%3
Üretken Yapay Zeka ve Prompt Mühendisliği Ezgi Avcı

Üretken Yapay Zeka ve Prompt MühendisliğiKullanıma Hazır 200'den Fazla Prompt Örneği


Basım Tarihi
2024-05
Sayfa Sayısı
304
Kapak Türü
Karton
Kağıt Türü
1.Hamur
Basım Yeri
Ankara
Stok Kodu
9789750293221
Boyut
16x24
Baskı
1



Dr. Ezgi AVCI

 

İÇİNDEKİLER
 
Önsöz 
 
7
Yazar Hakkında 
 
9
Giriş 
 
25
ÜRETKEN YAPAY ZEKA
 
 
YAPAY ZEKA NEDİR? 
 
27
YAPAY ZEKA NEDEN ÖNEMLİDİR? 
 
27
YAPAY ZEKA NASIL ÇALIŞIR? 
 
29
ÜRETKEN YAPAY ZEKA NEDİR? 
 
32
ÜRETKEN YAPAY ZEKA VE YAPAY ZEKA ARASINDAKİ FARKLAR 
 
32
ÜRETKEN YAPAY ZEKAYA GEÇİŞ 
 
33
BÜYÜK DİL MODELİ (LLM) 
 
35
LLM Nedir? 
 
35
LLM'lerin Gelişimi 
 
35
LLM'lerin Üretken Yapay Zekaya Katkısı 
 
36
Semantik Anlam 
 
37
Semantik Anlamın Ortaya Çıkışı 
 
37
Semantik Anlamın Evrimi 
 
38
Semantik Anlamın Şu Anki Durumu 
 
38
Semantik Anlamın Seviyeleri 
 
39
Semantik Anlamın Bağlamı 
 
39
Semantik Anlamın Temel Çeşitleri 
 
39
Letarjik Anlam (Denotasyon) 
 
39
Yan Anlam (Konotasyon) 
 
40
Bağlamsal Anlam 
 
40
İlişkisel Anlam 
 
40
Metaforik Anlam 
 
40
Sembolik Anlam 
 
41
Dikkat Mekanizması 
 
41
Dikkat Mekanizmasının Ortaya Çıkışı 
 
41
Dikkat Mekanizmasının Gelişimi 
 
41
Dikkat Mekanizmasının Çalışma Prensibi 
 
42
En Yaygın Dikkat Mekanizması Modelleri 
 
43
Seq2Seq Modeli ve Dikkat 
 
43
Transformer Modelleri 
 
44
GPT ve BERT Gibi Öncü Dil Modelleri 
 
44
Dikkat Mekanizmasının Farklı Türleri 
 
44
Metin temsil modelleri 
 
45
Metin Temsil Modellerinin Çeşitleri 
 
45
One–Hot Encoding 
 
45
TF–IDF (Term Frequency–Inverse Document Frequency) 
 
45
Kelime Embeddingleri 
 
45
Kontekste Duyarlı Embeddingler 
 
46
Metin Temsil Modelleri ve Embedddings Arasındaki Farklar 
 
46
En Çok Kullanılan Büyük Dil Modelleri 
 
48
FLAN 
 
48
Genel Özellikleri 
 
48
Nasıl Çalışır? 
 
49
Avantajları 
 
49
Dezavantajları 
 
49
GPT–4 
 
50
Genel Özellikleri 
 
50
Nasıl Çalışır? 
 
50
Avantajları 
 
51
Dezavantajları 
 
51
BERT 
 
51
Genel Özellikleri 
 
51
Nasıl Çalışır? 
 
52
Avantajları 
 
52
Dezavantajları 
 
52
LLaMA 
 
53
Genel Özellikleri 
 
53
Nasıl Çalışır? 
 
53
Avantajları 
 
53
Dezavantajları 
 
54
BLOOM 
 
54
Genel Özellikleri 
 
54
Avantajları 
 
54
Dezavantajları 
 
55
Büyük Dil Modellerini Farklı Kılan Temel Faktörler 
 
55
Model Boyutu ve Parametre Sayısı 
 
55
Eğitim Verisi ve Çeşitliliği 
 
55
Mimari ve Yenilikler 
 
56
Pre–Training ve Fine–Tuning Stratejileri 
 
56
Çokdillilik ve Kültürel Çeşitlilik 
 
56
Açık Kaynak Erişimi ve Topluluk Desteği 
 
56
Büyük Dil Modelleri Eğitimi 
 
57
Veri Toplama ve Hazırlama 
 
57
Model Mimarisinin Seçimi 
 
57
Eğitim 
 
58
Fine–Tuning 
 
58
Değerlendirme ve Test 
 
58
Dağıtım ve Kullanım 
 
58
LLMOps (BÜYÜK DİL MODELİ YÖNETİMİ) 
 
59
Neden LLMOps? 
 
59
