Anasayfa›Eğitimler›Yapay Zeka Eğitimleri
Yapay Zeka Eğitimleri

TRANSFORMER MİMARİSİ VE DİKKAT MEKANİZMASI EĞİTİMİ

Transformer Mimarisi ve Dikkat Mekanizması Eğitimi, Digital Vizyon Akademi tarafından kurumlara yüz yüze veya online olarak verilen 3 günlük, ileri seviye düzeyinde bir programdır. ML mühendisleri ve araştırmacılar; öz dikkat ve çok başlı dikkati türetip PyTorch ile sıfırdan kodlar, RoPE gibi konum yöntemlerini, mini GPT eğitimini, BERT, T5 ve ViT ailelerini, FlashAttention, KV önbellek, vLLM ve L

3 gün İleri Seviye Online / Yüz Yüze / Hibrit Sertifikalı

Eğitim Hakkında

Bu eğitim, büyük dil modelleri ve modern yapay zekanın temelini oluşturan Transformer mimarisini dikkat mekanizmasının matematiğinden verimli çıkarım tekniklerine kadar derinlemesine inceleyen ileri düzey bir programdır. Katılımcılar PyTorch ile sıfırdan bir Transformer kodlar, BERT ve GPT ailelerini karşılaştırır ve Hugging Face ile model uyarlar.

Neden Bu Eğitim?

Matematikten Koda. Ölçekli nokta çarpım dikkatinden çok başlı yapıya kadar her bileşeni türetip PyTorch ile kendiniz kodlayın.

LLM'leri İçeriden Anlayın. GPT, BERT ve T5 ailelerinin eğitim hedeflerini ve mimari farklarını kavrayarak doğru modeli seçin.

Verimlilik Teknikleri. KV önbellek, FlashAttention, GQA ve LoRA gibi tekniklerin maliyet ve gecikmeyi nasıl düşürdüğünü görün.

“Dikkat mekanizmasını gerçekten anladığınızda büyük dil modelleri sihir olmaktan çıkar, tasarlanabilir sistemlere dönüşür.”

Ön Koşullar

  • PyTorch Deneyimi — nn.Module ile model tanımlayıp eğitim döngüsü yazmış ve GPU üzerinde çalışmış olmak.
  • Doğrusal Cebir — Matris çarpımı, softmax, vektör benzerliği ve boyut analizi konusunda rahatlık.
  • Derin Öğrenme Temeli — Geri yayılım, embedding, normalizasyon ve RNN kavramlarına hakimiyet.
  • GPU Erişimi — CUDA destekli GPU'lu bir makine veya GPU sunan bulut not defteri erişimi.

