En İyi 13 AWS Projesi: Başlangıçtan Uzmanlığa

Bir projeyi tamamladığınızda kullandığınız kaynakları her zaman kapatmayı veya sonlandırmayı unutmayın. Beklenmedik maliyetlerden kaçınmak için hiçbir AWS hizmetini birkaç saatten uzun süre etkin durumda bırakmayın.

Başlangıç Seviyesi AWS Projeleri

AWS’ye nispeten yeniyseniz, bu projeler temel işlevleri keşfetmenize ve en iyi uygulamalar ile daha fazlasına aşina olmanıza yardımcı olabilir. 

AWS’ye başlarken: IAM rolleri ve S3

Bir AWS başlangıç kullanıcısı olarak en iyi başlangıç yolu, AWS ekosistemini ve hizmetlerini tanımaktır. AWS’ye giriş kursumuz sizi temel ve bazı ileri düzey kavramlarda gezdirecek.

Her başlangıç kullanıcısının çok iyi seviyede hakim olması gereken iki en yaygın hizmet IAM ve S3’tür.

AWS Identity and Access Management (IAM)

IAM hizmeti her AWS hesabıyla birlikte gelir. IAM aracılığıyla yeni kullanıcılar ekleyebilir ve bu kullanıcıların AWS hizmetlerine ve kaynaklarına erişimini kontrol edebilirsiniz.

IAM’ı nasıl kullanacağınızı ve güvenlik en iyi uygulamalarını takip etmeyi öğrenmeniz gerekir. Bu beceriler, bu makalede belirtilen AWS projeleri için kritik öneme sahiptir.

Kaynak: AWS

AWS Simple Storage Service (S3)

AWS S3 muhtemelen en popüler ve en yoğun kullanılan AWS hizmetlerinden biridir. Son derece maliyet etkin bir veri depolama çözümü sunar ve kurması inanılmaz derecede basittir. Amazon ayrıca alternatif bir depolama çözümü olarak Elastic File System (EFS) sunar. 

AWS depolama öğreticimiz S3 ve EFS’nin farklı özelliklerini ve avantajlarını inceler.

Bu makaledeki projelerin çoğu bir şekilde S3’ü depolama çözümü olarak kullanacak ve muhtemelen kariyeriniz boyunca yoğun şekilde kullanacaksınız. Amazon S3’nün ne olduğunu tazelemek ve AWS depolama hizmetleri bölümüne göz atmak için AWS’ye Giriş kursumuzdan yararlanın.

1. Amazon S3’te statik bir web sitesi barındırma

Bu makaledeki projelere basit statik web sitesi barındırmayla başlıyoruz. Yalnızca birkaç AWS hizmetini kullanmayı öğrenmekle kalmayıp, projelerinizi sergilemek ve gelecekteki işverenlere gönderebileceğiniz bir portföyde AWS becerilerinizi göstermek için de harika bir yol olduğundan, kendi statik web sitenizi oluşturmanız önerilir.

AWS dokümantasyonu, Route 53 ile kaydedilmiş bir alan adı kullanarak statik bir web sitesi yapılandırma hakkında takip etmesi çok kolay bir öğretici içerir.

Bu projede kullanılan AWS hizmetleri:

• Alan adı kaydı için Amazon Route 53.
• Web sitesi içeriğinizi depolamak için Amazon S3.
• Statik web sitenizi hızlandırmak için CloudFront.
• Güvenlik için Lambda@Edge (CloudFront’un bir özelliği).

2. AWS Elastic Beanstalk ile basit bir Python web uygulaması dağıtma

Kaynak: AWS

AWS Elastic Beanstalk’ın temel çalışma prensiplerini öğrenmenin en iyi yollarından biri, Flask veya Django ile bir Python web uygulaması dağıtmaktır.

AWS Elastic Beanstalk, altyapıyı yönetme derdi yerine uygulama kodunuza odaklanmanızı sağladığı için web uygulamaları dağıtmak için harika bir hizmettir. 

Bununla birlikte, ortam değişkenleri, yük dengeleme ve otomatik ölçekleme gibi uygulamanızı doğru şekilde yapılandırmak için bazı temel kavramları yine de öğrenmeniz gerekir. Bu uygulamalı deneyim, bazı temel DevOps kavram ve uygulamalarına iyi bir giriş sağlar.

