Öneri Sistemleri Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, e-ticaret, medya, bankacılık ve dijital platformlarda kişiselleştirme çözümleri geliştiren ekiplerin öneri sistemlerini veri hazırlığından modellemeye, değerlendirmeden büyük ölçekli servislemeye kadar uçtan uca kurması için tasarlanmış uygulamalı bir programdır. Katılımcılar Python ve Spark ile aday üretim ve sıralama katmanlarından oluşan bir öneri hattı geliştirir.

Neden Bu Eğitim?

Uçtan Uca Yaklaşım. Etkileşim verisinden aday üretimi, sıralama ve servislemeye kadar gerçek bir öneri hattının tüm katmanlarını kurun.

Doğru Değerlendirme. Çevrim dışı metrikler ile A/B testi arasındaki farkı anlayarak iş etkisi yaratan modeli seçmeyi öğrenin.

Büyük Veriye Hazır. Milyonlarca kullanıcı ve ürün için Spark, vektör arama ve düşük gecikmeli servisleme mimarileri tasarlayın.

“İyi bir öneri sistemi kullanıcıya yalnızca beğeneceğini değil, henüz keşfetmediği ama ihtiyaç duyduğu seçenekleri de gösterir.”

Ön Koşullar

Python ve pandas — pandas ve NumPy ile veri işleme, fonksiyon yazma ve temel görselleştirme deneyimi.
Makine Öğrenmesi — Sınıflandırma, regresyon, eğitim-test ayrımı ve temel metrik kavramlarını biliyor olmak.
Doğrusal Cebir — Vektör, matris çarpımı ve benzerlik ölçüleri gibi temel doğrusal cebir kavramlarına aşinalık.
Çalışma Ortamı — Python 3, Jupyter ve paket kurulum yetkisi olan bilgisayar veya GPU destekli bulut not defteri.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiÖneri problemlerini ve veri türlerini tanımak, içerik tabanlı ve iş birlikçi filtreleme modellerini kurmak ve doğru çevrim dışı değerlendirme tasarımını uygulamak.

Modül 1

Öneri Sistemlerine Giriş ve Veri

Öneri problem türleri: ürün, içerik, sonraki adım, paket
Açık (puan) ve örtük (tıklama, satın alma) geri bildirim
Kullanıcı-ürün etkileşim matrisi ve seyreklik sorunu
Popülerlik tabanlı öneri ile referans model kurulumu
İş hedefleri: dönüşüm, sepet tutarı, keşif ve elde tutma
Laboratuvar: E-ticaret etkileşim verisinin keşifsel analizi

Modül 2

Öneri Sistemlerinde Değerlendirme

Precision@k, Recall@k, MAP ve NDCG metrikleri
Kapsam, çeşitlilik, yenilik ve tesadüfi keşif ölçüleri
Zamana dayalı ve kullanıcı bazlı veri ayrımı
Negatif örnekleme ve değerlendirme yanlılıkları
Çevrim dışı metrik ile çevrim içi iş etkisi arasındaki fark
Laboratuvar: Popülerlik modeli için değerlendirme hattı

Modül 3

İçerik Tabanlı Öneri

Ürün özellikleri ve metin açıklamalarından temsil üretimi
TF-IDF ve kosinüs benzerliği ile benzer ürün önerisi
Cümle gömme (sentence embedding) modelleriyle anlamsal benzerlik
Kullanıcı profili oluşturma ve ağırlıklandırma
Soğuk başlangıç (cold start) sorununda içerik tabanlı çözüm
Laboratuvar: Ürün açıklamalarıyla benzer ürün modülü

Modül 4

İş Birlikçi Filtreleme

Kullanıcı tabanlı ve ürün tabanlı komşuluk yöntemleri
Matris ayrıştırma (matrix factorization) ve gizli faktörler
Örtük geri bildirim için ALS ve implicit kütüphanesi
Düzenlileştirme, faktör sayısı ve hiperparametre ayarı
Laboratuvar: MovieLens verisiyle ALS modeli ve kıyaslama
Günün değerlendirmesi ve derin öğrenme gününe köprü

Günün hedefiİki kuleli aday üretim modelleri ve vektör aramayı uygulamak, bağlamsal sıralama modelleri kurmak ve oturum bazlı ile üretken YZ destekli öneri yaklaşımlarını değerlendirmek.

