Udemy
    •  
    •  
    •  
    •  
    •  
    •  
    •  
    •  
Subscribe
Turn what you know into an opportunity and reach millions around the world.
Learn More
Your cart is empty.
Keep shopping
Üretken Yapay Zeka: Hugging Face ile Doğal Dil İşleme (NLP)
Highest Rated
Rating: 4.4 out of 5(112 ratings)
855 students

Üretken Yapay Zeka: Hugging Face ile Doğal Dil İşleme (NLP)

Büyük Dil Modelleri ile Generative AI Uygulamaları | Python ile Yapay Zeka, Veri Bilimi, Makine Öğrenmesi Projeleri
Highest Rated
Created byTirendaz Academy
Last updated 1/2026
Turkish

What you'll learn

  • Uçtan uca NLP projesi geliştirme
  • BERT ve GPT gibi büyük dil modelleri ile çalışma
  • Hugging Face ekosistemini anlama
  • Birkaç kod satırı ile gerçek dünya problemlerini çözme
  • Pipeline'lar ile NLP uygulamaları
  • Duygu analizi ve metin sınıflandırma
  • Token sınıflandırma (NER)
  • Modern stratejiler ile metin üretme
  • Büyük dil modellerini fine-tune etme
  • Gradio ile NLP uygulamaları yapma
  • PyTorch ile Transformers kütüphanesini kullanma
  • Encoder, decoder ve seq2seq mimarilerini öğrenme

Course content

7 sections • 36 lectures • 8h 38m total length

  • Büyük Dil Modellerine Giriş12:32

    GPT, BERT ve Gemini gibi günümüzde öne çıkan büyük yapay zekâ modellerinin büyük kısmı Transformer mimarisi üzerine inşa edilmiştir. Bu yüzden modern doğal dil işlemeyi (NLP) gerçekten kavramak için, Transformer’ın nasıl çalıştığını anlamak kritik bir adımdır.

    Bu derste önce Transformer mimarisinin temel yapı taşlarını netleştirecek, ardından Hugging Face’in Transformers kütüphanesine giriş yaparak bu mimarinin pratikte nasıl kullanıldığını göreceğiz.

    Bu derste ele alacağımız konular:

    • Encoder–Decoder nedir?

    • Transformer mimarisi (temel bileşenler ve çalışma mantığı)

    • Transfer learning (önceden eğitilmiş modellerle ince ayar mantığı)

    • Transformers kütüphanesine giriş (kurulum, temel kullanım ve örnek akış)

  • HuggingFace Ekosistemi1:21
  • Pipeline'lar ile Doğal Dil İşlemeye Giriş23:14

    Doğal dil işleme (NLP) analizleri uzun süre hem maliyetli hem de zaman alan süreçlerdi. Neyse ki son yıllarda geliştirilen modern yaklaşımlar sayesinde bu işler ciddi ölçüde kolaylaştı. Bu derste göreceğiniz gibi, Transformers kütüphanesinin pipeline yapısını kullanarak yalnızca 3–4 satır kodla güçlü NLP uygulamaları geliştirebileceğiz.

    Bu ders boyunca, Transformers ile pipeline mantığını öğrenip 7 farklı NLP görevini uçtan uca nasıl gerçekleştireceğinizi adım adım inceleyeceğiz:

    • Doğal dil işleme (NLP) nedir?

    • Transformers kurulumu ve yükleme

    • Duygu analizi (Sentiment Analysis)

    • Zero-shot sınıflandırma

    • Metin üretme (Text Generation)

    • İsimlendirilmiş varlık tanıma (NER)

    • Soru-cevap (Question Answering)

    • Metin özetleme (Summarization)

    • Çeviri (Translation)

  • Pipeline'lar ile Çalışmak21:15

    Pipeline’lar sayesinde NLP ve ses gibi alanlarda analizleri çok pratik bir şekilde yapabilirsiniz. Ancak pipeline yaklaşımı sadece “hazır model + hazır ayar” demek değildir; aynı yapıyı çok daha esnek kullanabilirsiniz. İsterseniz varsayılan modeli kullanmak yerine, kendi seçtiğiniz modeli ve tokenizer’ı tanımlayarak süreci tamamen kontrol edebilirsiniz.