3. Amazon RDS üzerinde SQL Server veritabanları dağıtma

Amazon RDS for SQL Server atölyesi Amazon RDS’yi adım adım anlatır. Bir VT örneği (DB instance) oluşturacak ve yedeklemeler, güvenlik, ölçekleme, iyileştirme ve örneğinizi izlemeyle ilgili önemli kavramları öğreneceksiniz.

Orta Düzey AWS Projeleri

Bu projeler, yeni başlayanlara ölçeklenebilir ve verimli çözümler için bulut hizmetlerini nasıl kullanacaklarını öğretirken, görüntü işleme ve etkileşimli chatbotlar gibi gerçek dünya kullanım senaryolarını ele alma konusunda da pratik deneyim sunar.

4. Sunucusuz bir görüntü işleme sistemi oluşturma

Bu proje, AWS Step Functions, AWS Lambda, Amazon DynamoDB ve Amazon SNS kullanarak sunucusuz bir görüntü işleme iş akışı oluşturma konusunda size rehberlik eder.

Birden çok hizmeti orkestre etmek için AWS Step Functions’dan yararlanarak, modern bulut tabanlı çözümler için kritik bir beceri olan karmaşık iş akışlarını orkestre etmeyi ve otomatikleştirmeyi öğreneceksiniz.

Bu projede kullanılan AWS hizmetleri:

• Yüklenen bir görüntüde yüz olup olmadığını tespit etmek için Amazon Rekognition.
• Projede gerekli kaynakları hızla kuran bir şablon için AWS CloudFormation
• İş akışını orkestre etmek için AWS Step Functions.
• Rekognition’ı çağırmak için AWS Lambda.
• Görüntü metaverisini depolamak için Amazon DynamoDB.
• Amazon Simple Notification Service (SNS).
• Yeni bir görüntü yüklendiğinde durum makinesini tetiklemek için Amazon EventBridge.

Kaynak: AWS

5. AWS Lex ile bir chatbot oluşturma

Chatbotlar şu sıralar çok revaçta ve AWS Lex, kişisel veya kurumsal web sitenize entegre edilebilen bir web arayüzüne sahip bir chatbot kurmayı inanılmaz derecede basitleştirir.

Kaynak: AWS

AWS, size chatbot kurulumu ve kullanımında uygulamalı deneyim sunacak bir örnek Amazon Lex UI projesi sunar. Amazon CloudFormation şablonu kullanmak, chatbot UI’ını oluşturmak ve yapılandırmak için gereken tüm kaynakları otomatik olarak oluşturarak bu süreci daha da hızlandırır.

Bu projede kullanılan AWS hizmetleri:

• Tarayıcıdan yapılan Lex API çağrılarını kimlik doğrulamak için kimlik bilgileri oluşturmak üzere Amazon Cognito kimlik havuzu.
• Chatbot için AWS Lex.
• Şablon için Amazon CloudFormation.

İleri Düzey AWS Projeleri

Bu bölümde, geniş bir AWS hizmet yelpazesi kullanan makine öğrenimi ve yapay zekâ tabanlı projeler sunuyoruz.

Bu projeler, kullanıcı deneyimlerini ve iş süreçlerini geliştiren etkili, son teknoloji çözümler oluşturmanızı sağlayan gelişmiş teknolojileri ve becerileri tanıtır.

AWS ile makine öğrenimi projeleri

Amazon Sagemaker, AWS’de makine öğrenimi modelleri oluşturma, eğitme ve dağıtma için tamamen yönetilen, esnek ve ölçeklenebilir bir hizmettir. Makine öğrenimini içeren ileri seviye AWS projeleri için tercih ettiğimiz araçtır.

Bu hizmetin kapsamlı bir özetini görmek için Sagemaker’a giriş öğreticisine göz atın.

6. Amazon Sagemaker kullanarak kapsamlı bir makine öğrenimi sahtecilik tespit çözümü dağıtma

Bu bölümdeki ilk proje, AWS tarafından oluşturulan kapsamlı bir uçtan uca makine öğrenimi sahtecilik tespit çözümüdür.

Bu proje, veri hazırlığı, model eğitimi ve dağıtım sürecinde size rehberlik edecek. Tüm makine öğrenimi sürecine dair içgörü kazanacak ve sonunda tam işlevsel bir sahtecilik tespit sistemi elde edeceksiniz.

Kaynak: AWS

Projeyi etkin şekilde takip edebilmek için temel Python becerileri gereklidir. Ancak kod iyi açıklanmıştır; bu nedenle Python öğrenme aşamasında olsanız bile takip edebilirsiniz.

