AKTS - Uygulamalı Büyük Dil Modelleri
Uygulamalı Büyük Dil Modelleri (CMPE454) Ders Detayları
Ders Adı | Ders Kodu | Dönemi | Saati | Uygulama Saati | Laboratuar Hours | Kredi | AKTS |
---|---|---|---|---|---|---|---|
Uygulamalı Büyük Dil Modelleri | CMPE454 | Alan Seçmeli | 3 | 0 | 0 | 3 | 5 |
Ön Koşul Ders(ler)i |
---|
N/A |
Dersin Dili | İngilizce |
---|---|
Dersin Türü | Seçmeli Dersler |
Dersin Seviyesi | Fen Bilimleri Yüksek Lisans |
Ders Verilme Şekli | Yüz Yüze |
Dersin Öğrenme ve Öğretme Teknikleri | Anlatım, Soru Yanıt, Uygulama-Alıştırma, Sorun/Problem Çözme. |
Dersin Öğretmen(ler)i |
|
Dersin Amacı | Dersin amacı, öğrencilerin Üretken Yapay Zeka teknolojilerini, özellikle Büyük Dil Modelleri (LLM’ler), Transformer mimarileri ve Hugging Face gibi yaygın geliştirme ekosistemlerini derinlemesine anlamalarını sağlamaktır. Öğrencilerin temel kavramları, uygulamalı deneyimleri ve gerçek dünya LLM uygulamalarını keşfetmeleridir. |
Dersin Eğitim Çıktıları |
Bu dersi başarıyla tamamlayabilen öğrenciler;
|
Dersin İçeriği | Büyük Dil Modelleri (LLM'ler), Üretken Yapay Zeka, belirteçleme, embeddings, NLP pipelines, attention mekanizması, Transformer mimarisi, autoregressive eğitim, LLM ölçekleme ve ince ayar, insan geri bildirimi ile pekiştirmeli öğrenme (RLHF), LLM sistem tasarımı, Hugging Face ekosistemi ve dağıtım. |
Haftalık Konular ve İlgili Ön Hazırlık Çalışmaları
Hafta | Konular | Ön Hazırlık |
---|---|---|
1 | Ders Tanıtımı, Üretken Yapay Zekaya Giriş | Ders Kitabı – Bölüm 1 |
2 | Hugging Face Araçları ve Modellerine Giriş, NLP ve Dil Modelleri | Natural Language Processing with Transformers, Revised Edition – Bölüm 1 |
3 | Token ve Belirteçleme, Kelimelerin Vektör Temsilleri | Ders Kitabı – Bölüm 2 |
4 | Kelimelerin Vektör Temsilleri, Tokenler ve NLP ile Deneyler | Ders Kitabı – Bölüm 2 |
5 | Dil Modelleri ve Attention Mekanizması | Ders Kitabı – Bölüm 3 |
6 | Transformer Mimarisi | Ders Kitabı – Bölüm 3, Build a Large Language Model – Bölüm 4 |
7 | Ara Sınav | |
8 | Autoregressive Eğitimli Transformer LLM’ler | Ders Notları, Natural Language Processing with Transformers, Revised Edition – Bölüm 10 |
9 | LLM Mimari Varyantları, Eğitimde Ölçekleme Yasaları, Daha Büyük LLM’ler için Eğitim Verileri | Natural Language Processing with Transformers, Revised Edition – Bölüm 8, Bölüm 11 |
10 | Birinci Kısım: Ön Eğitim, Devam Eden Ön Eğitim, Görev Bazlı Eğitim İkinci Kısım: İnsan Geri Bildirimi ile Pekiştirmeli Öğrenme (Chat hazırlığı) | Ders Kitabı – Bölüm 10, Build a Large Language Model – Bölüm 5 |
11 | Parametre-Verimli İnce Ayar Yöntemleri | Ders Kitabı – Bölüm 12 |
12 | LLM Bileşenleri | Ders Notları, Ders Kitabı – Bölüm 5 |
13 | LLM Bileşik Sistemler | Ders Kitabı – Bölüm 7 |
14 | LLM Agents | Ders Kitabı – Bölüm 7 |
15 | Ders Tekrarı | |
16 | Final Sınavı |
Kaynaklar
Ders Kitabı | 1. Hands-On Large Language Models: Language Understanding and Generation, 1st Edition by Jay Alammar and Maarten Grootendorst, Publisher: O'Reilly Media, Oct. 15, 2024. |
---|---|