Model Yönetimi 
 
59
Performans ve Ölçeklendirme 
 
60
Güvenlik ve Uyumluluk 
 
60
Sürekli İyileştirme 
 
60
LLMOps İş Akışı 
 
61
Veri Ön İşleme (Pre–Processing) 
 
61
Yerelleştirme (Grounding) 
 
61
Sorumlu Yapay Zeka (Responsible AI) 
 
62
Veri Son İşleme (Post–Processing) 
 
62
LLMOps Süresi 
 
63
Gecikme 
 
63
Önbelleğe Alma 
 
63
Eş Zamanlı İşleme 
 
63
Dağıtık İşleme 
 
64
LLMOps'un Temel Bileşenleri 
 
64
Doğru Temel Modeli Seçme 
 
65
LLM Sağlayıcıları 
 
65
Özelleştirilmiş Modeller vs Açık Kaynak 
 
65
LLMOps’ta Model Seçim Kriterleri 
 
66
Maliyet 
 
66
Görev Türleri 
 
66
Performans Metrikleri 
 
66
Lisanslama 
 
67
LLMOps İnce Ayar Stratejileri 
 
67
Model Özelleştirme 
 
67
Eğitim Verisi Hazırlama 
 
69
Eğitim ve Çıkarım Parametreleri 
 
70
LLM’lerin Üretim Ortamına Dağıtımı ve İzlenmesi 
 
71
Üretim Ortamında Bir LLM’nin Kullanıma Hazır Hale Getirilmesi 
 
71
Üretimde Modelle Etkileşim Kuracak Arayüzün Ayarlanması 
 
72
API Dağıtımı 
 
72
Model Paketlemesi ve Sürümlemesi 
 
72
LLMOps Altyapısının Performansını Artırabilecek İleri Teknikler 
 
73
Yüksek Performanslı Kaynaklar 
 
73
Yük Dengeleme 
 
74
Coğrafi Dağılım 
 
74
LLMOps'ta CI/CD pipeline'ları 
 
75
LLMOps’da CI ve CD'nin Önemi 
 
75
LLMOps’ta CI’nın Önemi 
 
75
LLMOps’ta CD’nın Önemi 
 
75
CI/CD'nin LLMOps'taki Toplam Değeri 
 
76
LLM Ops için CI/CD Pipeline'larının Kurulumu 
 
76
Örnekler ve Uygulamalar 
 
77
LLMOps’ta Orkestrasyon 
 
78
Veri Akışının Yönetimi 
 
78
Yapılandırma Dosyaları ile Yönetim 
 
78
Otomasyon ve İş Akışları 
 
79
LLMOps Süreçlerinde Güvenlik 
 
80
Güçlü Veri Anonimleştirme Teknikleri 
 
80
Özel Kullanıcı Bilgilerinin Güvenli Saklanması 
 
80
LLMOps Altyapısında Güçlü Erişim Kontrolleri 
 
81
TOKEN BÜTÇELEME VE VERİMLİLİK 
 
82
Token Nedir? 
 
82
Bağlam Penceresi Nedir? 
 
82
Token Bütçeleme Nedir? 
 
82
Token Verimliliği Nedir? 
 
83
Belge Sorgulamada Token Bütçeleme 
 
84
Chunk (Parça) Üst Üste binmesi 
 
84
VEKTÖR VERİ TABANLARI 
 
85
Vektör Veri Tabanlarında Sorgulama Yapma 
 
85
K–En Yakın Komşu (K–NN) Araması 
 
85
Aralık Araması 
 
85
Tersine Çevrilebilir Dizinleme 
 
85
Hash Tabanlı Yöntemler 
 
86
Vektör Veri Tabanlarında Arama Algoritmaları 
 
86
K–En Yakın Komşular (K–NN) 
 
86
Küresel Yaklaşık Yakın Komşular (ANNS – Approximate Nearest Neighbors Search) 
 
87
Locality Sensitive Hashing (LSH) 
 
87
Ağaç Tabanlı Algoritmalar 
 
87
Hiyerarşik Navigable Small World (HNSW) Grafları 
 
87
İSTEĞE BAĞLI BELGE SORGULAMA İYİLEŞTİRMELERİ 
 
88
Semantik Arama Kapasitesini Geliştirme 
 
88
Kullanıcı Arayüzü ve Deneyimini İyileştirme 
 
89
Geri Bildirim Döngüsü Kurma 
 
89
Performans ve Ölçeklenebilirlik Optimizasyonları 
 
89
Örnek Uygulama Senaryosu 
 
89
PROMPT MÜHENDİSLİĞİ
 
 
PROMPT MÜHENDİSLİĞİ NEDİR? 
 