7. Amazon Sagemaker’da bir öneri sistemi oluşturma

Bu projede, Amazon Sagemaker üzerinde müşteri değerlendirme verilerini kullanarak bir öneri sistemi eğitecek ve dağıtacaksınız.

Bu proje, öneri sistemleri oluştururken kullanılan temel kavramları tanıtır. Derin öğrenme kavramları ve SageMaker ile ölçeklenebilir model eğitimi ve dağıtımı konusunda pratik deneyim kazanacaksınız.

Öneri sistemleri e-ticaret, içerik akışı ve diğer sektörlerde yaygın olarak kullanıldığından, bu proje oldukça alakalıdır ve öğrenilen becerilere gerçek dünya bağlamı sağlar.

8. Amazon Sagemaker ve MXNet verileriyle bir görüntü sınıflandırma hattı (pipeline) kurma

Bu projede, Amazon Sagemaker ile bir görüntü sınıflandırma hattı oluşturacaksınız.

Bu proje sizi görüntü sınıflandırmaya, bilgisayarlı görüde temel bir göreve, giriş yapmanızı sağlar. Ancak tüm ağır işi Amazon Sagemaker’a bırakarak, kendi özel modellerinizi oluşturmaya odaklanmak yerine iş akışını ve temel kavramları anlamaya yoğunlaşabilirsiniz.

AWS ile yapay zekâ projeleri

İleri seviye projelerin ikinci kısmı yapay zekâ tabanlı çözümlere odaklanır. Üretken yapay zekâ, büyük dil modelleri ve ChatGPT şu anda yapay zekâ pazarına hakim, bu da yapay zekâ becerilerinizi geliştirmek için iyi bir zaman olduğu anlamına geliyor.

Bu projelere yaklaşırken, DataFramed podcastinde incelediğimiz şu sektör perspektifini aklınızda bulundurun:

Amazon Bedrock, üretken yapay zekâ çözümlerini kolay ve güvenli bir şekilde denemenize ve dağıtmanıza olanak tanıyan, tamamen yönetilen, sunucusuz bir hizmettir.

Bedrock’a ve nasıl çalıştığına giriş için bu Amazon Bedrock atölyesine göz atın.

9. Temel modeller ve AWS kullanarak çok modlu bir RAG oluşturma

Bu ilk projede, Amazon Bedrock ve Amazon Sagemaker üzerinde barındırılan temel modelleri kullanarak çok modlu bir RAG oluşturacaksınız.

Amaç, sunum dosyalarındaki (örneğin Microsoft PowerPoint) tablolardan, grafiklerden ve metinlerden bağlamsal olarak ilgili bilgileri çıkarmaktır. Verilerin farklı biçimlerde (görseller veya metin gibi) olduğu ve içgörü çıkarmanın gerektiği durumlarda çok modlu bir RAG özellikle kullanışlıdır.

Amazon Bedrock ve SageMaker üzerindeki temel modellerle çalışarak, en güncel yapay zekâ araçlarıyla uygulamalı deneyim kazanabilirsiniz. Karmaşık veri çıkarımı ve analizi için yapay zekâdan nasıl yararlanılacağını bilmek, çeşitli sektör ve uygulamalarda son derece değerli bir beceridir.

10. AWS üzerinde aracıl (agentic) bir LLM asistanı geliştirme

Bu projede, Bedrock, Lambda, Cognito, Aurora ve S3 kullanarak AWS üzerinde bir aracıl LLM asistanı geliştireceksiniz.

Bu, kapsamlı bir üç katmanlı mimariye pratik bir bakış sunan derinlemesine bir projedir. Ayrıca, bulut tabanlı bir platformda yapay zekâ tabanlı bir çözümün nasıl geliştirildiğini ve dağıtıldığını gerçekçi bir şekilde gösterir.

Bu proje ayrıca Cognito ile kullanıcı kimlik doğrulaması ve Aurora ile S3 üzerinden veri yönetimi gibi kritik yönleri kapsar; bu da güvenli ve verimli uygulama geliştirme konusunda kapsamlı bir anlayış kazandırır.

Kaynak: AWS

AWS DevOps Projeleri

DevOps beş ana alanı veya en iyi uygulamayı kapsar:

• Sürekli entegrasyon ve sürekli teslimat
• Mikroservisler
• Kod olarak altyapı
• İzleme ve günlükleme
• İletişim ve iş birliği

AWS, bu alanların tümüne hitap eden hizmetler sunar; bu da DevOps alanında kariyer inşa etmek istiyorsanız öğrenmek ve ustalaşmak için iyi bir tercih olmasını sağlar. Bu bölümde, yukarıdaki alanların üçüne AWS hizmetlerini kullanarak değinen projeler sunuyoruz.

