Skip to content

Loading...

Hero Background
Başlangıç Seviyesi3 Gün

MLOps – Temel Seviye Eğitimi | Modeli Üretime Alma, CI/CD, İzleme ve Yaşam Döngüsü Yönetimi

Makine öğrenimi modellerini üretime taşımak için MLOps temelleri: versiyonlama, CI/CD, Docker/Kubernetes dağıtımı, izleme-loglama ve yaşam döngüsü yönetimi.

Hemen Kaydol

Eğitim Hakkında

MLOps (Machine Learning Operations), makine öğrenimi modellerinin geliştirme, dağıtım, izleme ve bakım süreçlerini otomatikleştirerek, veri bilimciler ile operasyon ekipleri arasındaki işbirliğini güçlendiren bir disiplindir. Bu eğitim, MLOps'un temel kavramlarını, araçlarını ve süreçlerini tanıtarak, katılımcıların makine öğrenimi projelerini daha verimli, ölçeklenebilir ve sürdürülebilir hale getirmelerine olanak tanımayı hedefler.

Eğitim Metodolojisi

Uçtan uca yaşam döngüsü odağı: geliştirme → dağıtım → izleme → iyileştirme zinciri tek çerçevede

Araç + prensip dengesi: MLflow/DVC, Docker, Kubernetes, Prometheus/Grafana gibi araçları “neden-nerede” kurgusuyla öğretir

Pipeline düşünme: tekrarlanabilirlik, izlenebilirlik, geri alınabilirlik (rollback) ve kalite kapıları (validation) yaklaşımı

Üretim gerçekliği: latency, kaynak kullanımı, hata yönetimi, anomali tespiti ve operasyonel riskler

Governance farkındalığı: güvenlik, etik, uyumluluk ve adversarial risklerin üretime etkisi

Uygulamalı demo + vaka: basit bir referans MLOps pipeline’ı üzerinden somutlaştırma

Kimler İçindir?

Üretime alınacak ML modelleri geliştiren veri bilimcileri ve ML mühendisleri
ML iş yüklerini operasyonelleştiren DevOps / Platform / SRE ekipleri
Model servisleme, API’ler ve dağıtım süreçlerinde rol alan yazılım geliştiriciler ve IT profesyonelleri
ML projelerinde teslimat, risk ve operasyon koordinasyonu yapan proje yöneticileri ve iş analistleri
ML projelerini “PoC’den üretime” taşımak isteyen teknoloji liderleri ve ekipleri

Neden Bu Eğitim?

1

Modelinizi sorunsuz şekilde üretime alma ve ölçeklenebilir kılma yaklaşımını öğrenmek

2

Eğitim-test-dağıtım-izleme adımlarında otomasyon kurarak verimliliği artırmak

3

Veri bilimi, mühendislik ve operasyon ekipleri arasında işbirliğini standardize etmek

4

Üretimde model performansını sürekli izleme ve gerektiğinde güncelleme mekanizması kurmak

5

CI/CD ile sürdürülebilir model yaşam döngüsü yönetimi oluşturmak

Kazanımlar

MLOps ekosistemini ve bileşenlerini (veri, eğitim, dağıtım, izleme, otomasyon) net modelleme
Veri/deney/model için versiyonlama stratejisi tasarlama (MLflow/DVC yaklaşımı)
ML iş akışında CI/CD’nin rolünü ve kalite kapılarını (test, validasyon) kurgulama
Modeli Docker ile paketleyip Kubernetes/bulut üzerinde dağıtım yaklaşımlarını anlama ve planlama
Doğruluk, gecikme, kaynak kullanımı metrikleriyle izleme-dashboard mantığını kurma (Prometheus/Grafana)
Loglama, uyarı, anomali tespiti ve performans optimizasyonu ile operasyonel dayanıklılık geliştirme
Geri bildirim döngüsüyle yeniden eğitim ve güncelleme stratejileri üzerinden sürekli iyileştirme yaklaşımı
Güvenlik, etik ve uyumluluk gereksinimlerini üretim süreçlerine entegre etme

Gereksinimler

Python’da temel-orta seviye yeterlilik (veri işleme ve temel kod okuryazarlığı)
Makine öğrenimi temel kavramlarına aşinalık (eğitim-test, metrik, overfitting, temel modelleme)
Temel seviyede Git kullanım bilgisi (repo, commit, branch mantığı)
Docker/Kubernetes bilgisi şart değil; kavramlar eğitim içinde temelden oturtulur (avantaj sağlar)
Kurumsal katılımlarda: örnek senaryoları kurum verisiyle eşleştirmek için problem tanımı paylaşımı önerilir