91
PROMPT MÜHENDİSLİĞİNİN GELİŞİMİ 
 
91
Yapay Zekanın Erken Dönemleri 
 
91
İnternetin Yükselişi ve Arama Motorları 
 
92
Makine Öğrenmesi ve Doğal Dil İşleme 
 
92
Derin Öğrenme Devrimi 
 
92
Prompt Mühendisliğinin Yükselişi 
 
92
PROMPT MÜHENDİSLİĞİ NEDEN ÖNEMLİDİR? 
 
94
Etkinlik ve Verimlilik 
 
94
Anlaşılırlık 
 
94
Esneklik 
 
94
Hata Toleransı 
 
95
Doğruluk ve Relevansın Artırılması 
 
95
Verimlilik ve Maliyet Tasarrufu 
 
95
Kullanıcı Deneyiminin İyileştirilmesi 
 
95
Özelleştirme ve Esneklik 
 
96
Yaratıcılığın ve Yenilikçiliğin Teşviki 
 
96
Veri Güvenliği ve Gizliliğin Korunması 
 
96
Kültürel ve Dil Çeşitliliğine Duyarlılık 
 
96
Eğitim ve Araştırma için Araç Olarak Kullanım 
 
96
Etik ve Sorumlu AI Kullanımının Desteklenmesi 
 
97
PROMPT MÜHENDİSLİĞİ TEMEL TERİMLERİ 
 
97
Prompt 
 
97
Model 
 
97
Çıktı 
 
97
Ölçüt 
 
97
Örnek: Bir Bilim Kurgu Hikayesi Yazdırma ve Çıktıyı Değerlendirme 
 
97
PROMPT MÜHENDİSLİĞİNİN ZORLUKLARI 
 
100
Doğru ve Etkili Bir Prompt Oluşturamamak 
 
100
Sistemin Çeşitli ve Kaliteli Cevaplar Vermesini Sağlayamamak 
 
100
Sistemin Güvenli ve Etik Olmasını Sağlayamamak 
 
101
YAPISINA GÖRE PROMPT TÜRLERİ 
 
101
Açık Prompt 
 
101
Kapalı Prompt 
 
101
Örnekli Prompt 
 
102
Örnekli Olmayan Prompt 
 
102
Soru–Cevap Prompt 
 
103
Tamamlama Promptu 
 
103
Yaratıcı Yazım 
 
104
Metin Tamamlama 
 
104
Öneri ve Fikir Üretme 
 
104
Alternatif Senaryolar 
 
104
Öğretim ve Eğitim 
 
105
AMACINA GÖRE PROMPT TÜRLERİ 
 
105
Bilgi Edinme Promptları 
 
105
Yaratıcı İçerik Üretme Promptları 
 
105
Eylem Gerçekleştirme Promptları 
 
106
Öğrenme ve Gelişme Promptları 
 
107
PROMPT TASARIMI 
 
107
Prompt Tasarımı Yöntemleri 
 
108
Örnek Tabanlı Yöntem 
 
108
Şablon Tabanlı Yöntem 
 
109
Sorgu Tabanlı Yöntem 
 
111
Görev Tabanlı Yöntem 
 
112
Prompt Tasarımı Araçları 
 
115
Prompt Kütüphaneleri 
 
115
Hugging Face's Transformers 
 
115
AllenAI's AllenNLP 
 
116
spaCy 
 
117
NLTK (Natural Language Toolkit) 
 
117
Prompt Editörleri 
 
118
GPT–3 Sandbox 
 
118
ChatGPT Playground 
 
119
Hugging Face Transformers 
 
120
Prompt Üreteçleri 
 
120
Prompt Tasarımı Araçları Karşılaştırması 
 
121
Prompt Tasarımı Araçları Kullanımı 
 
122
Prompt Tasarımında Sık Karşılaşılan Sorunlar ve Çözümleri 
 
122
PROMPT İYİLEŞTİRME 
 
123
