Neden Almalısın? – Makine Öğrenmesi & MLOps Eğitimi

Günümüz veri odaklı dünyasında makine öğrenmesi modelleri geliştirmek tek başına yeterli değildir; bu modelleri uçtan uca yönetebilmek ve canlıya alabilmek, iş dünyasında gerçek fark yaratır. Bu program, katılımcılara sadece algoritma bilgisi değil, MLOps kültürü ve endüstri standardına uygun uygulama deneyimi kazandırır.

Eğitim boyunca öğrenciler, veri toplama ve temizlemeden model geliştirme, versiyonlama, pipeline kurma, API üzerinden deployment ve model monitoring süreçlerine kadar gerçek bir endüstri projesi üzerinde deneyim kazanacaklardır.

Eğitimin Amacı

Makine öğrenmesi algoritmalarını derinlemesine öğrenmek

Veri bilimi yaşam döngüsü (CRISP-DM, OSEMN) ve uygulamalarını kavramak

Uçtan uca ML projeleri geliştirebilmek: veri toplama, modelleme, versiyonlama, pipeline oluşturma, deployment ve monitoring

MLOps araç zincirini (Git, DVC, MLflow, Airflow, FastAPI, Docker, CI/CD) etkin kullanabilmek

Bulut tabanlı deployment süreçlerini yönetebilmek (AWS/GCP/Azure)

Endüstri standardına uygun, üretime hazır makine öğrenmesi projeleri geliştirebilmek

Kimler Katılmalı?

Makine öğrenmesi projelerini uçtan uca yönetmek isteyen veri bilimciler

Veri analizi ve Python bilgisine sahip, ML projelerini gerçek endüstri deneyimi ile geliştirmek isteyenler

AI ve MLOps ekosisteminde profesyonel yetkinlik kazanmak isteyen öğrenciler veya çalışanlar

Eğitim Boyunca Öğrenecekleriniz

Faz 1 (Hafta 1–10) – Makine Öğrenmesi Temelleri

Veri bilimi yaşam döngüsü, Python ekosistemi ve EDA

Feature engineering, regresyon ve ağaç yöntemleri

Gözetimsiz öğrenme ve derin öğrenme temelleri

NLP giriş, model değerlendirme ve optimizasyon

Deliverable: Basit ML projesi (ör. churn prediction) + rapor

Faz 2 (Hafta 11–18) – MLOps Temelleri

Kod ve veri versiyonlama, deney takibi, feature store

Pipeline orkestrasyonu, model registry, servisleştirme (FastAPI + Docker)

CI/CD entegrasyonu, monitoring & observability

Deliverable: Dockerized FastAPI servisi, MLflow deneyleri, CI/CD pipeline prototipi

Faz 3 (Hafta 19–28) – Uçtan Uca Grup Projesi

Veri toplama ve temizleme, feature engineering, modelleme, hyperparameter tuning

Model registry, CI/CD entegrasyonu, deployment ve monitoring dashboard

Deliverable: GitHub repo + canlı API + Docker image + monitoring dashboard + proje raporu & sunum

Final Projeler ve Çıktılar

Endüstri standardına uygun ML kod deposu (GitHub)

Dockerize edilmiş API servisi

Monitoring dashboard (Prometheus/Grafana, Evidently AI)

Detaylı proje raporu ve Demo Day sunumu

Eğitim Sonunda Kazanacaklarınız

Makine öğrenmesi ve MLOps süreçlerini uçtan uca yönetebilme yetkinliği

Gerçek veri setleriyle endüstri standardına uygun ML projeleri geliştirebilme

CI/CD ve Docker tabanlı deployment ile profesyonel ML servisleri oluşturabilme

Monitoring ve model performans analizi ile sürdürülebilir AI çözümleri tasarlayabilme