Vektör Veritabanları ve Gömme Teknikleri Eğitimi

Eğitim Hakkında

Bu eğitim, anlamsal arama, öneri ve RAG sistemlerinin erişim katmanını tasarlayan mühendislerin gömme modellerini, yaklaşık en yakın komşu indekslerini ve vektör veritabanlarını derinlemesine öğrenmesi için tasarlanmış üç günlük ileri düzey programdır. Katılımcılar Türkçe verilerde model seçimi, FAISS ve Qdrant ile indeksleme, hibrit arama, yeniden sıralama ve gömme ince ayarını ölçerek uygular.

Neden Bu Eğitim?

Ölçerek Karar Verin. Gömme modeli, indeks ve arama yöntemini liderlik tablolarına değil kendi verinizdeki isabet ölçümlerine göre seçin.

Hız ve İsabet Dengesi. HNSW, IVF ve nicemleme parametrelerinin bellek, gecikme ve geri çağırma üzerindeki etkisini deneyerek öğrenin.

Türkçe Veriye Odak. Çok dilli modellerin Türkçe metinlerdeki başarısını, eklemeli dil yapısını ve hibrit aramanın katkısını test edin.

“Bir RAG sisteminin yanıt kalitesi, çoğu zaman modelden önce erişim katmanının doğru bilgiyi getirip getiremediğiyle belirlenir.”

Ön Koşullar

Python ve NumPy — Python, NumPy ve pandas ile vektör ve matris işlemleri yapabilecek deneyime sahip olmak.
Makine Öğrenmesi — Model eğitimi, kayıp fonksiyonu ve değerlendirme metrikleri kavramlarını bilmek.
Veritabanı Bilgisi — SQL ve temel indeks kavramlarına aşinalık; Docker ile servis çalıştırabilmek.
Çalışma Ortamı — En az 16 GB bellekli, Docker kurulu bilgisayar veya GPU erişimli bulut not defteri.

Eğitim İçeriği

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

Günün hedefiGömme temsillerinin nasıl üretildiğini ve karşılaştırıldığını anlamak, Türkçe veride farklı gömme modellerini değerlendirmek ve metin ile görsel için doğru modeli seçmek.

Modül 1

Gömme Temsillerinin Temelleri

Seyrek ve yoğun temsiller: TF-IDF'ten gömmelere
Word2Vec'ten transformer tabanlı cümle gömmelerine
Çift kodlayıcı (bi-encoder) mimarisi ve havuzlama
Kontrastlı öğrenme ile gömme modeli eğitimi mantığı
Gömme uzayında anlamsal yakınlık ve sınırlamalar
Demo: Gömme uzayının boyut indirgemeyle görselleştirilmesi

Modül 2

Benzerlik Ölçütleri ve Vektör İşlemleri

Kosinüs benzerliği, iç çarpım ve Öklid mesafesi
Normalizasyonun benzerlik sonuçlarına etkisi
Boyut sayısı, bellek ayak izi ve hesaplama maliyeti
Matruşka (Matryoshka) gömmeler ile boyut kısaltma
Kesin k-en yakın komşu aramasının ölçek sorunu
Laboratuvar: NumPy ile kesin benzerlik araması

Modül 3

Gömme Modeli Seçimi ve Türkçe Değerlendirme

MTEB liderlik tablosunu doğru okumak
Çok dilli modeller: BGE-M3 ve multilingual-e5
Ticari API'ler: OpenAI text-embedding-3 ve Cohere Embed
sentence-transformers ile model yükleme ve kodlama
Türkçe ekler, yazım farkları ve alan terminolojisi etkisi
Laboratuvar: Türkçe soru-doküman setinde model kıyası

Modül 4

Parçalama Stratejileri ve Çok Modlu Gömmeler

Parça boyutu, örtüşme ve bağlam kaybı ödünleşimi
Başlık ve meta veriyle zenginleştirilmiş parçalar
Uzun doküman gömme ve bağlamsal parça yaklaşımları
CLIP ve SigLIP ile metin-görsel ortak uzayı
Laboratuvar: Parçalama stratejilerinin isabete etkisi
Günün değerlendirmesi ve indeksleme gününe köprü

Günün hedefiYaklaşık en yakın komşu (ANN) indekslerini kavramak, FAISS ile deney yapmak, vektör veritabanlarını karşılaştırmak ve filtreli, çok kiracılı arama tasarlamak.

