Yapay Zeka ile Metin Sınıflandırma Eğitimi

Eğitim Hakkında

Bu eğitim, e-posta, destek talebi, form ve belge gibi metinleri otomatik olarak kategorilere ayıran sistemler geliştirmek isteyen teknik ekipler için tasarlanmış üç günlük uygulamalı bir programdır. Katılımcılar taksonomi ve etiketleme tasarımından SetFit, BERTurk ve LLM tabanlı modellere, güven eşikleriyle insan onayından üretim ortamında izlemeye kadar süreci Python ile uygular.

Neden Bu Eğitim?

Doğru Taksonomi. Modelden önce işi doğru tanımlayın; tutarlı kategori yapısı ve etiketleme kılavuzuyla sağlam bir temel kurun.

Yöntem Karşılaştırması. Klasik modeller, SetFit, BERTurk ve LLM'leri başarım, maliyet ve gizlilik açısından aynı veride kıyaslayın.

Güvenli Otomasyon. Kalibre edilmiş güven eşikleriyle hangi metnin otomatik, hangisinin insan onayıyla işleneceğine karar verin.

“İyi bir sınıflandırıcı yalnızca doğru etiketi bulmaz; ne zaman emin olmadığını bilir ve kararı doğru kişiye bırakır.”

Ön Koşullar

Python ve pandas — Python ile fonksiyon yazabilmek ve pandas ile tablo verisini işleyebilmek.
Makine Öğrenmesi — Sınıflandırma, eğitim-test ayrımı ve temel başarım metrikleri hakkında çalışma bilgisi.
Metin Verisi — Metin verisiyle daha önce çalışmış olmak avantajdır ancak zorunlu değildir.
Çalışma Ortamı — Python 3 ve Jupyter kurulu bir bilgisayar ya da GPU destekli bulut not defteri erişimi.

Eğitim İçeriği

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

Günün hedefiMetin sınıflandırma problem türlerini ayırt etmek, kategori taksonomisi ve etiketleme kılavuzu tasarlamak, veriyi hazırlamak ve klasik bir referans model kurmak.

Modül 1

Metin Sınıflandırmaya Giriş ve Problem Tasarımı

İkili, çok sınıflı, çok etiketli ve hiyerarşik sınıflandırma
Kullanım alanları: talep yönlendirme, niyet ve konu tespiti
İş hedefinden sınıflandırma görevine: başarı tanımı
Kural tabanlı, makine öğrenmesi ve LLM seçenekleri
İnsan döngüde (human-in-the-loop) karar mimarisi
Vaka: Müşteri e-postalarının 25 kategoriye yönlendirilmesi

Modül 2

Kategori Taksonomisi ve Etiketleme Kılavuzu

Birbirini dışlayan ve kapsayıcı kategori yapısı kurma
'Diğer' sınıfı, belirsiz örnekler ve sınır durumlar
Etiketleme kılavuzu yazımı ve örnek karar kuralları
Etiketleyiciler arası uyum ölçümü ve anlaşmazlık çözümü
Label Studio ile etiketleme projesi kurulumu
Atölye: Destek talepleri için taksonomi ve kılavuz taslağı

Modül 3

Veri Hazırlığı ve Etiket Verimliliği

Tarihsel ticket verisinden etiket türetme ve gürültü
Sınıf dengesizliği ve seyrek kategorilerin yönetimi
Aktif öğrenme (active learning) ile örnek seçimi
Zayıf denetim (weak supervision) ve kural tabanlı etiketler
Veri sızıntısı ve mükerrer kayıtlara karşı veri ayrımı
Laboratuvar: Etiketli veri setinin keşifsel analizi

Modül 4

Klasik Yöntemlerle Referans Model

TF-IDF, karakter n-gram ve Türkçe için özellik seçimi
Lojistik regresyon, doğrusal SVM ve Naive Bayes
Çok etiketli problemler için one-vs-rest yaklaşımı
Makro ve mikro F1 ile sınıf bazlı başarım raporu
Laboratuvar: scikit-learn ile talep sınıflandırıcısı
Günün değerlendirmesi ve modern yöntemler gününe köprü

Günün hedefiCümle gömmeleri, az örnekli öğrenme, transformer ince ayarı ve LLM'lerle sınıflandırıcılar geliştirip yöntemleri başarım ve maliyet açısından karşılaştırmak.

Modül 1

Cümle Gömmeleri ile Sınıflandırma

Metin gömmeleri (embeddings) ve anlamsal benzerlik
sentence-transformers ile çok dilli gömme modelleri
Gömme ve lojistik regresyon ile hızlı sınıflandırıcı
Benzer örnek arama ile k-en yakın komşu yaklaşımı
Gömme uzayının görselleştirilmesi ve hatalı etiket tespiti
Laboratuvar: Gömme tabanlı niyet sınıflandırıcısı

Modül 2

Az Örnekli Öğrenme ve SetFit

Az veriyle öğrenme ihtiyacı ve yeni kategori ekleme
SetFit: karşıtsal ince ayar ve sınıflandırma başlığı
Doğal dil çıkarımı (NLI) ile sıfır örnekli sınıflandırma
Kategori başına az sayıda örnekle model eğitimi
Az örnekli modellerde değerlendirme güvenilirliği
Laboratuvar: SetFit ile yeni talep kategorisi öğretme

Modül 3

Transformer İnce Ayarı ile Sınıflandırma

BERTurk ve XLM-RoBERTa ile dizi sınıflandırma başlığı
Çok etiketli çıktıda sigmoid aktivasyon ve eşik seçimi
Uzun metinler: kırpma, parçalama ve özetleyerek sınıflama
Sınıf ağırlıklı kayıp fonksiyonu ile dengesizlik yönetimi
Hugging Face Trainer ile eğitim, değerlendirme ve kayıt
Laboratuvar: Çok etiketli ticket sınıflandırma modeli

Modül 4

Büyük Dil Modelleriyle Sınıflandırma

Kategori tanımları ve örneklerle sınıflandırma promptu
Yapılandırılmış çıktı ve kısıtlı etiket seçimi
LLM ile etiketleyip küçük model eğitme (damıtma)
Başarım, gecikme, maliyet ve veri gizliliği karşılaştırması
Laboratuvar: LLM, SetFit ve BERTurk karşılaştırma tablosu
Günün değerlendirmesi ve üretim gününe köprü

Günün hedefiModel güvenini kalibre edip insan onayı eşiklerini belirlemek, sınıflandırıcıyı servis olarak yayınlamak, kayma ve taksonomi değişimini yönetmek ve proje sunmak.

Modül 1

Değerlendirme, Kalibrasyon ve Hata Analizi

Karışıklık matrisiyle birbirine karışan kategorilerin tespiti
Olasılık kalibrasyonu ve güvenilirlik diyagramları
Güven eşiği ile otomatik yönlendirme ve insan onayı
Hiyerarşik sınıflandırmada üst ve alt seviye başarımı
Yanlış yönlendirme maliyetine göre eşik optimizasyonu
Laboratuvar: Otomasyon oranı ve doğruluk dengesi analizi

Modül 2

Açıklanabilirlik ve Model Güvenilirliği

Kelime katkısı analizi ve SHAP ile karar açıklama
Etiket gürültüsünü bulmak için cleanlab yaklaşımı
Dağılım dışı (out-of-distribution) taleplerin tespiti
Hassas kategorilerde yanlılık ve adalet kontrolü
Temsilci geri bildirimiyle etiketlerin sürekli iyileşmesi
Laboratuvar: Hatalı etiketlerin bulunup düzeltilmesi

Modül 3

Üretime Alma ve Yaşam Döngüsü Yönetimi

FastAPI ile sınıflandırma servisi ve toplu skorlama
ONNX Runtime ile çıkarım hızlandırma temelleri
MLflow ile model kaydı, sürümleme ve karşılaştırma
Kayma izleme ve yeniden eğitim tetikleyicileri
Yeni kategori ekleme ve taksonomi değişikliği yönetimi
Demo: Talep sistemine entegre yönlendirme akışı

Modül 4

Yönlendirme Projesi, Değerlendirme ve Kapanış

Proje: Müşteri talepleri için otomatik yönlendirme sistemi
Model seçimi ve eşik kararlarının gerekçelendirilmesi
KVKK uyumlu veri kullanımı ve erişim yetkilendirmesi
Proje sunumları ve teknik geri bildirim oturumu
Genel değerlendirme ve Soru-Cevap oturumu
Sertifikaların takdimi ve kapanış oturumu