Prompt İyileştirme Yöntemleri 
 
123
Parametre Ayarlama Yöntemi (Limit Belirleme) 
 
123
Veri Artırma Yöntemleri 
 
124
Geribildirim Verme Yöntemi 
 
127
Açık Uçlu Sorular Kullanma 
 
129
İçerik Ekleme 
 
129
Tekrarlama ve Tefsir (Paraphrase) Kullanma 
 
129
Sistemli ve Kademeli Sorular Sorma 
 
130
Negatif Örnekler Sunma 
 
130
Prompt İyileştirme Araçları 
 
131
OptiPrompt 
 
131
PROMPT UYGULAMASI 
 
132
Promptu Uygun Bir Platformda Çalıştırmak 
 
132
Promptu Kullanıcıların İhtiyaçlarına Göre Ayarlamak 
 
133
Promptu Sürekli Olarak İzlemek ve Güncellemek 
 
133
Prompt Uygulamasında Kullanılan Araçlar ve Teknikler 
 
133
Streamlit 
 
133
Gradio 
 
133
OpenAI Codex API 
 
133
Hugging Face Inference API 
 
134
Prompt Uygulamasında Sık Karşılaşılan Sorunlar ve Çözümler 
 
134
Promptun Platformda Çalışmaması 
 
134
Promptun Kullanıcıların İhtiyaçlarına Uygun Olmaması 
 
134
Promptun Performansının veya Kullanıcı Memnuniyetinin Düşmesi 
 
134
PROMPT DEĞERLENDİRMESİ 
 
134
Dikkat Edilmesi Gereken Temel Prensipler 
 
134
Promptu Uygun Bir Metrikle Değerlendirmek 
 
135
Promptu Farklı Veri Setleriyle Değerlendirmek 
 
135
Promptu Farklı BDM’lerle Değerlendirmek 
 
135
Prompt Değerlendirmesinde Kullanılan Yöntem ve Araçlar 
 
135
Prompt Değerlendirme Yöntemleri 
 
135
Analiz Etme Yöntemi 
 
135
Karşılaştırma Yöntemi 
 
137
Test Etme Yöntemi 
 
138
Prompt Değerlendirme Metrikleri 
 
140
BLEU (Bilingualuation Understudy) Skoru 
 
140
ROUGE (Recall–Oriented Understudy for Gistinguation) Skoru 
 
140
METEOR (Metric foruation of Translation with Explicit ORdering) 
 
141
F1 Skoru 
 
141
Perplexity 
 
142
LIT (Language Interpretability Tool) 
 
142
GLUE (General Language Understandinguation) 
 
142
LM–BFF (Language Model Best Friend Forever) Veri Seti 
 
143
Prompt Değerlendirmesinde Sık Karşılaşılan Sorunlar ve Çözümleri 
 
144
Promptun Uygun Bir Metrikle Değerlendirilememesi 
 
145
Promptun Farklı Veri Setleriyle Tutarsız Sonuçlar Vermesi 
 
145
Promptun Farklı Yapay Zeka Modelleri İle Uyumsuz Olması 
 
146
PROMPT OPTİMİZE ETME 
 
147
Prompt Optimize Etme Yöntemleri 
 
147
Prompt Tuning 
 
147
Hard Prompt Tuning 
 
148
Soft Prompt Tuning 
 
148
Prompt Tuning’in Avantajları 
 
149
Prompt tuning’in dezavantajları 
 
149
Prompt Tuning Yöntemleri 
 
150