Modül 1

İki Aşamalı Mimari ve Aday Üretimi

Aday üretimi (retrieval) ve sıralama (ranking) ayrımı
İki kuleli (two-tower) sinir ağı modeli ile gömme öğrenimi
PyTorch ile iki kuleli modelin eğitilmesi
Birden çok aday kaynağının birleştirilmesi
Yaklaşık en yakın komşu araması: FAISS ile vektör indeksi
Laboratuvar: İki kuleli model ve FAISS ile aday üretimi

Modül 2

Öğrenerek Sıralama (Learning to Rank)

Noktasal, çiftli ve liste bazlı sıralama yaklaşımları
LightGBM LambdaRank ile sıralama modeli
Bağlam özellikleri: zaman, cihaz, konum ve oturum
Fiyat, stok ve marj gibi iş kurallarının sıralamaya eklenmesi
Tıklama verisindeki pozisyon yanlılığının düzeltilmesi
Laboratuvar: Aday listesi için LightGBM sıralama modeli

Modül 3

Oturum Bazlı ve Sıralı Öneri

Anonim kullanıcılar için oturum bazlı öneri problemi
GRU4Rec ve SASRec gibi sıralı öneri modelleri
Transformer mimarisiyle sonraki ürün tahmini
Birlikte satın alınan ürünler ve sepet tamamlama
RecBole ile sıralı modellerin karşılaştırılması
Laboratuvar: Oturum verisiyle sonraki ürün önerisi

Modül 4

Hibrit ve Üretken YZ Destekli Öneri

İçerik ve iş birlikçi sinyalleri birleştiren hibrit modeller
Büyük dil modelleriyle ürün ve kullanıcı temsili üretimi
LLM ile öneri gerekçesi ve kişisel açıklama metni
Sohbet tabanlı (conversational) öneri deneyimleri
Demo: Gömme ve LLM ile doğal dil ürün önerisi
Günün değerlendirmesi ve üretim gününe hazırlık

Günün hedefiÖneri sistemini büyük veri ve gerçek zamanlı mimaride üretime almak, A/B testleriyle iş etkisini ölçmek, sorumlu öneri ilkelerini uygulamak ve projeyi sunmak.

Modül 1

Büyük Veri ile Öneri Hatları

Etkileşim olaylarının toplanması ve veri modeli tasarımı
Apache Spark MLlib ile dağıtık ALS eğitimi
Özellik deposu (feature store) ve çevrim içi-dışı tutarlılık
Toplu ön hesaplama ile gerçek zamanlı skorlama ödünleşimi
Apache Kafka ile gerçek zamanlı etkileşim akışı
Laboratuvar: PySpark ile ölçeklenebilir ALS hattı

Modül 2

Servisleme, İzleme ve MLOps

Öneri API'si, önbellekleme ve gecikme bütçesi tasarımı
Vektör veritabanları ve indeks güncelleme stratejileri
MLflow ile model sürümleme ve yeniden eğitim döngüsü
Metrik izleme: tıklama oranı, kapsam ve popülerlik kayması
Geri bildirim döngüleri ve kendini güçlendiren yanlılık
Demo: FastAPI ile öneri servisi ve performans testi

Modül 3

Deney Tasarımı ve Sorumlu Öneri

A/B testi tasarımı, örneklem büyüklüğü ve metrik seçimi
Çok kollu haydut (multi-armed bandit) ile keşif-sömürü
Popülerlik yanlılığı, çeşitlilik ve adil görünürlük
KVKK kapsamında profil oluşturma ve açık rıza
AB Dijital Hizmetler Yasası'nda öneri şeffaflığı
Vaka: Öneri değişikliğinin sepet tutarına etkisinin ölçümü

