İSTİNYE ÜNİVERSİTESİ BİLGİ PAKETİ / DERS KATALOĞU
Ders Genel Tanıtım Bilgileri
| Ders Kodu: | SWE015 | ||||
| Ders İsmi: | Büyük Dil Modellerine Giriş | ||||
| Ders Yarıyılı: |
Güz |
||||
| Ders Kredileri: |
|
||||
| Öğretim Dili: | English | ||||
| Ders Koşulu: | |||||
| Ders İş Deneyimini Gerektiriyor mu?: | Hayır | ||||
| Dersin Türü: | Bölüm/Program Seçmeli | ||||
| Dersin Seviyesi: |
|
||||
| Dersin Veriliş Şekli: | E-Öğrenme | ||||
| Dersin Koordinatörü: | Dr. Öğr. Üy. MUHAMMED DAVUD | ||||
| Dersi Veren(ler): | Dr. Öğr. Üyesi Alper Öner, Araş. Gör. Yazım Beril Uluer | ||||
| Dersin Yardımcıları: |
Dersin Amaç ve İçeriği
| Dersin Amacı: | Büyük dil modeli geliştirme dersinin amacı, doğal dil işleme (Natural Language Processing - NLP) alanında uzmanlaşmış bireylere, büyük dil modellerini oluşturma, eğitme ve geliştirme konusunda bilgi ve beceriler kazandırmaktır. Bu ders, karmaşık dil yapılarını anlama, dil tabanlı görevleri gerçekleştirme ve gerçek dünya uygulamalarında etkili bir şekilde dil modellerini kullanma konularında derinlemesine bilgi sağlar. |
| Dersin İçeriği: | Docker, Tensorflow, Yapay Sinir Ağları, Konvolüsyonel Yapay Sinir Ağları, Doğal Dil İşlemeye Giriş, Tranformers-BERT & NER, LLM, LLM ince ayarı, MLLM, Görüntü İşleme ve Doğal Dil İşleme Uygulamaları |
Öğrenme Kazanımları
|
Bu dersi başarıyla tamamlayabilen öğrenciler;
1) Temel bir LLM problemi için iyi tanımlanmış bir problem formülasyonu tasarlamak 2) Optimize edilmiş LLM geliştirmek. 3) LLM problemlerini çözmek için yazılım araçlarını uygulayacaktır. 4) Temel Görüntü İşleme ve Dil Problemlerini transformatör yöntemleriyle çözebilecektir. 5) Ekip olarak Transformers Projesini gerçekleştirebilecektir. |
Ders Akış Planı
| Hafta | Konu | Ön Hazırlık |
| 1) | Docker – GIT | |
| 2) | Sinir Ağları - Tensorflow | |
| 3) | Konvolusyonel Sinir Ağları | |
| 4) | Bilgisayarlı Görme için Derin Öğrenme | |
| 5) | Doğal Dil İşleme'ye Giriş | |
| 6) | Doğal Dil İşleme için Derin Öğrenme | |
| 7) | Tranformers-BERT & NER | |
| 8) | Ara Sınav | |
| 9) | Transformers ile Çok Dilde NER | |
| 10) | Transformatörlerin Üretimde Verimli Hale Getirilmesi | |
| 11) | Büyük Dil Modelleri (LLM) | |
| 12) | Açık Kaynaklı Büyük Dil Modelleri (LLM) | |
| 13) | Foundation Models | |
| 14) | LLM Uygulamaları |
Kaynaklar
| Ders Notları / Kitaplar: | Natural Language Processing with Transformers, Lewis Tunstall, Leandro von Werra, and Thomas Wolf, O’Reilly. |
| Diğer Kaynaklar: | Deep Learning with Python, François Chollet, Manning, 2018. |
Ders - Program Öğrenme Kazanım İlişkisi
| Course Learning Outcomes | 1 |
2 |
3 |
4 |
5 |
|---|---|---|---|---|---|
| Program Kazanımları |
Ders - Öğrenme Kazanımı İlişkisi
| Etkisi Yok | 1 En Düşük | 2 Orta | 3 En Yüksek |
| Dersin Program Kazanımlarına Etkisi | Katkı Payı |
Ölçme ve Değerlendirme
| Yarıyıl İçi Çalışmaları | Aktivite Sayısı | Katkı Payı |
| Ödev | 2 | % 20 |
| Projeler | 2 | % 40 |
| Final | 1 | % 40 |
| Toplam | % 100 | |
| YARIYIL İÇİ ÇALIŞMALARININ BAŞARI NOTU KATKISI | % 60 | |
| YARIYIL SONU ÇALIŞMALARININ BAŞARI NOTUNA KATKISI | % 40 | |
| Toplam | % 100 | |
İş Yükü ve AKTS Kredisi Hesaplaması
| Aktiviteler | Aktivite Sayısı | İş Yükü |
| Ders Saati | 14 | 42 |
| Sunum / Seminer | 3 | 25 |
| Proje | 3 | 28 |
| Ödevler | 4 | 20 |
| Final | 2 | 20 |
| Toplam İş Yükü | 135 | |