AI için Veri Mühendisliği
Veri mühendisliği 1995'ten 2026'ya nasıl evrimleşti? DBA, ETL Developer, Data Engineer, Analytics Engineer ve AI Data Engineer rolleri arasındaki farklar, yetkinlik matrisi, Türkiye ve global maaş aralıkları, günlük iş akışı.
Bu kategori nasıl yapılandırıldı?
Her öğrenme kategorisi; temel kavramlardan üretim-seviyesi mimari kararlarına kadar progresif bir modül zinciri olarak tasarlanır — atlanmasa daha hızlı ilerlersin, ama her modül kendi başına da çalışılabilir.
Modül yapısı standart: kısa video/yazılı içerik (10–15 dakika), uygulamalı örnek (kod + veri), 10–15 soruluk değerlendirme, ve gerçek dünya use-case ile bağlanma kısmı. Bu yapı 'gördüm, anladım' yanılgısının önüne geçiyor — uygulamadan sonra değerlendirme, gerçekten içselleştirip içselleştirmediğini test ediyor.
Her kategoride üretim odaklı pratik vurgusu var: prompt engineering kategorisinde sadece prompt template'leri değil, prompt versiyonlama ve A/B testing; RAG'de sadece chunk-and-embed değil, hibrit retrieval + reranker + evaluation; LLMOps'ta sadece deployment değil, gözlemlenebilirlik ve maliyet attribusyonu.
Önerilen ilerleme yolu: ilk önce kategori-içi temel modülleri sırayla çalış, sonra ileri modüllerden ihtiyacın olanı seçici tüket. Kohort formatı tercih edersen drip-yayın seninle hızını koordine ediyor; bireysel formatta ise kendi hızında ilerleyebilirsin.
- Her modül 10–15 dakika içerik + uygulamalı örnek + değerlendirme.
- Üretime alma odaklı; teorik kalmıyor, gerçek vendor/araç kararlarına bağlanıyor.
- Modüller bağımsız çalışılabilir ama önerilen sıra hızı artırır.
- Pro üyelik ile sertifika sınavı + AI tutor + drip kohort erişimi.
İçindekiler
Modül 0: Giriş ve Lokal Stack
- 1
AI Çağında Veri Mühendisi Kimdir? DBA'dan AI Data Engineer'a 30 Yıllık Evrim
Veri mühendisliği 1995'ten 2026'ya nasıl evrimleşti? DBA, ETL Developer, Data Engineer, Analytics Engineer ve AI Data Engineer rolleri arasındaki farklar, yetkinlik matrisi, Türkiye ve global maaş aralıkları, günlük iş akışı.
- 2
Bu Kursta Ne Öğreneceksin? 11 Part, 34 Modül, 3 Capstone — Tam Yol Haritası
AI için Veri Mühendisliği kursunun tam yol haritası: 11 part, 34 modül, ~150 ders, 3 capstone proje. Hangi modül ne öğretiyor, hangi sırayla gitmek mantıklı, atölyeler ne içeriyor — kurs içeriğinin haritalı önizlemesi.
- 3
Atölye Kurulumu — uv + Docker Compose ile Postgres, MinIO, Kafka, Spark, Jupyter
Bu kursun tamamında kullanacağın profesyonel lokal veri stack'ini kur: uv ile Python 3.12, Docker Compose ile Postgres 16 + pgvector + MinIO + Kafka + Spark + JupyterLab. Adım adım, hata mesajları dahil.
Sıkça Sorulan Sorular
- Modüller, içerik dökümünde gösterilen sırayla ilerlemen için tasarlandı. İlk modül zemin oluşturur, sonraki modüller buna dayanır. Bir bölümü atlayabilirsin ama yan-modüllerde 'Önkoşullar' bölümü görünürse önce o derslere dön.