Fine–Tuning 
 
150
Ekleme (Insertion) 
 
151
Değiştirme (ment) 
 
151
Prompt Tuning’in Uygulama Alanları 
 
152
Prompt Tuning’in Gelecek Potansiyeli 
 
154
Prefix Tuning 
 
155
Prefix–Tuning’in Avantajları 
 
156
Prefix–Tuning’in Dezavantajları 
 
156
Prefix–Tuning Yöntemleri 
 
156
Adaptif Prefix–Tuning 
 
156
Meta Prefix–Tuning 
 
157
Prefix–Tuning’in Uygulama Alanları 
 
158
Prefix–Tuning’in Gelecek Potansiyeli 
 
159
Chain–of–Thought (Düşünce Zinciri) 
 
160
Chain–of–Thought’un Avantajları 
 
160
Chain–of–Thought’un Dezavantajları 
 
160
Chain–of–Thought’un Türleri 
 
160
Sıralı Chain–of–Thought 
 
160
Hierarchical Chain–of–Thought 
 
163
Conditional Chain–of–Thought (Koşullu Düşünce Zinciri) 
 
164
Chain–of–Thought’un Uygulama Alanları 
 
167
Chain–of–Thought’un Gelecek Potansiyeli 
 
168
Zero–Shot Prompting 
 
168
Ne Zaman ve Ne İçin Kullanılır? 
 
168
Zero–Shot Prompting Adımları 
 
168
Örnekler 
 
169
Few–Shot Prompting 
 
170
Ne Zaman ve Ne İçin Kullanılır? 
 
170
Few–Shot Prompting Adımları 
 
171
Örnekler 
 
171
Öz Tutarlılık Yönlendirme 
 
172
Ne Zaman ve Ne İçin Kullanılır? 
 
172
Öz Tutarlı Yönlendirme Adımları 
 
173
Örnekler 
 
173
Üretilen Bilgi Yönlendirmesi (Guided by Generated Information, GGI) 
 
174
Ne Zaman ve Ne İçin Kullanılır? 
 
174
Üretilen Bilgi Yönlendirmesi Adımları 
 
175
Örnekler 
 
175
Düşünce Ağacı (ToT) Yönlendirmesi 
 
176
Ne Zaman ve Ne İçin Kullanılır? 
 
177
Düşünce Ağacı (ToT) Yönlendirme Yöntemi Adımları 
 
178
Örnekler 
 
178
Otomatik Akıl Yürütme ve Araç Kullanımı (ART) 
 
179
Ne Zaman ve Ne İçin Kullanılır? 
 
180
ART Yöntemi Adımları 
 
180
Örnekler 
 
180
Otomatik Prompt Mühendisliği 
 
181
Ne Zaman ve Ne İçin Kullanılır? 
 
181
Otomatik Prompt Mühendisliği Adımları 
 
182
Örnekler 
 
182
Aktif Prompt Verme 
 
183
Ne Zaman ve Ne İçin Kullanılır? 
 
183
Aktif Prompt Adımları 
 
184
Örnekler 
 
184
Yönlendirici Uyarı Prompt 
 
185
Ne Zaman ve Ne İçin Kullanılır? 
 
185
Yönlendirici Uyarı–Prompt Adımları 
 
186
Örnekler 
 
186
Program Destekli Dil Modelleri (PAL) 
 
187
Ne Zaman ve Ne İçin Kullanılır? 
 
187
Program Destekli Dil Modelleri Adımları 
 
188
Örnekler 
 
188
ReAct Yönlendirmesi 
 
190
Ne Zaman ve Ne İçin Kullanılır? 
 
190
Adımlar 
 
190
Örnekler 
 
191
Çok Modlu CoT (MMCoT) 
 