Eğitim Kazanımları

Problem Tasarımı — İş ihtiyacını çok sınıflı, çok etiketli veya hiyerarşik doğru sınıflandırma görevine dönüştürebileceksiniz.
Taksonomi ve Etiket — Tutarlı kategori yapısı, etiketleme kılavuzu ve uyum ölçümüyle güvenilir eğitim verisi üretebileceksiniz.
Referans Model — TF-IDF ve doğrusal modellerle hızlı kurulan, karşılaştırma için sağlam bir referans model geliştirebileceksiniz.
Az Veriyle Öğrenme — Gömme tabanlı yöntemler ve SetFit ile az sayıda etiketli örnekle yeni kategoriler öğretebileceksiniz.
Transformer Modelleri — BERTurk ve XLM-RoBERTa ile çok etiketli ve dengesiz veride ince ayarlı sınıflandırıcılar eğitebileceksiniz.
LLM Sınıflandırma — LLM'leri sınıflandırma ve etiketlemede kullanıp başarım, maliyet ve gizlilik açısından değerlendireceksiniz.
Güven Eşikleri — Kalibre edilmiş olasılıklarla otomasyon oranı ile doğruluk arasında iş odaklı denge kurabileceksiniz.
Üretim Yönetimi — Sınıflandırıcıyı servis olarak yayınlayıp kaymayı izleyen ve taksonomi değişimini yöneten yapı kuracaksınız.

Kimler İçin Uygundur?

Veri bilimciler
makine öğrenmesi ve NLP mühendisleri
müşteri hizmetleri otomasyon ekipleri
yazılım geliştiriciler ve belge yönetimi analitiği uzmanları.

Sıkça Sorulan Sorular

Yapay Zeka ile Metin Sınıflandırma Eğitimi kimler için uygundur?

Program; veri bilimciler, makine öğrenmesi ve NLP mühendisleri, yazılım geliştiriciler ile müşteri hizmetleri ve belge yönetimi otomasyonu üzerinde çalışan teknik ekipler için tasarlanmıştır.

Eğitim ne kadar sürer ve hangi formatta verilir?

Eğitim 3 tam gün sürer ve 12 modülden oluşur. Kurumun tercihine göre Digital Vizyon Akademi sınıflarında, kurum lokasyonunda veya online olarak gerçekleştirilir.

Bu eğitimin Duygu Analizi eğitiminden farkı nedir?

Duygu analizi eğitimi görüş ve duygu çıkarımına odaklanır. Bu program ise konu, niyet ve kategori sınıflandırması, taksonomi tasarımı, çok etiketli ve hiyerarşik problemler, güven eşikleriyle otomatik yönlendirme ve üretim yaşam döngüsünü derinlemesine ele alır.

Eğitimde hangi araç ve kütüphaneler kullanılıyor?

Uygulamalarda scikit-learn, sentence-transformers, SetFit, Hugging Face Transformers, Label Studio, cleanlab, MLflow, FastAPI ve ONNX Runtime kullanılır; LLM uygulamaları kurumun tercih ettiği sağlayıcıya göre uyarlanır.

Eğitim sonunda sertifika veriliyor mu?

Evet. Programı tamamlayan ve proje çalışmasını sunan katılımcılar Digital Vizyon Akademi Başarı Sertifikası almaya hak kazanır; online eğitimlerde sertifikalar dijital olarak iletilir.

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

YAPAY ZEKA İLE METİN SINIFLANDIRMA EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Metin Sınıflandırmaya Giriş ve Problem Tasarımı

Kategori Taksonomisi ve Etiketleme Kılavuzu

Veri Hazırlığı ve Etiket Verimliliği

Klasik Yöntemlerle Referans Model

Cümle Gömmeleri ile Sınıflandırma

Az Örnekli Öğrenme ve SetFit

Transformer İnce Ayarı ile Sınıflandırma

Büyük Dil Modelleriyle Sınıflandırma

Değerlendirme, Kalibrasyon ve Hata Analizi

Açıklanabilirlik ve Model Güvenilirliği

Üretime Alma ve Yaşam Döngüsü Yönetimi

Yönlendirme Projesi, Değerlendirme 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