Profesyoneller İçin 8 Haftalık Uygulamalı Yapay Zeka Eğitim Planı
Bu yol haritası, farklı meslek gruplarından profesyonellerin iş bağlamında yapay zekâyı anlaması ve uygulaması için hazırlanmış bir çalışma planıdır. İçerik, temel kavramlardan başlayıp model geliştirme, değerlendirme ve üretime alma süreçlerine kadar pratik uygulamalar içerir. Resmi eğitim kılavuzlarındaki modüler ve uygulamalı yaklaşımlar dikkate alınarak hazırlanmıştır; örneğin TÜBİTAK tarafından sunulan modüler 8 haftalık öğretim yaklaşımı ve Milli Eğitim Bakanlığı atölye önerileri rehbere kaynaklık etmiştir (TÜBİTAK kılavuzu, MEB atölye dokümanı).
Programın amacı, katılımcıların 8 hafta sonunda iş problemlerine yönelik en az bir prototip geliştirebilmesi ve bu prototipi ekip içinde ölçülebilir şekilde sunabilmesidir. Plan şablonudur; katılımcıların önceki bilgi düzeyi ve kurum ihtiyaçlarına göre uyarlanması önerilir.
Hedef Kitle ve Önkoşullar
- Hedef kitle: Veri analistleri, ürün yöneticileri, iş analistleri, yazılım geliştiriciler ve yapay zekâ uygulamalarını işine katmak isteyen yöneticiler.
- Önerilen önkoşullar: Temel programlama bilgisi (tercihen Python), temel istatistik/olasilik bilgisi ve Excel/CSV veri ile çalışma deneyimi. Eğer Python bilgisi sınırlıysa 1. haftada veya ek bir hızlandırılmış atölyede takviye planlayın.
- Önerilen haftalık çalışma süresi: 6–10 saat (katılımcı profiline göre artırılabilir).
Eğitim Planı Özeti (Hafta -> Tema)
| Hafta | Ana Konu | Pratik Çalışma |
|---|---|---|
| 1 | Yapay Zekâya Giriş & İş Değeri | İş senaryosu belirleme |
| 2 | Python & Veri Ön İşleme | Temizleme ve keşif analizleri |
| 3 | Makine Öğrenmesi Temelleri | Basit sınıflandırma/regresyon |
| 4 | Model Değerlendirme ve İyileştirme | CV, Hiperparametre |
| 5 | Derin Öğrenmeye Giriş | Basit neural network uygulaması |
| 6 | NLP & Büyük Dil Modelleri | Metin sınıflama / prompt denemeleri |
| 7 | MLOps ve Yayına Alma Temelleri | Model API / konteyner |
| 8 | Capstone Projesi ve Sunum | Projeyi tamamla ve değerlendir |
Haftalık Detaylı Program
Hafta 1 — Yapay Zekâya Giriş ve İş Değeri
Hedef: Yapay zekânın temel kavramlarını, sınıflandırmasını ve iş senaryolarında nasıl değer üretebileceğini kavramak. Katılımcıların kendi iş alanlarından bir problem seçmesi istenir (ör. müşteri segmentasyonu, satış tahmini, süreç otomasyonu).
- Süre: 4–6 saat (kuramsal) + 2 saat vaka seçimi
- Çıktı: Problemin tanımı ve başarı kriterleri (KPI) — kısa bir iş gerekçesi dökümü
Hafta 2 — Python ve Veri Ön İşleme
Hedef: Veri yükleme, temizleme, temel keşifsel veri analizi (EDA) ve görselleştirme. Jupyter Notebook veya benzeri ortamlar üzerinden tekrarlanabilir adımlar oluşturulur.
- Temel araçlar: Python, pandas, matplotlib/seaborn, Jupyter
- Çıktı: Temizlenmiş veri seti ve kısa bir EDA notebook'u
Hafta 3 — Makine Öğrenmesi Temelleri
Hedef: Denetimli (sınıflandırma/regresyon) ve denetimsiz öğrenmenin temel mantığını öğrenmek; scikit-learn ile basit modellerin uygulanması.