Modül 1

ANN Algoritmaları ve İndeks Parametreleri

Yaklaşık en yakın komşu (ANN) aramasının mantığı
HNSW graf indeksi: M, efConstruction ve efSearch
IVF kümeleme tabanlı indeks ve nprobe ayarı
Disk tabanlı indeksler ve DiskANN yaklaşımı
Geri çağırma, gecikme ve bellek ödünleşim eğrisi
Laboratuvar: HNSW parametrelerinin etkisini ölçme

Modül 2

Nicemleme ve FAISS ile Deneyler

Skaler, ürün (PQ) ve ikili nicemleme yöntemleri
Nicemleme sonrası yeniden puanlama (rescoring)
FAISS indeks türleri ve indeks fabrikası dizgesi
GPU ile büyük ölçekli toplu indeksleme ve arama
ann-benchmarks yaklaşımıyla kendi ölçümünüzü kurma
Laboratuvar: 1 milyon vektörde IVF-PQ ve HNSW kıyası

Modül 3

Vektör Veritabanları Karşılaştırması

pgvector ile PostgreSQL üzerinde vektör araması
Qdrant, Milvus ve Weaviate mimarileri
Pinecone gibi yönetilen servisler ve maliyet modeli
Elasticsearch ve OpenSearch vektör yetenekleri
Seçim kriterleri: ölçek, filtre, operasyon, lisans
Laboratuvar: Aynı veri setini pgvector ve Qdrant'a yükleme

Modül 4

Filtreli Arama, Çok Kiracılık ve Veri Modeli

Meta veri (payload) şeması ve filtre indeksleri
Ön filtreleme ve son filtreleme performans farkı
Çok kiracılık: koleksiyon, bölüm ve kiracı alanı
Doküman bazlı erişim yetkisi (ACL) ile güvenli arama
Laboratuvar: Qdrant'ta kiracı ve yetki filtreli arama
Günün değerlendirmesi ve erişim kalitesi gününe köprü

Günün hedefiHibrit arama ve yeniden sıralamayla isabeti artırmak, erişim kalitesini metriklerle ölçmek, gömme modeline ince ayar yapmak ve vektör altyapısını üretimde işletmek.

Modül 1

Hibrit Arama ve Yeniden Sıralama

BM25 ile sözcüksel arama ve Türkçe kök bulma
Seyrek öğrenilmiş gömmeler: SPLADE ve BGE-M3 seyrek
Karşılıklı sıra birleştirme (RRF) ile hibrit sonuç
Çapraz kodlayıcı (cross-encoder) ile yeniden sıralama
ColBERT ve geç etkileşim (late interaction) modelleri
Laboratuvar: Yoğun, seyrek ve hibrit arama kıyası

Modül 2

Erişim Kalitesinin Ölçülmesi

Recall@k, MRR ve nDCG metriklerinin yorumlanması
İlgililik etiketli değerlendirme seti oluşturma
LLM ile sentetik sorgu üretimi ve riskleri
Hata analizi: kaçırılan ve alakasız sonuçlar
Çevrim içi sinyaller: tıklama ve kullanıcı geri bildirimi
Laboratuvar: Değerlendirme hattının otomatikleştirilmesi

Modül 3

Gömme Modeline İnce Ayar

İnce ayar ne zaman gerekli? Alan terminolojisi sorunu
Pozitif çiftler ve zor negatif (hard negative) madenciliği
sentence-transformers ile kontrastlı ince ayar
MultipleNegativesRankingLoss ve Matruşka kaybı
Aşırı uyum ve genel yeteneklerin kaybını izleme
Laboratuvar: Mevzuat metinlerinde ince ayar ve ölçüm

Modül 4

Üretim Operasyonu, Proje ve Kapanış

Model değişiminde yeniden gömme ve kesintisiz geçiş
Parçalama (sharding), replikasyon ve yedekleme
Maliyet: gömme API'si, bellek ve nicemleme etkisi
KVKK: gömmelerde kişisel veri ve silme hakkı
Proje sunumları: erişim katmanı tasarımı ve ölçümleri
Eğitim değerlendirmesi, Soru-Cevap ve sertifika takdimi