    Bu derste önce speech recognition (konuşma tanıma) örneğiyle pipeline mantığını uygulayacağız. Ardından duygu analizi için özellikle seçtiğimiz bir model ve onun tokenizer’ı ile tahmin (inference) sürecini kuracağız. Son olarak da eğittiğiniz/uyarladığınız modeli nasıl kaydedip yeniden kullanacağınızı göreceksiniz.

    Bu derste ele alacağımız konular:

    • Speech recognition için pipeline kullanımı

    • Veri setini yükleme

    • Veri ön işleme

    • AutoModel ile model seçimi ve yükleme

    • Tahmin (inference) süreci

    • Modeli kaydetme ve tekrar yükleme

  • Transformers ile Model Eğitmek17:39

    Bu dersimizde Transformers ile fine-tuning nasıl yapılır göreceğiz.

    Bu dersi, Kaggle üzerinde çalıştıracaksanız, eğitim sürecinin hızlı ilerlemesi için GPU’yu açmayı unutmayın:

    Settings → Accelerator → GPU (T4 x2)

    Ele alacağımız başlıklar:

    • Veri setini yükleme

    • Modeli yükleme

    • Veri ön işleme

    • Hiperparametreleri ayarlama

    • Model eğitimi

    • Model ile tahmin (inference)

  • Transformers'a Giriş Pratik Test

Requirements

  • Python

Description

Merhaba arkadaşlar,

HuggingFace ile doğal dil işleme kursuna hoş geldiniz.

Bu kursta, HuggingFace ekosistemindeki Transformers, Dataset, PEFT ve Gradio gibi kütüphaneleri kullanarak doğal dil işlemeyi ve GPT ve BERT gibi büyük dil modelleri ile nasıl çalışılacağını öğreneceksiniz.

Doğal dil işleme, yapay zekanın bir alt alanı ve günümüzün en popüler alanlarından biri. ChatGPT gibi yapay zeka araçları bu alandaki teknikler kullanılarak geliştirildi.

GPT ve BERT gibi büyük dil modellerini sıfırdan eğitmek zordur. Çünkü çok fazla zaman ve para gerektirir. Şanslıyız ki son zamanlarda geliştirilen HuggingFace tarafından geliştirilen Transformers kütüphanesini kullanarak büyük dil modelleri ile çalışmak kolaylaştı.

Büyük dil modelleri 2017 yılında Google tarafından geliştirilen Transformers mimarisine dayanmaktadır. Bu mimari kullanılarak bir çok model geliştirildi. Artık çağımız bu transformer mimarisine dayalı büyük dil modellerinin çağı.

Bu modeller ile çalışmak için tek yapmanız gereken onları kendi projeniz için ayarlamak. Bu kütüphaneyi kullanarak sadece bir kaç satır kod ile metin sınırlandırma, duygu analizi, NER, soru-cevap, metin özetleme, çeviri ve metin üretme gibi projelerinizi yapabilirsiniz.

Aslında HuggingFace uçtan uca yapay zeka projelerinizi yapabildiğiniz bir platform. Bu platform ile doğal dil işleme modelinizi eğitebilir ve eğittiğiniz bu modeli canlıya alabilirsiniz.

Bu kurs, sizi HuggingFace ekosistemi ile doğal dil işleme alanında uzmanlaşmaya ve hızla büyüyen sektördeki fırsatları değerlendirmeye hazırlayacak.

Hemen kaydolun ve doğal dil işleme dünyasına dalmaya başlayın!

Kurs içinde görüşme üzere.

Tirendaz Akademi

Who this course is for:

  • Yapay zeka mühendisleri
  • Veri bilimcileri
  • Doğal dil işleme mühendisleri
  • Makine öğrenmesi mühendisleri
  • Veri mühendisleri
  • Veri analizcileri
  • Bilgisayar mühendisleri
  • Yazılımcılar

Report abuse