- Konular: Train/test ayrımı, temel algoritmalar, temel değerlendirme metrikleri
- Pratik: İş probleminize yönelik baseline model geliştirme
Hafta 4 — Model Değerlendirme ve İyileştirme
Hedef: Modelin güvenilirliğini artırma; çapraz doğrulama, hiperparametre aramaları ve basit özellik mühendisliği uygulamaları.
- Pratik: Grid search/Random search ile model tuning; sonuçların raporlanması
Hafta 5 — Derin Öğrenmeye Giriş
Hedef: Yapay sinir ağlarının temel yapısı ve küçük ölçekli uygulamalar (ör. basit görüntü sınıflandırma veya tabular veride derin öğrenme denemesi).
- Araçlar: TensorFlow veya PyTorch (temel katmanlar ve eğitim döngüsü)
- Pratik: Küçük bir model eğitme ve eğitim/validasyon sonuçlarını inceleme
Hafta 6 — Doğal Dil İşleme (NLP) ve Büyük Dil Modelleri
Hedef: Metin verisiyle çalışma, temel NLP işlemleri (tokenization, embedding) ve iş akışlarında büyük dil modellerinin (LLM) nasıl yararlı olabileceği hakkında uygulamalı denemeler yapmak.
- Pratik: Metin sınıflama veya kısa bir bilgi çıkarımı akışı; basit prompt denemeleri
Hafta 7 — MLOps ve Üretime Alma
Hedef: Model versiyon yönetimi, hafif üretime alma senaryoları ve izleme kavramları. Bu haftada basit bir model API'si hazırlanması önerilir.
- Pratik: Modeli bir API olarak sunma (ör. Flask/FastAPI) ve temel sağlık metriklerini izleme önerileri
Hafta 8 — Capstone Projesi ve Sunum
Hedef: Seçilen iş problemini çözen, dokümante edilmiş ve çalışan bir prototip sunmak. Değerlendirme; teknik başarı, iş etki ölçümü ve dokümantasyon temelinde yapılır.
- Çıktı: Sunum slaytları, çalışan notebook veya kod deposu, kısa kullanım rehberi
Değerlendirme ve Ölçütler
Önerilen değerlendirme unsurları: ön-test/son-test (temel kavramlar), sprint tabanlı kontrol noktaları, teknik kalite (kod ve model), iş değeri (KPI'lar) ve sunum becerisi. Proje rubriği oluşturun: problem tanımı (20%), veri kalitesi (20%), model performansı ve açıklanabilirlik (30%), iş etkisi ve sunum (30%).
Kurumsal Uygulama İçin Öneriler
- Pilot grup seçin: Farklı seviyeden 8–12 kişilik bir pilot ekiple başlayın.
- İş sahipleriyle (stakeholder) haftalık kısa geribildirim oturumları planlayın.
- Başarıyı ölçün: Proje tamamlama oranı, pilot sonrası benimseme planları, iş süreçlerinde gözlemlenebilen değişiklikler.
- Kaynak yönetimi: Eğitim sürecinde kullanılan veri ve model kayıtlarını merkezi bir depoda tutun.
Önerilen Araçlar ve Kaynaklar
- Geliştirme: Python, Jupyter, pandas, scikit-learn, TensorFlow veya PyTorch
- Sürüm ve Kod Paylaşımı: Git / GitHub veya benzeri
- Model Yayını: Basit API servisleri (Flask/FastAPI) ve konteynerleştirme önerisi
- Dökümantasyon: Reproducible notebooklar ve kısa kullanım rehberleri
Sınırlamalar ve Uyarılar
Bu plan bir şablondur ve kurumunuzun veri erişimi, gizlilik gereksinimleri ve çalışanların mevcut beceri setlerine göre uyarlanmalıdır. Resmi eğitim kılavuzları uygulama yolları hakkında fikir verirken, kurum içi veri gizliliği ve düzenleyici gereksinimler için kurumunuzun hukuk ve uyum ekipleriyle görüşün.