192
Ne Zaman ve Ne İçin Kullanılır? 
 
192
Adımlar 
 
193
Örnekler 
 
193
RİSKLER VE KÖTÜYE KULLANIM 
 
194
Adversarial Prompt Gönderme 
 
194
Ne Zaman ve Ne İçin Kullanılır? 
 
194
Adımlar 
 
194
Örnekler 
 
195
Prompt Enjeksiyon Saldırıları 
 
196
Ne Zaman ve Ne İçin Kullanılır? 
 
196
Adımları 
 
197
Korunma Yolları 
 
197
Örnekler 
 
199
Prompt Sızdırma 
 
199
Ne Zaman ve Ne İçin Kullanılır? 
 
200
Adımları 
 
200
Prompt Sızıntısının Nedenleri 
 
200
Prompt Sızıntısının Sonuçları 
 
202
Korunma Yolları 
 
203
Örnekler 
 
204
Jailbreaking 
 
205
Nasıl Yapılır? 
 
205
Korunma Yolları 
 
206
Örnek 
 
206
DAN 
 
207
Nasıl Yapılır? 
 
207
Nasıl Engellenir? 
 
208
Örnekler 
 
208
Önyargılar 
 
208
Sebepleri 
 
209
Sonuçları 
 
209
Korunma Yolları 
 
209
Örnekler 
 
210
Halüsinasyon 
 
211
Sebepleri 
 
211
Sonuçları 
 
211
Korunma Yolları 
 
212
Örnekler 
 
214
PROMPT GÜVENLİĞİ VE ETİĞİ 
 
215
Dikkat Edilmesi Gereken Ana Konular 
 
215
Cevapların Doğrulanması ve Denetlenmesi 
 
215
Cevapların Çeşitliliğinin ve Kapsayıcılığının Desteklenmesi 
 
216
Cevapların Önyargılardan veya Ayrımcılıktan Arındırılması 
 
217
Cevapların Yasalara ve Etik Kurallara Uygun Olması 
 
217
Yöntemler 
 
218
Önceden Tanımlanmış Yanıt Sınırlamaları 
 
219
Kontekst Farkındalığı 
 
219
Sürekli Öğrenme ve Güncelleme 
 
219
Prompt Bileşenlerinin Parametreleştirilmesi 
 
219
Filtreleme 
 
221
Düzenleme 
 
223
Uyarı Verme 
 
226
PROMPT MÜHENDİSLİĞİNİN GELECEĞİ VE TRENDLERİ 
 
232
Daha Sofistike Yöntemler 
 
232
Otomatik Prompt Optimizasyonu 
 
232
Transfer Öğrenme ve Meta–Öğrenme 
 
232
Kişiselleştirilmiş Prompt Mühendisliği 
 
232
Yeni Dil Modeli Mimarileri ve Eğitim Stratejileri 
 
233
Etik ve Güvenlik Konuları 
 
233
Daha Fazla Sektörel Uygulamanın Ortaya Çıkması 
 
233
Sürdürülebilirliğe Katkı Sağlaması 
 
233
UYGULAMALAR 
 
233
GPT–4 ile Uygulamalar 
 
233
Promptları Net Yazmak 
 
233
Prompta Detaylar Eklemek 
 
234
Modele Bir Kişiliği Benimsetmek 
 
234
Girdideki Farklı Bölümleri Açıkça Belirtmek 
 
235
Bir Görevi Tamamlamak İçin Gereken Adımları Belirtmek 
 
236
Örnekler Sağlamak 
 
236
Çıktının İstenen Uzunluğunu Belirtmek 
 
237
Referans Metin Sağlamak 
 
237
Modeli Bir Referans Metni Kullanarak Cevap Vermesi İçin Yönlendirmek 
 
237
Modelin Referans Metinden Alıntılarla Cevap Vermesini İstemek 
 
238
Karmaşık Görevleri Daha Basit Alt Görevlere Bölmek 
 
238
Kullanıcı Promptunun En Alakalı Talimatlarını Belirlemek İçin Niyet Sınıflandırmasını Kullanmak 
 
238
Diyalog Uygulamaları İçin Çok Uzun Konuşmalar Gerektiğinde, Önceki Diyalogları Özetlemek veya Filtrelemek 
 
241
Uzun Dokümanları Parça Parça Özetlemek ve Tam Bir Özet Oluşturmak İçin Özetlerin Özetlerini Oluşturmak 
 
241
Modellere "Düşünme" Zamanı Vermek 
 
241
Modeli Acele Etmeden Kendi Çözümünü Bulması İçin Yönlendirin 
 
241
Modelin Akıl Yürütme Sürecini Gizlemek İçin İç Monolog veya Sorgu Dizisi Kullanmak 
 
243
Modelin Önceki Geçişlerde Bir Şeyi Kaçırıp Kaçırmadığını Sormak 
 
245
Dış araçları kullanmak 
 