Diğer Kaynaklar | 2. NVIDIA Deep Learning Institute: https://www.nvidia.com/en-us/training/ |
3. Natural Language Processing with Transformers, Revised Edition, by Lewis Tunstall, Leandro von Werra, and Thomas Wolf, Publisher: O'Reilly Media, July. 5, 2022. | |
4. Build a Large Language Model (From Scratch), 1st Edition by Sebastian Raschka, Publisher: Manning, Sep., 2024. | |
5. Hugging Face web page: https://huggingface.co/ | |
6. PyTorch web page: https://pytorch.org/ | |
7. TensorFlow web page: https://www.tensorflow.org/ |
Değerlendirme System
Çalışmalar | Sayı | Katkı Payı |
---|---|---|
Devam/Katılım | - | - |
Laboratuar | - | - |
Uygulama | - | - |
Alan Çalışması | - | - |
Derse Özgü Staj | - | - |
Küçük Sınavlar/Stüdyo Kritiği | - | - |
Ödevler | 1 | 20 |
Sunum | - | - |
Projeler | - | - |
Rapor | - | - |
Seminer | - | - |
Ara Sınavlar/Ara Juri | 1 | 35 |
Genel Sınav/Final Juri | 1 | 45 |
Toplam | 3 | 100 |
Yarıyıl İçi Çalışmalarının Başarı Notu Katkısı | 55 |
---|---|
Yarıyıl Sonu Çalışmalarının Başarı Notuna Katkısı | 45 |
Toplam | 100 |
Kurs Kategorisi
Temel Meslek Dersleri | X |
---|---|
Uzmanlık/Alan Dersleri | |
Destek Dersleri | |
İletişim ve Yönetim Becerileri Dersleri | |
Aktarılabilir Beceri Dersleri |
Dersin Öğrenim Çıktılarının Program Yeterlilikleri ile İlişkisi
# | Program Yeterlilikleri / Çıktıları | Katkı Düzeyi | ||||
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
1 | Matematik, fen bilgisi ve mühendislik bilgilerini uygular. | |||||
2 | Deney tasarlar, deney yapar, deney sonuçlarını analiz eder ve yorumlar. | |||||
3 | Belirlenen gereksinimlere göre bir sistemi, bileşeni veya süreci tasarlar. | |||||
4 | Disiplinler arası alanlarda etkin biçimde çalışır. | |||||
5 | Mühendislik problemlerini belirler, formüle eder ve çözer. | |||||
6 | Mesleki ve etik sorumluluk bilincine sahiptir. | |||||
7 | Etkili iletişim kurar. | |||||
8 | Yaşam boyu öğrenmenin gerekliliğini tanır ve bu sürece katılır. | |||||
9 | Çağdaş konular hakkında bilgi sahibidir. | |||||
10 | Mühendislik uygulamaları için gerekli modern araç, teknik ve becerileri kullanır. | |||||
11 | Proje yönetimi becerilerine ve uluslararası standartlar ile metodolojilere ilişkin bilgiye sahiptir. | |||||
12 | Gerçek dünya problemleri için mühendislik ürünleri ve prototipleri geliştirir. | |||||
13 | Mesleki bilgiye katkı sağlar. | |||||
14 | Yöntemsel ve bilimsel araştırma yapar. | |||||
15 | Orijinal ya da mevcut bilgi kümesi çerçevesinde bilimsel bir yapıt üretir, raporlar ve sunar. | |||||
16 | Ürettiği özgün fikri savunur. |
ECTS/İş Yükü Tablosu
Aktiviteler | Sayı | Süresi (Saat) | Toplam İş Yükü |
---|---|---|---|
Ders saati (Sınav haftası dahildir: 16 x toplam ders saati) | 16 | 3 | 48 |
Laboratuar | |||
Uygulama | |||
Derse Özgü Staj | |||
Alan Çalışması | |||
Sınıf Dışı Ders Çalışma Süresi | 16 | 2 | 32 |
Sunum/Seminer Hazırlama | |||
Projeler | |||
Raporlar | |||
Ödevler | 1 | 18 | 18 |
Küçük Sınavlar/Stüdyo Kritiği | |||
Ara Sınavlara/Ara Juriye Hazırlanma Süresi | 1 | 12 | 12 |
Genel Sınava/Genel Juriye Hazırlanma Süresi | 1 | 15 | 15 |
Toplam İş Yükü | 125 |