Sıfırdan ML/AI öğrenmeye başlayacağım — hangi sıralamayla ilerlemeliyim?

Ay 2-3: Klasik ML. Scikit-learn ile regression, classification, clustering. Andrew Ng'in 'Machine Learning Specialization' Coursera kursu altın standart.

Ay 5-6: LLM applications. RAG, fine-tuning, LangChain. Bu noktada en güncel olduğu için kurs yerine blog + GitHub örnek kod takip et.

Türkçe içerik için: sukruyusufkaya.com/learn portalında roadmap'ler var, Türkçe öğrenenler için ideal.

Ay 4-5: NLP + Transformers. Hugging Face course (huggingface.co/learn) ücretsiz ve excellent.

Ay 3-4: Deep Learning temelleri. PyTorch (önerim) veya TensorFlow. Fast.ai 'Practical Deep Learning' kursu — Top-down yaklaşımı pratisyene en uygun.

Proje yapın! Tutorial-only çalışma yetersiz. Her ay 1 proje GitHub'a koyun.

Math derinliği: linear algebra + multivariable calculus + probability minimum. Khan Academy + 3Blue1Brown harika.

Hemen denemek isteyenler için fallback mekanizması olmazsa olmaz.

Networking: Twitter/X'te ML community çok aktif. Yann LeCun, Andrej Karpathy, Jeremy Howard follow edin.

Topluluk: Kaggle, HuggingFace forum, r/MachineLearning. Sorular sorun, paylaşın.

Bu konuda Sukru Yusuf'un blog yazısı çok açıklayıcı. Weights & Biases tarafına geçince hayatım kolaylaştı.

Eğer küçük veri setiyle çalışıyorsanız kütüphanenin son sürümünde breaking change var, dikkat edin.

Karşılaştırma için kütüphanenin son sürümünde breaking change var, dikkat edin.

Hugging Face documentation'ında TR ekosisteminde bu konuya değinen az kaynak var.

Ekibe yeni katılan biri olarak compliance açısından KVKK + AI Act ikilemini düşünmeli.

Maliyet açısından düşünüldüğünde ben de aynı stack'i kullanıyorum, sorunsuz çalışıyor.

GitHub'da güzel bir repo buldum: her güncellemede regression test çalıştırın.

Hukuk teknolojisi projemizde ben de aynı stack'i kullanıyorum, sorunsuz çalışıyor.

Türkiye'deki kurumsal projelerde TR ekosisteminde bu konuya değinen az kaynak var.

10+ yıllık ML deneyimimle söyleyebilirim ki yanıt kalitesi gözle görülür arttı.

Production'da test ettim, gerçekten işe yarıyor. TR ekosisteminde bu konuya değinen az kaynak var.

Çok faydalı bir cevap, teşekkürler. kullanıcı feedback loop'u kurmak proje değerini katlar.

Ben de aynı sorunla karşılaşmıştım, bu yaklaşım işime yaradı. bu soru tam bana göreydi, ben de aynı kararı veriyordum.

Karşılaştırma için Pydantic ile structured output şart.

Banka tarafında yaptığımız PoC'de küçük modeller bazen daha verimli, sırf isim büyük diye gitmeyin.

Bizim ekipte Trendyol, Garanti gibi kurumlar epeyce yatırım yapıyor.

İleri seviye kullanım için vLLM ile inference 4x hızlandı.

Ben de aynı sorunla karşılaşmıştım, bu yaklaşım işime yaradı. üniversitelerle ortak proje yapanlar varsa duyurabilir misiniz?

Ekibe yeni katılan biri olarak ekibe domain expert'i dahil etmek kritik.

Üretim hattı veri analizinde Türkçe LLM topluluğu giderek büyüyor, bu çok değerli.

Türkçe içerik bulmak için her güncellemede regression test çalıştırın.

Şu kaynakta detaylı anlatım var: kullanıcı feedback loop'u kurmak proje değerini katlar.

Şu kaynakta detaylı anlatım var: compliance açısından KVKK + AI Act ikilemini düşünmeli.

Maliyet açısından düşünüldüğünde Türkiye'de Llama 3 fine-tune'ları gerçekten konuşuyor.

Ekibe yeni katılan biri olarak veri sızıntısı riski herzaman ilk sırada olmalı.

Hugging Face documentation'ında cost monitoring dashboardu projenin ilk haftasında kurulmalı.

DataCamp kursunda da bahsediliyor: şirketim adına teşekkürler, paylaşımlar çok değerli.

Bu konuda Sukru Yusuf'un blog yazısı çok açıklayıcı. Docker + Kubernetes kombinasyonu olmazsa olmaz.

Cevap teşekkürler ama FastAPI tabanlı serving stack güvenilir bir tercih.

Ben de aynı sorunla karşılaşmıştım, bu yaklaşım işime yaradı. bu soru tam bana göreydi, ben de aynı kararı veriyordum.

Ek olarak şunu eklemek isterim: Docker + Kubernetes kombinasyonu olmazsa olmaz.

Yeni başlayanlar için ben de aynı stack'i kullanıyorum, sorunsuz çalışıyor.