11. ECS, Terraform ve CodePipeline kullanarak tam yığın bir uygulama geliştirme

Bu proje, AWS hizmetlerini kullanarak bir tam yığın uygulamayı dağıtmak için sağlam bir mimari oluşturmanın nasıl yapılacağını gösterir.

Yönetilen konteyner hizmetleri ve Kod Olarak Altyapı (IaC) kullanmanın verimli ve güvenilir uygulama dağıtımı için faydalarını vurgular.

ECS ile konteyner yönetimi, Terraform ile Kod Olarak Altyapı ve CodePipeline ile CI/CD gibi temel AWS hizmetleriyle uygulamalı deneyim kazanarak kritik bulut becerileri edineceksiniz.

Sürekli entegrasyon ve sürekli dağıtım (CI/CD) boru hatlarını entegre ederek, bu proje sizi modern DevOps uygulamalarıyla da tanıştırır. Uygulamaları daha güvenilir ve verimli şekilde nasıl dağıtacağınızı öğreneceksiniz. Bu beceriler, üretim ortamlarında sorunsuz ve otomatikleştirilmiş bir iş akışını sürdürmek için kritik öneme sahiptir.

Kaynak: AWS

12. Otomatik bir CloudWatch alarm raporlama sistemi kurma

Bu proje, belirli bir AWS bölgesinde tetiklenen Amazon CloudWatch alarmlarının günlük raporlarını oluşturan otomatik bir CloudWatch alarm raporlama sistemi oluşturma konusunda size rehberlik eder. Amazon EventBridge tarafından tetiklenen bir AWS Lambda işlevi tarafından oluşturulan rapor, bir S3 kovasına CSV dosyası olarak kaydedilir ve Amazon SES aracılığıyla e-posta ile gönderilir.

Bu proje, Lambda, EventBridge ve SES gibi AWS hizmetlerini kullanarak görevleri otomatikleştirmeye giriş niteliğindedir. DevOps’un önemli bir yönü olan izleme ve raporlama süreçlerinin nasıl kolaylaştırılacağını gösterir.

Ayrıca, bütünleşik bir çözüm oluşturmak için birden fazla AWS hizmetini (Lambda, S3, SES) nasıl entegre edeceğinizi göstererek bulut ortamlarında hizmet orkestrasyonunun önemini öğretir.

Kaynak: AWS

13. Amazon ECS ve AWS Fargate kullanarak kapta barındırılan bir web uygulaması geliştirme

Bu proje, Amazon ECS ve Fargate kullanarak kapta barındırılan bir web uygulaması oluşturmayı ve dağıtmayı içerir. Uygulama, kullanıcı seçimine bağlı olarak rastgele kedi veya köpek resimleri gösterir.

Docker kullanarak konteynerleştirme ve Amazon ECS ile Fargate kullanarak orkestrasyon konularında uygulamalı deneyim kazanacaksınız.

AWS Fargate, sanal makine kümelerini hazırlama, yapılandırma veya ölçeklendirme ihtiyacı olmadan konteynerleri yönetmek ve çalıştırmak için temel bir DevOps aracıdır.

Proje ayrıca yük testi konusunu da kapsar; bu sayede farklı trafik koşullarında web uygulamalarınızın ölçeklenebilirliğini ve güvenilirliğini nasıl değerlendireceğinizi ve güvence altına alacağınızı öğrenirsiniz.

Kaynak: AWS

Sonuç

Bu makale, tüm seviyelerde becerileri geliştirmek üzere tasarlanmış bir dizi AWS projesi sunar. Uygulamalı projelerin, çeşitli teknik roller için gerekli olan AWS hizmetlerinde pratik deneyim ve yetkinlik kazanmadaki önemini vurgular.

İster bulut teknolojilerinde kariyer hedefleyin ister yalnızca AWS becerilerinizi geliştirmek isteyin, bu makaledeki projeler değerli öğrenme fırsatları sunar.

AWS’de güçlü bir kariyer inşa etmek için önce AWS’ye Giriş kursumuza kaydolun ve ardından sertifikasyon aşamasına ilerleyin. AWS cloud practitioner rolü için kariyer ve maaş seçeneklerine göz atmak isterseniz, sıradaki detaylı rehberimize bakın!