Eğitim Müfredatı

1.1 MLOps’un Kapsamı ve Amaçları

1.1.1 MLOps nedir, ne değildir?

1.1.2 “Model geliştirme” ile “ML ürünü geliştirme” ayrımı

1.1.3 Üretim ML sistemlerinde başarı kriterleri: güvenilirlik, sürdürülebilirlik, ölçülebilir etki

1.1.4 ML projelerinin neden “operasyon” gerektirdiği: veri ve davranış değişkenliği

1.2 DevOps ile İlişkisi ve Ayrışan Noktalar

1.2.1 Kod odaklı yaşam döngüsü vs veri+model odaklı yaşam döngüsü

1.2.2 Deterministik olmayan (non-deterministic) eğitim ve çıkarım etkileri

1.2.3 “Offline iyi → Online kötü” problemi: dağılım farkı, etiket gecikmesi, geri bildirim döngüsü

1.2.4 ML’de operasyonel risk sınıfları: performans, güvenlik, uyum, maliyet

1.3 Uçtan Uca ML Yaşam Döngüsü (Lifecycle)

1.3.1 Veri toplama → hazırlama → eğitim → değerlendirme akışı

1.3.2 Paketleme → servisleme → izleme → yeniden eğitim akışı

1.3.3 Yaşam döngüsü varlıkları: dataset, feature set, model artifact, pipeline run, deployment

1.3.4 Yaşam döngüsü rolleri: geliştirme, yayın, operasyon, yönetişim

1.4 MLOps Bileşen Haritası (Concept Map)

1.4.1 Veri katmanı: kaynaklar, depolama, erişim, şema

1.4.2 Eğitim katmanı: pipeline, deney yönetimi, kaynak yönetimi

1.4.3 Model yönetimi: registry, stage, onay akışı

1.4.4 Dağıtım katmanı: servisleme, ölçekleme, sürüm geçişi

1.4.5 Gözlemlenebilirlik: metrik, log, iz, alarm, panolar

1.4.6 Yönetişim: güvenlik, etik, uyumluluk, denetlenebilirlik

1.5 Yaygın Anti-Pattern’ler ve Kök Neden Analizi

1.5.1 Notebook odaklı geliştirme → üretimde kırılganlık

1.5.2 Veri sızıntısı (leakage) → yanlış model seçimi

1.5.3 Eğitim/servis tutarsızlığı (train/serve skew) → canlı performans düşüşü

1.5.4 Sürümlemesiz yayın → geri dönüşsüz hatalar

1.5.5 İzlemesiz üretim → “karanlık model” problemi

Eğitmen

Şükrü Yusuf Kaya

Şükrü Yusuf Kaya

AI Danışmanı & Eğitmen

Şükrü Yusuf KAYA, yapay zeka teknolojilerinin küresel iş ortamına entegrasyonuna liderlik eden, uluslararası deneyime sahip bir Yapay Zeka Danışmanı ve Teknoloji Stratejistidir. 6 farklı ülkeye yayılan operasyonlarıyla, teknolojinin teorik sınırları ile pratik iş ihtiyaçları arasındaki boşluğu dolduruyor; bankacılık, e-ticaret, perakende ve lojistik gibi veri açısından kritik sektörlerdeki uçtan uca yapay zeka projelerini yönetiyor. Teknik uzmanlığını özellikle Üretken Yapay Zeka ve Büyük Dil Modelleri (LLM) konusunda derinleştiren KAYA, kuruluşların kısa vadeli çözümlere güvenmek yerine geleceği şekillendiren mimariler inşa etmelerini sağlıyor. Karmaşık algoritmaları ve gelişmiş sistemleri, kurumsal büyüme hedefleri doğrultusunda somut iş değerine dönüştürme konusundaki vizyoner yaklaşımı, onu sektörde aranan bir çözüm ortağı olarak konumlandırmıştır. Danışmanlık ve proje yönetimi kariyerinin yanı sıra eğitmenlik rolüyle de öne çıkan Şükrü Yusuf KAYA, "Yapay zekayı herkes için erişilebilir ve uygulanabilir kılmak" mottosuyla hareket ediyor. Teknik ekiplerden C düzeyindeki yöneticilere kadar geniş bir profesyonel yelpazesi için tasarlanan kapsamlı eğitim programları aracılığıyla, kurumsal yapay zeka okuryazarlığını artırmaya ve sürdürülebilir bir teknolojik dönüşüm kültürü oluşturmaya öncelik veriyor.

Sıkça Sorulan Sorular