Modül 4

Uçtan Uca Öneri Projesi ve Kapanış

Grup projesi: aday üretimi, sıralama ve değerlendirme
Proje sunumları ve mimari inceleme geri bildirimi
Kurumsal kişiselleştirme olgunluk yol haritası
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
Öneri sistemleri araştırma kaynakları ve kapanış

Eğitim Kazanımları

Klasik Yöntemler — İçerik tabanlı öneri, komşuluk yöntemleri ve ALS ile matris ayrıştırma modellerini kurup kıyaslayabileceksiniz.
Doğru Metrikler — NDCG, Recall@k, kapsam ve çeşitlilik metrikleriyle zamana dayalı ve güvenilir değerlendirme yapabileceksiniz.
İki Kuleli Modeller — PyTorch ile iki kuleli gömme modelleri eğitip FAISS ile hızlı aday üretimi yapabileceksiniz.
Sıralama Modelleri — LightGBM LambdaRank ile bağlam ve iş kurallarını içeren öğrenerek sıralama modelleri kurabileceksiniz.
Oturum Bazlı Öneri — SASRec gibi sıralı modellerle anonim kullanıcılar için sonraki ürün ve sepet tamamlama önerileri üretebileceksiniz.
Ölçeklenebilir Mimari — Spark, özellik deposu, Kafka ve vektör veritabanlarıyla büyük ölçekli öneri hattı tasarlayabileceksiniz.
Deney Tasarımı — A/B testleri ve çok kollu haydut yöntemleriyle önerilerin gerçek iş etkisini ölçebileceksiniz.
Sorumlu Öneri — Popülerlik yanlılığı, çeşitlilik ve KVKK gerekliliklerini gözeten şeffaf öneri sistemleri işleteceksiniz.

Kimler İçin Uygundur?

Veri bilimciler
makine öğrenmesi ve veri mühendisleri
kişiselleştirme ve büyüme ekipleri ile e-ticaret
medya ve dijital platformlarda ürün analitiği yapan uzmanlar.

Sıkça Sorulan Sorular

Öneri Sistemleri Eğitimi kimler için uygundur?

Program; veri bilimciler, makine öğrenmesi ve veri mühendisleri, kişiselleştirme ve büyüme ekipleri ile e-ticaret, medya, bankacılık ve dijital platformlarda ürün analitiği yapan uzmanlar için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi konuları kapsar?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün klasik yöntemler ve değerlendirme, ikinci gün iki kuleli modeller, sıralama ve sıralı öneri, son gün büyük veri mimarisi, A/B testleri ve uçtan uca proje işlenir.

Katılım için hangi teknik bilgiler gerekiyor?

Python ve pandas ile veri işleme deneyimi, temel makine öğrenmesi kavramları ve vektör, matris gibi doğrusal cebir temellerine aşinalık beklenir. Laboratuvarlar için Jupyter veya GPU destekli bulut not defteri önerilir.

Eğitimde hangi kütüphane ve araçlar kullanılıyor?

pandas, scikit-learn, implicit, PyTorch, FAISS, LightGBM, RecBole, Apache Spark MLlib ve MLflow kullanılır; gerçek zamanlı mimari için Apache Kafka ve FastAPI örnekleri gösterilir. Uygulamalar MovieLens ve açık e-ticaret veri setleriyle yapılır.

Yeni kullanıcı ve ürünlerde (soğuk başlangıç) öneri nasıl yapılır, sertifika veriliyor mu?

Soğuk başlangıç için içerik tabanlı temsiller, popülerlik ve bağlam sinyalleri, gömme modelleri ve keşif stratejileri ayrıntılı işlenir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

ÖNERİ SİSTEMLERİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Öneri Sistemlerine Giriş ve Veri

Öneri Sistemlerinde Değerlendirme

İçerik Tabanlı Öneri

İş Birlikçi Filtreleme

İki Aşamalı Mimari ve Aday Üretimi

Öğrenerek Sıralama (Learning to Rank)

Oturum Bazlı ve Sıralı Öneri

Hibrit ve Üretken YZ Destekli Öneri

Büyük Veri ile Öneri Hatları

Servisleme, İzleme ve MLOps

Deney Tasarımı ve Sorumlu Öneri

Uçtan Uca Öneri Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi