki adım nedir? Onu sunmak ve bir sunucuya dağıtmak. Bu, herkesin yapay zekâ uygulamanızı kendi sistemlerine entegre etmek için kullanabileceği bir REST API uygulaması oluşturmak anlamına gelir.
Bu projede, FastAPI’yi ve yapay zekâ uygulamalarını nasıl geliştirilip sunulacağını öğreneceksiniz. Ayrıca API’nin nasıl çalıştığını ve yerelde nasıl test edileceğini de öğreneceksiniz.
Kaynak: Python’da FastAPI kullanarak bir LLM uygulamasını API uç noktası olarak sunma
Orta Seviye LLM Projeleri
Orta seviye LLM projelerinde, Groq, OpenAI ve Cohere gibi çeşitli LLM API’lerini LlamaIndex ve LangChain gibi çerçevelerle nasıl entegre edeceğinizi öğreneceksiniz. Bağlamı bilen uygulamalar geliştirmeyi ve birden çok harici kaynağı bağlayarak son derece ilgili ve doğru yanıtlar üretmeyi öğreneceksiniz.
Ön koşullar: Python deneyimi ve yapay zekâ ajanlarının nasıl çalıştığına dair anlayış.
4. FastAPI ile bir RAG sistemi geliştirme ve sunma
Proje bağlantısı: LangChain ve FastAPI ile Bir RAG Sistemi Geliştirme: Geliştirmeden Canlıya
Bir not defterinde RAG betiği oluşturmak harika bir başlangıçtır, ancak gerçek dünyadaki yapay zekâ uygulamalarının dağıtılması gerekir. Uygulamanızı kullanıcılara veya diğer yazılımlara erişilebilir kılmak için onu yüksek performanslı bir web API’si içinde sarmanız gerekir.
Bu projede, veri bilimi ile web mühendisliği arasındaki boşluğu kapatacaksınız. Belge verilerini alma mantığını oluşturmak için LangChain’i ve bu mantığı bir REST uç noktası olarak sunmak için FastAPI’yi kullanacaksınız. API isteklerini nasıl ele alacağınızı, belgeleri nasıl işleyeceğinizi ve yapay zekâ uygulamanız için üretime hazır bir arka ucu nasıl yayına alacağınızı öğreneceksiniz.
Kaynak: LangChain ve FastAPI ile Bir RAG Sistemi Geliştirme
5. Bir LLM kullanarak DuckDB SQL sorgu motoru oluşturma
Proje bağlantısı: DuckDB Eğitimi: Yapay Zekâ Projeleri Geliştirme
DuckDB, vektör deposu ve SQL sorgu motoru olarak kullanılabilen, modern, yüksek performanslı, bellek içi bir analitik veritabanı yönetim sistemidir (DBMS).
Bu projede, DuckDB’yi bir vektör deposu olarak kullanarak bir RAG uygulaması geliştirmek için LlamaIndex çerçevesini öğreneceksiniz. Ayrıca, doğal dili SQL sorgularına dönüştüren ve istem için bağlam olarak kullanılabilecek yanıtlar üreten bir DuckDB SQL sorgu motoru kuracaksınız. Eğlenceli bir projedir ve birçok LlamaIndex işlevi ve ajanı hakkında bilgi edineceksiniz.
Kaynak: DuckDB Eğitimi: Yapay Zekâ Projeleri Geliştirme
6. DeepSeek-V3.2 ile otonom bir veri analisti oluşturma
Proje bağlantısı: DeepSeek-V3.2-Speciale Eğitimi: Bir Veri Analist Ajanı Geliştirin
DeepSeek’in modelleri, akıl yürütme yetenekleriyle ünlü hale geldi ve bu da onları veri bilimi gibi karmaşık görevler için ideal kılıyor. Basit sohbetlerin ötesine geçerek, bu proje yapay zekânın sorunları çözmek için araçları etkin biçimde kullandığı “ajanik” iş akışlarına odaklanır.
Bu projede, veri kümelerini içeri alabilen, Python kodu yazıp çalıştırabilen ve otomatik olarak içgörü üretebilen işlevsel bir Veri Analisti Ajanı geliştireceksiniz. Çok adımlı analiz görevlerini düzenlemek için DeepSeek-V3.2-Speciale modelinden nasıl yararlanacağınızı öğreneceksiniz; bu, yeni nesil yapay zekâ geliştirme için kritik bir yetenektir.
Kaynak: DeepSeek-V3.2-Speciale Eğitimi: Bir Veri Analist Ajanı Geliştirin
Son Sınıf Öğrencileri için LLM Projeleri
Son sınıf öğrencileri gerçek LLM uygulamaları geliştirme fırsatına sahiptir. Bu nedenle, bu bölümde belirtilen projelerin çoğu, ince ayar, LLM mimarileri, çok kipli uygulamalar, yapay zekâ ajanları ve nihai olarak uygulamayı bir sunucuya dağıtma hakkında bilgi gerektirir.
Ön koşullar: Python dili, LLM’ler, yapay zekâ ajanları ve model ince ayarı konusunda iyi düzeyde anlayış.
7. LangChain ve OpenAI API ile çok kipli yapay zekâ uygulamaları geliştirme
Proje bağlantısı: LangChain & OpenAI API ile Çok Kipli Yapay Zekâ Uygulamaları Geliştirme
Üretken yapay zekâ, yalnızca metinle çalışmanın ötesine geçmeyi kolaylaştırır. Artık metin ve ses yapay zekâ modellerinin gücünü birleştirerek YouTube videoları hakkında soruları yanıtlayan bir bot geliştirebiliriz.
Bu projede, Whisper konuşmadan metne yapay zekâsı ile YouTube video içeriğini nasıl yazıya dökeceğinizi ve ardından içerikle ilgili soruları sormak için GPT’yi nasıl kullanacağınızı öğreneceksiniz. Ayrıca LangChain ve çeşitli OpenAI işlevleri hakkında bilgi edineceksiniz.
Proje, eğitmeni izleyip uygulamayı onunla birlikte geliştirebilmeniz için video rehberi ve kod eşliğinde oturumlar içerir.
Daha fazla özelliğini etkileşimli alıştırmalar, slaytlar, sınavlar, video eğitimleri ve değerlendirme soruları aracılığıyla öğrenmek için Developing LLM Applications with LangChain kursunu alın.
Kaynak: LangChain & OpenAI API ile Çok Kipli Yapay Zekâ Uygulamaları Geliştirme
8. NVIDIA Nemotron ve Ollama ile dayanaklı bir S&C uygulaması geliştirme
Proje bağlantısı: NVIDIA Nemotron 3 Nano Eğitimi: Ollama ile Dayanaklı S&C
Modelleri yerelde çalıştırmak gizlilik için harikadır, ancak daha küçük modellerde doğruluğu korumak zor olabilir. NVIDIA’nın Nemotron-3-Nano’su, “dayanaklı” üretimde (yanıtların sağlanan gerçeklere sıkı sıkıya dayanmasını sağlama) üstünleşerek bunu çözmek üzere özel olarak tasarlanmıştır.
Bu projede, bu uzmanlaşmış modeli Ollama kullanarak dağıtmayı ve Streamlit ile bir “Dayanaklı S&C” uygulaması geliştirmeyi öğreneceksiniz. Standart sohbet botlarının aksine bu sistem, yanıtlarının kaynaklarını belirtir; böylece her cevabı doğrulayabilirsiniz. Yerel çıkarım, halüsinasyon önleme ve güvenilir yapay zekâ arayüzleri oluşturma konusunda pratik deneyim kazanacaksınız.
Kaynak: NVIDIA Nemotron 3 Nano Eğitimi: Ollama ile Dayanaklı S&C
9. LangChain ve Cohere API kullanarak çok adımlı bir yapay zekâ ajanı oluşturma
Proje bağlantısı: Cohere Command R+: Baştan Sona Eksiksiz Bir Eğitim
Cohere API, OpenAI API’ye benzer ve diğer LLM çerçevelerine kıyasla birçok özellik sunar. Bu projede, Cohere API’nin çekirdek özelliklerini öğrenip bunları çok adımlı bir yapay zekâ ajanı geliştirmek için kullanacaksınız.
Ayrıca LangChain çerçevesinde ustalaşacak ve çeşitli yapay zekâ ajanlarını birbirine zincirlemeyi öğreneceksiniz.
Sonunda, kullanıcının sorgusunu alıp web’de arama yapan ve Python kodu üreten bir yapay zekâ uygulaması geliştireceksiniz. Ardından Python REPL kullanarak kodu çalıştıracak ve kullanıcının talep ettiği görselleştirmeyi döndürecek.
Kaynak: Cohere Command R+: Baştan Sona Eksiksiz Bir Eğitim
10. LangServe ile LLM uygulamaları dağıtma
Proje bağlantısı: LangServe ile LLM Uygulamaları Dağıtma
Bu projede, LangServe kullanarak LLM uygulamalarını nasıl dağıtacağınızı öğreneceksiniz. LangServe’i kurarak başlayacak, FastAPI kullanarak bir sunucu oluşturacak, sunucuyu yerelde test edecek ve ardından uygulamayı dağıtacaksınız. Ayrıca Prometheus çerçevesini kullanarak LLM’in performansını izlemeyi ve sonrasında Grafana ile model performansını panoda görselleştirmeyi öğreneceksiniz.
Öğrenecek çok şey var ve bu, talebi artan LLMOps alanında iş bulmanıza yardımcı olacaktır.