Eğitim Kazanımları

Gömme Kuramı — Çift kodlayıcı ve kontrastlı öğrenmeye dayalı gömme modellerinin nasıl çalıştığını ve sınırlarını açıklayabileceksiniz.
Model Seçimi — Türkçe dahil kendi verinizde gömme modellerini ölçerek maliyet ve isabete göre doğru modeli seçebileceksiniz.
ANN İndeksleri — HNSW, IVF ve nicemleme parametrelerini geri çağırma, gecikme ve bellek hedeflerine göre ayarlayabileceksiniz.
Vektör Veritabanı — pgvector, Qdrant, Milvus ve Weaviate gibi seçenekleri ölçek, filtre ve operasyon ihtiyacına göre karşılaştırabileceksiniz.
Hibrit Arama — BM25, seyrek gömmeler, RRF ve çapraz kodlayıcılarla hibrit arama ve yeniden sıralama hattı kurabileceksiniz.
Kalite Ölçümü — Recall@k, MRR ve nDCG metrikleriyle erişim kalitesini ölçen otomatik bir değerlendirme hattı oluşturabileceksiniz.
Model İnce Ayarı — Zor negatiflerle sentence-transformers üzerinde alanınıza özgü gömme modeli ince ayarı yapabileceksiniz.
Üretim Operasyonu — Yeniden indeksleme, ölçekleme, erişim yetkisi ve KVKK gerekliliklerini gözeten bir vektör altyapısı tasarlayacaksınız.

Kimler İçin Uygundur?

Yapay zeka ve makine öğrenmesi mühendisleri
arama ve öneri sistemleri geliştiricileri
veri mühendisleri
RAG altyapısı kuran platform ekipleri ile çözüm mimarları.

Sıkça Sorulan Sorular

Vektör Veritabanları ve Gömme Teknikleri Eğitimi kimler için uygundur?

Program; yapay zeka ve makine öğrenmesi mühendisleri, arama ve öneri sistemleri geliştiricileri, veri mühendisleri, RAG altyapısı kuran platform ekipleri ve çözüm mimarları için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 3 tam gün ve 12 modülden oluşur. İlk gün gömme modelleri ve seçimi, ikinci gün ANN indeksleri ve vektör veritabanları, üçüncü gün hibrit arama, kalite ölçümü, ince ayar ve üretim operasyonu işlenir.

Katılım için hangi teknik bilgiler gerekli?

Python, NumPy ve temel makine öğrenmesi deneyimi ile SQL ve Docker'a aşinalık beklenir. Laboratuvarlar için en az 16 GB bellekli bir bilgisayar veya GPU erişimli bulut not defteri önerilir.

Hangi vektör veritabanları ve kütüphaneler kullanılıyor?

FAISS, pgvector, Qdrant ve sentence-transformers ile uygulamalı çalışılır; Milvus, Weaviate, Pinecone, Elasticsearch ve OpenSearch mimari olarak karşılaştırılır. BGE-M3, multilingual-e5 ve ticari gömme API'leri de değerlendirilir.

Türkçe dokümanlarda hangi gömme modeli daha iyi sonuç verir?

Tek bir doğru model yoktur; sonuç alan terminolojisine, doküman yapısına ve maliyet hedefine bağlıdır. Eğitimde Türkçe soru-doküman setleriyle modeller ölçülerek karşılaştırılır ve kurum verisine uygun seçim yöntemi öğretilir.

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

VEKTÖR VERİTABANLARI VE GÖMME TEKNİKLERİ EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Gömme Temsillerinin Temelleri

Benzerlik Ölçütleri ve Vektör İşlemleri

Gömme Modeli Seçimi ve Türkçe Değerlendirme

Parçalama Stratejileri ve Çok Modlu Gömmeler

ANN Algoritmaları ve İndeks Parametreleri

Nicemleme ve FAISS ile Deneyler

Vektör Veritabanları Karşılaştırması

Filtreli Arama, Çok Kiracılık ve Veri Modeli

Hibrit Arama ve Yeniden Sıralama

Erişim Kalitesinin Ölçülmesi

Gömme Modeline İnce Ayar

Üretim Operasyonu, Proje 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