246
Etkin Bilgi Erişimi Sağlamak İçin Embedding Tabanlı Aramayı Kullanmak 
 
246
Daha Doğru Hesaplamalar Yapmak veya Dış API'ları Çağırmak İçin Kod Çalıştırmayı Kullanmak 
 
246
Modele Belirli Fonksiyonlara Erişim Sağlamak 
 
247
Değişiklikleri Sistematik Olarak Test Etmek 
 
247
Model Çıktılarını Altın Standart Cevaplarla Değerlendirmek 
 
248
Günlük Uygulamalar 
 
251
Metin Üretme 
 
251
Metin Özetleme 
 
253
Soru Cevaplama 
 
254
Sohbet 
 
254
Python Yorumlayıcısı Olarak Kullanma 
 
257
Metin Sınıflandırma 
 
257
Metin Çevirisi 
 
258
Soru Cevaplama 
 
258
Metin Çeşidini Dönüştürme 
 
258
Farklı Türlerde, Tonlarda veya Tarzlarda İçerik Üretimi 
 
259
LLMOps’ta Prompt Mühendisliği Uygulamaları 
 
261
Prompt Şablonları 
 
262
A/B Testi ile Promptların Optimizasyonu 
 
263
RAG (Retrieval Augmented Generation) Uygulaması 
 
263
RAG Prompt Verimliliği Nasıl Sağlanır? 
 
264
GenAI Uygulamalarının Performansını Artırmak İçin RAG Neden Kullanılır? 
 
265
Maliyet–Etkinlik Perspektifinden RAG Neden Tercih Edilen Bir Yaklaşımdır? 
 
267
RAG Nasıl Çalışır? 
 
269
Araştırma Yapma ve Makale Yazımı 
 
271
Literatür Taraması 
 
271
Literatur Taraması Puanlaması 
 
272
Konferans Sunumu Hazırlanması 
 
273
En Uygun Dergi Seçimi 
 
275
Makalenin Otomatik Olarak Düzeltilmesi ve İyileştirilmesi 
 
276
Makale Özeti Çıkarılması 
 
278
İlginç ve Yenilikçi Bir Araştırma Sorusu Oluşturmak 
 
278
Hipotez Testi İçin En Uygun Yöntemin Seçilmesi 
 
279
Makale Yazımı 
 
280
Makale Düzenleme 
 
284
Büyük Dil Modellerinin Alan Özel Eğitimi (Sigorta Sektörü Örneği) 
 
287
Veri Toplama 
 
287
Veri Hazırlığı 
 
287
Tokenizasyon 
 
288
Normalizasyon 
 
288
Vektörleştirme 
 
289
Padding (Dizi Uzunluklarını Sabitleme) 
 
289
Sıralama 
 
290
Veri Etiketleme 
 
290
Veri Temizleme 
 
291
Veri Setinin Yapılandırılması 
 
292
Model Mimarisi Seçimi 
 
292
Pre–Training 
 
292
Geri Yayılım ve Optimizasyon 
 
293
İterasyonlar ve Erken Durma 
 
293
Fine–Tuning 
 
293
Değerlendirme 
 
293
Dağıtım 
 
293
Langchain Kullanarak Bir LLM i Sigorta Sektöründe Eğitme 
 
293
Veri Toplama ve Hazırlama 
 
294
LangChain Kurulumu ve Konfigürasyonu 
 
294
Pre–Training 
 
294
Fine–Tuning 
 
294
Veri Setinin Hazırlanması 
 
295
Model Seçimi ve Yükleme 
 
295
Özelleştirilmiş Veri Seti ile Fine–Tuning 
 
295
Model Değerlendirme ve Fine–Tuning 
 
296
Uygulama Geliştirme ve Entegrasyon 
 
296
Model Entegrasyonu 
 
297
Kaynakça 
 
299
Kavram Dizini 
 
302
Yorum yaz
Bu kitaba henüz yorum yapılmamış.
Bonus Card ( Garanti - Teb - Denizbank - Şekerbank vb. )
Taksit Sayısı
Taksit tutarı
Genel Toplam
1
329,80   
329,80   
Cardfinans ( Finansbank )
Taksit Sayısı
Taksit tutarı
Genel Toplam
1
329,80   
329,80   
Maximum Card ( İş Bankası - Ziraat Bankası )
Taksit Sayısı
Taksit tutarı
Genel Toplam
1
329,80   
329,80   
Worldcard ( YKB - Vakıfbank - Anadolubank - Albaraka )
Taksit Sayısı
Taksit tutarı
Genel Toplam
1
329,80   
329,80   
Diğer Kartlar
Taksit Sayısı
Taksit tutarı
Genel Toplam
1
329,80   
329,80   
Kapat