Eğitim İçeriği

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

Günün hedefiDikkat mekanizmasının ortaya çıkış nedenini kavramak, öz dikkat ve çok başlı dikkati matematiksel olarak türetmek ve konum bilgisinin kodlanma yöntemlerini uygulamak.
Modül 1
Dizi Modellemeden Dikkate Geçiş
  • RNN kodlayıcı-kod çözücü ve sabit bağlam darboğazı
  • Bahdanau ve Luong dikkat mekanizmaları
  • Attention Is All You Need makalesinin temel katkısı
  • Paralel hesaplama ve uzun menzilli bağımlılıklar
  • Transformer'ın dil, görü ve ses alanına yayılımı
  • Makale okuma: Orijinal Transformer şemasının analizi
Modül 2
Belirteçleme ve Gömme Katmanları
  • BPE, WordPiece ve SentencePiece algoritmaları
  • Türkçe gibi eklemeli dillerde belirteçleme sorunları
  • Sözlük boyutu, bağlam uzunluğu ve maliyet ilişkisi
  • Belirteç gömmeleri ve paylaşılan çıktı ağırlıkları
  • Hugging Face tokenizers ile özel belirteçleyici eğitimi
  • Laboratuvar: Türkçe derlem için BPE belirteçleyici
Modül 3
Öz Dikkat ve Çok Başlı Dikkat
  • Sorgu, anahtar ve değer projeksiyonlarının anlamı
  • Ölçekli nokta çarpım dikkati ve karekök ölçekleme
  • Nedensel maske ve dolgu maskesinin uygulanması
  • Çok başlı dikkat: alt uzaylar ve birleştirme
  • Dikkatin karesel bellek ve hesaplama karmaşıklığı
  • Laboratuvar: Çok başlı dikkati PyTorch ile sıfırdan kodlama
Modül 4
Konum Bilgisinin Kodlanması
  • Permütasyon değişmezliği ve konum bilgisi ihtiyacı
  • Sinüzoidal ve öğrenilebilir mutlak konum gömmeleri
  • Döner konum gömmesi (RoPE) ve göreli konum
  • ALiBi ve bağlam uzunluğu genişletme yaklaşımları
  • Konum kodlamanın uzun bağlam performansına etkisi
  • Günün değerlendirmesi ve Transformer bloğu gününe köprü
Günün hedefiTam bir Transformer bloğunu kodlayarak küçük bir dil modeli eğitmek, kodlayıcı, kod çözücü ve kodlayıcı-kod çözücü ailelerini ön eğitim hedefleriyle karşılaştırmak.
Modül 1
Transformer Bloğunun Bileşenleri
  • İleri beslemeli ağ, GELU ve SwiGLU aktivasyonları
  • Artık bağlantılar ve katman normalizasyonu
  • Pre-LN ile Post-LN yerleşiminin kararlılığa etkisi
  • RMSNorm ve modern LLM blok tasarımları
  • Parametre sayısı ve hesaplama bütçesi tahmini
  • Laboratuvar: Tam Transformer bloğunun kodlanması
Modül 2
Kod Çözücü Modeller: Mini GPT
  • Nedensel dil modelleme ve sonraki belirteç tahmini
  • Çapraz entropi kaybı ve perplexity metriği
  • Sıcaklık, top-k ve top-p ile metin üretimi
  • Ölçekleme yasaları ve veri-parametre dengesi
  • Talimat ayarı ve tercih optimizasyonuna genel bakış
  • Laboratuvar: Türkçe metinde mini GPT eğitimi
Modül 3
Kodlayıcı ve Kodlayıcı-Kod Çözücü Modeller
  • BERT: maskeli dil modeli ve çift yönlü bağlam
  • RoBERTa ve ELECTRA ile ön eğitim iyileştirmeleri
  • T5 ve BART: metinden metne dönüşüm çerçevesi
  • Çapraz dikkat ile kodlayıcı-kod çözücü bağlantısı
  • Görev türüne göre model ailesi seçim rehberi
  • Laboratuvar: BERT dikkat başlıklarının incelenmesi
Modül 4
Görü ve Çok Modlu Transformer'lar
  • Görü Transformer (ViT) ve yama gömmeleri
  • CLIP ile görüntü-metin karşıtlıklı öğrenme
  • Ses için Whisper kodlayıcı-kod çözücü yapısı
  • Çok modlu LLM'lerde görsel belirteçlerin entegrasyonu
  • Dikkat haritalarının yorumlanabilirlik sınırları
  • Günün özeti ve verimlilik gününe hazırlık
Günün hedefiVerimli dikkat ve çıkarım optimizasyonlarını uygulamak, parametre verimli ince ayarla model uyarlamak ve Transformer tabanlı uçtan uca projeyi sunmak.
Modül 1
Verimli Dikkat ve Uzun Bağlam
  • FlashAttention ve belleğe duyarlı dikkat hesaplama
  • Çok sorgulu (MQA) ve gruplanmış sorgulu dikkat (GQA)
  • Kayan pencereli ve seyrek dikkat yaklaşımları
  • Uzmanlar karışımı (MoE) ile koşullu hesaplama
  • Uzun bağlamda bilgi erişimi sorunları ve testler
  • Laboratuvar: Dikkat varyantlarının bellek ve hız ölçümü
Modül 2
Çıkarım Optimizasyonu
  • KV önbellek ile otoregresif üretimin hızlandırılması
  • Nicemleme: 8-bit, 4-bit ve GPTQ ile AWQ yöntemleri
  • Spekülatif kod çözme ile gecikme azaltımı
  • vLLM ile sayfalı dikkat ve sürekli batch yönetimi
  • Gecikme, verim ve maliyet metriklerinin ölçümü
  • Demo: vLLM ile açık ağırlıklı model servisleme
Modül 3
Parametre Verimli İnce Ayar
  • Tam ince ayar ile PEFT yaklaşımlarının karşılaştırması
  • LoRA'nın düşük ranklı güncelleme matematiği
  • QLoRA ile tek GPU'da büyük model uyarlama
  • Hugging Face PEFT ve TRL kütüphaneleri
  • İnce ayar sonrası değerlendirme ve unutma riski
  • Laboratuvar: Türkçe görev için LoRA ile ince ayar
Modül 4
Transformer Uyarlama Projesi ve Kapanış
  • Proje: Görev seçimi, model, ince ayar ve değerlendirme
  • Takım sunumları: kalite, gecikme ve maliyet analizi
  • Kod incelemesi ve eğitmen geri bildirimi
  • Eğitim değerlendirmesi ve interaktif Soru-Cevap
  • Sertifika takdimi ve laboratuvar kodlarının paylaşımı
  • Takip edilmesi gereken makaleler ve ileri yol haritası