Kaynak: LangServe ile LLM Uygulamaları Dağıtma
İleri Düzey LLM Projeleri
İleri düzey LLM projeleri, üretime hazır uygulamalar geliştirmek ve hâlihazırda dağıtılmış LLM uygulamalarını iyileştirmek isteyen uzmanlar için tasarlanmıştır. Bu projeler üzerinde çalışarak, daha hızlı performans için GPU’lar yerine TPU’larda çıkarım ve ince ayar yapmayı, taksonomi oluşturmayı ve metin sınıflandırmayı otomatikleştirmeyi ve Microsoft Azure Cloud’da yapay zekâ uygulamaları geliştirmeyi öğreneceksiniz.
Ön koşullar: Python, LLM’ler, model ince ayarı, TPU’lar ve bulut bilişim hakkında iyi düzeyde bilgi.
11. LangGraph ile kendi kendini düzelten bir RAG ajanı oluşturma
Proje bağlantısı: Self-Rag: LangGraph Uygulamalı Bir Rehber
Geleneksel RAG sistemleri, alakasız verileri getirdiklerinde sıklıkla körlemesine başarısız olur. “Self-RAG”, bir eleştiri döngüsü ekleyerek bunu çözer: model, getirdiği belgeleri ve ürettiği yanıtları kendi değerlendirir; kalite standartlarının altında kalırsa reddeder veya yeniden üretir.
Bu projede, LangGraph kullanarak doğrusal zincirlerden döngüsel ajanlara geçeceksiniz. Yapay zekânın kendi çıktısını alaka ve halüsinasyon açısından etkin biçimde notlandırdığı sofistike bir kontrol akışını uygulayacaksınız. Bu mimari, güvenilir ve otonom yapay zekâ sistemleri kurmada en son yaklaşımı temsil eder.
Kaynak: Self-Rag: LangGraph Uygulamalı Bir Rehber
12. Bir TNT-LLM uygulaması geliştirme
Proje bağlantısı: GPT-4o ve LangGraph Eğitimi: Bir TNT-LLM Uygulaması Geliştirin
Microsoft’un TNT-LLM’i, GPT-4 gibi büyük dil modellerinin (LLM’ler) gücünden yararlanarak, minimum insan müdahalesiyle verimliliği ve doğruluğu artıracak şekilde taksonomi oluşturmayı ve metin sınıflandırmayı otomatikleştirmek üzere tasarlanmış, son teknoloji bir sistemdir. Bu projede, TNT-LLM’i LangGraph, LangChain ve OpenAI API kullanarak uygulayacaksınız.
Graf durum sınıfını tanımlayacak, veri kümelerini yükleyecek, belgeleri özetleyecek, mini yığınlar oluşturacak, taksonomiyi üretecek ve güncelleyecek, gözden geçirecek, TNT-LLM hattını StateGraph ile düzenleyecek ve son olarak taksonomiyi kümeleyip görselleştireceksiniz.
Kaynak: GPT-4o ve LangGraph Eğitimi
13. Azure bulut kullanarak bir yapay zekâ uygulaması geliştirme
Proje bağlantısı: Azure’da GPT Kullanma
Bulut bilişim deneyimi kazanmak, LLM ile ilgili herhangi bir alanda size pozisyon kazandıracak kritik bir beceridir. Azure bulutta bir LLM hattını kurma, otomatikleştirme, dağıtma ve sürdürme becerisine hâkim olmak, size LLM’lerde uzman unvanını kazandırır.
Bu projede, OpenAI’nin kullanıma göre öde örneğini nasıl kuracağınızı ve verilerinizle LLM’lerin ve Üretken Yapay Zekâ’nın gücünü gösteren basit uygulamalar geliştirmeyi öğreneceksiniz. Ayrıca bir vektör deposu kullanarak bir RAG uygulaması geliştirecek ve yapay zekâ uygulamasında halüsinasyonu azaltacaksınız.
Kaynak: Azure’da GPT Kullanma
Son Düşünceler
Yukarıda bahsedilen projeleri tamamlamak, kendi ürününüzü geliştirmek veya LLM alanında bir iş bulmak için size yeterli deneyim kazandıracaktır. Başarının anahtarı yalnızca kodlama veya ince ayar değildir; aynı zamanda dokümantasyon ve dikkat çekmek için çalışmalarınızı sosyal medyada paylaşmaktır. Projenizin iyi açıklanmış ve kullanıcı dostu olduğundan emin olun; dokümantasyona bir demo veya kullanılabilirlik rehberi ekleyin.
LLM’ler hakkında daha fazla bilgi edinmekle ilgileniyorsanız, Developing Large Language Models beceri yolunu keşfetmenizi kesinlikle öneririz. Bu yol, en yeni dil modellerini geliştirme tekniklerini, PyTorch ile derin öğrenmede ustalaşmayı, sıfırdan kendi dönüştürücü modelinizi oluşturmayı ve Hugging Face’teki önceden eğitilmiş LLM’leri ince ayar yapmayı öğretir.