Eğitim Kazanımları

  • Dikkat Matematiği — Ölçekli nokta çarpım ve çok başlı dikkati türetip maskeleme dahil tüm adımlarıyla kodlayabileceksiniz.
  • Belirteçleme — BPE ve SentencePiece belirteçleyicilerin Türkçe metinde maliyet ve kaliteye etkisini değerlendirebileceksiniz.
  • Konum Kodlama — Sinüzoidal, RoPE ve ALiBi konum yöntemlerinin farklarını ve uzun bağlama etkilerini açıklayabileceksiniz.
  • Sıfırdan Transformer — PyTorch ile tam bir Transformer bloğu yazıp küçük bir kod çözücü dil modelini eğitebileceksiniz.
  • Model Aileleri — BERT, GPT, T5, ViT ve CLIP gibi modellerin ön eğitim hedeflerini karşılaştırıp doğru aileyi seçebileceksiniz.
  • Verimli Dikkat — FlashAttention, GQA, MoE ve KV önbellek tekniklerinin bellek ve gecikmeye etkisini ölçebileceksiniz.
  • Çıkarım Optimizasyonu — Nicemleme, spekülatif kod çözme ve vLLM ile Transformer modellerini maliyet etkin servisleyebileceksiniz.
  • Model Uyarlama — LoRA ve QLoRA ile açık ağırlıklı modelleri kurumunuzun Türkçe görevlerine uyarlayıp değerlendireceksiniz.

Kimler İçin Uygundur?

  • ML mühendisleri
  • NLP ve LLM uygulamaları geliştiren veri bilimciler
  • derin öğrenme araştırmacıları ile büyük dil modellerini içeriden anlamak isteyen teknik YZ ekipleri.

Sıkça Sorulan Sorular

Transformer Mimarisi ve Dikkat Mekanizması Eğitimi kimler için uygundur?
Program; ML mühendisleri, NLP ve LLM uygulamaları geliştiren veri bilimciler, derin öğrenme araştırmacıları ve büyük dil modellerini içeriden anlamak isteyen teknik YZ ekipleri için tasarlanmıştır.
Eğitim ne kadar sürer ve hangi konuları kapsar?
Eğitim 3 tam gün ve 12 modülden oluşur. Birinci gün dikkat matematiği ve konum kodlama, ikinci gün Transformer bloğu ve model aileleri, üçüncü gün verimli dikkat, çıkarım optimizasyonu ve LoRA ile ince ayar işlenir.
Katılım için hangi ön koşullar gerekiyor?
PyTorch ile model eğitmiş olmak, matris çarpımı ve softmax gibi doğrusal cebir kavramlarına hakimiyet ve temel derin öğrenme bilgisi beklenir. Laboratuvarlar için GPU erişimi önerilir.
Bu eğitim Transfer Öğrenmesi Eğitiminden nasıl ayrılır?
Bu program Transformer mimarisinin iç işleyişine, matematiğine ve verimlilik tekniklerine odaklanır. Hazır modellerin farklı veri tiplerine pratik uyarlanması ise Transfer Öğrenmesi Eğitiminde ayrıntılı ele alınır.
Eğitimde hangi araçlar kullanılıyor, sertifika veriliyor mu?
PyTorch, Hugging Face transformers, tokenizers, PEFT, TRL ve vLLM kullanılır. Laboratuvar ve projeyi 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 d Digital Vizyon AKADEMİ KATILIM SERTİFİKASI Bu sertifika [Katılımcı Adı Soyadı] adlı katılımcının aşağıdaki eğitim programını başarıyla tamamladığını belgeler. Transformer Mimarisi ve Dikkat Mekanizması Eğitimi Sertifika Kodu DV-2026XX00 Tarih 15.10.2026 Yetkili İmza DV AKADEMİ

Eğitim Bilgileri

Süre3 gün
Seviyeİleri Seviye
FormatOnline / Yüz Yüze / Hibrit
DepartmanTüm Departmanlar
Sertifika✓ Var
Hemen Bilgi Al
İlgili Eğitimler

Benzer Programlar

+90 (501) 369 40 14 WhatsApp [email protected] LinkedIn