GERİ DÖN
Ders Öğretim Planı
| Dersin Kodu | Dersin Adı | Dersin Türü | Yıl | Yarıyıl | AKTS |
|---|---|---|---|---|---|
| 501008162026 | MACHINE LEARNING SYSTEMS DESIGN | Seçmeli Ders Grubu | 4 | 8 | 5,00 |
Dersin Seviyesi
Lisans
Dersin Sunulduğu Dil
İngilizce
Dersin Amacı
Bu dersin amacı, öğrencilere gerçek dünyada kullanıma yönelik uçtan uca makine öğrenimi sistemlerinin mühendisliğini gerçekleştirmek için gerekli ilke ve uygulamaları kazandırmaktır. Ders, öğrencilerin gerçek dünya kısıtları altında güvenilir, ölçeklenebilir ve uyarlanabilir makine öğrenimi sistemlerini tasarlamayı, devreye almayı, izlemeyi ve bakımını sürdürmeyi öğrenmesini amaçlar.
Dersi Veren Öğretim Görevlisi/Görevlileri
Dr. Araş. Gör. Hüseyin UYAR
Öğrenme Çıktıları
| 1 | Veri alımı, öznitelik hatları (feature pipelines), eğitim, dağıtım ve izlemeyi kapsayan uçtan uca makine öğrenmesi sistemi mimarileri tasarlayabilme. |
| 2 | Makine öğrenmesi sistemi tasarımındaki gecikmeye karşı verim (latency vs. throughput) ve toplu işleme karşı akış işleme (batch vs. stream) gibi ödünleşimleri (trade-offs) analiz edebilme ve gerekçelendirebilme. |
| 3 | Veri temsili, model eğitimi ve sunumundaki (serving) tekrarlayan problemleri çözmek için makine öğrenmesi tasarım kalıplarını uygulayabilme. |
| 4 | Eğitim-sunum sapması (training-serving skew), veri kayması (data drift) ve kavram kayması (concept drift) gibi üretim sorunlarını tespit edebilme ve bu sorunları giderebilme. |
| 5 | Makine öğrenmesi yapılarının tekrarlanabilirliği, sürüm kontrolü ve otomatik testi için MLOps en iyi uygulamalarını kullanabilme. |
| 6 | Gerçek dünya koşullarında sorumlu yapay zeka kullanımı sağlamak amacıyla makine öğrenmesi sistemlerini güvenilirlik, adillik ve gizlilik açısından değerlendirebilme. |
Öğretim Sistemi
Birinci Öğretim
Dersin Ön Koşulu Olan Dersler
Veri Bilimine Giriş (veya eşdeğeri)
Ders İçin Önerilen Diğer Hususlar
Yok
Dersin İçeriği
Makine Öğrenmesi Sistemleri Yaşam Döngüsü (Kapsam Belirleme, Veri, Modelleme, Dağıtım); Veri Mühendisliği Temelleri; Eğitim Verisi Yönetimi (Örnekleme, Etiketleme, Sınıf Dengesizliği); Öznitelik Mühendisliği ve Öznitelik Depoları (Feature Stores); Model Geliştirme, Model Seçimi ve Çevrimdışı Değerlendirme; Dağıtık Eğitim ve Denetim Noktası Oluşturma (Checkpointing); Model Dağıtımı; Toplu ve Çevrimiçi Tahmin; Model Sunum Altyapısı ve Dayanıklılık; İzleme, Gözlemlenebilirlik ve Kayma Tespiti; Sürekli Öğrenme ve Otomatik İşleme Hatları; MLOps Altyapısı ve Araçları; Tekrarlanabilirlik ve Sürümleme; Sorumlu Yapay Zeka ve Etik
Haftalık Ayrıntılı Ders İçeriği
| Hafta | Konular (Teorik) | Öğretim Yöntem ve Teknikleri | Ön Hazırlık |
|---|---|---|---|
| 1 | Makine Öğrenmesi Sistemlerine Genel Bakış: Makine öğrenmesi (MÖ) ne zaman kullanılmalı; Araştırma ve Üretimde MÖ; MÖ Sistemleri ve Geleneksel Yazılım; Kapsam belirlemeden (scoping) izlemeye (monitoring) uzanan yaşam döngüsü | Konu Anlatımı (Huyen Böl. 1-2) | |
| 2 | Veri Mühendisliği Temelleri: Veri Formatları; Veri akış modları, Toplu (Batch) vs. Akış (Stream) işleme. | Konu Anlatımı (Huyen Böl. 3) | |
| 3 | Eğitim Verisi Yönetimi: Örnekleme stratejileri (örn. Olasılıksız Örnekleme, Rezervuar Örneklemesi, Önem Örneklemesi); Sınıf Dengesizliği ve Etiketleme sorunlarının ele alınması; Veri Artırımı; Tasarım Kalıbı: Yeniden Dengeleme (Rebalancing). | Konu Anlatımı (Huyen Böl. 4; Lakshmanan Böl. 3) | |
| 4 | Öznitelik Mühendisliği ve Veri Temsili: Eksik Değerlerin ve Veri Sızıntısının (Data Leakage) ele alınması; Tasarım Kalıpları: Hashed Fature, Embeddings, Feature Cross. | Konu Anlatımı (Huyen Böl. 5; Lakshmanan Böl. 2) | |
| 5 | Model Geliştirme ve Çevrimdışı Değerlendirme: Model Seçimi için ipuçları; Topluluk Öğrenmesi (Ensembling); Tasarım Kalıbı: Ensembles; Deney Takibi; Değerlendirme Yöntemleri. | Konu Anlatımı (Huyen Böl. 6; Lakshmanan Böl. 3) | |
| 6 | Eğitim Tasarım Kalıpları: Checkpointing, Transfer Öğrenme, Dağıtım Stratejisi, Hiperparametre Ayarlama; Dağıtık Eğitim; Otomatik Makine Öğrenimi (AutoML) | Konu Anlatımı (Huyen Böl. 6, Lakshmanan Böl. 4) | |
| 7 | Ara Sınav | Yazılı Sınav | |
| 8 | Model Dağıtımı ve Tahmin Servisleri: Toplu Tahmin ve Çevrimiçi Tahmin; Model Sıkıştırma. | Konu Anlatımı (Huyen Böl. 7) | |
| 9 | Dayanıklı Sunum (Serving) Kalıpları: Durumsuz (Stateless) Sunum Fonksiyonu, İki Aşamalı Tahmin, Anahtarlı Tahminler. | Konu Anlatımı (Lakshmanan Böl. 5) | |
| 10 | Veri Dağılımı Kaymaları ve İzleme: Veri Kayması (Data Drift), Kavram Kayması (Concept Drift) ve Etiket Kaymasının Tespiti; Eğitim-Sunum Sapması; Üretimde metriklerin izlenmesi. | Konu Anlatımı (Huyen Böl. 8) | |
| 11 | Sürekli Öğrenme ve Üretimde Test: Otomatik Yeniden Eğitim Döngüleri; Üretimde Test stratejileri. | Konu Anlatımı (Huyen Böl. 9) | |
| 12 | MLOps için Altyapı ve Araçlar: Depolama, İşleme ve Geliştirme Ortamları; Kaynak Yönetimi ve İş Akışı Orkestrasyonu; Konteynerleştirme temelleri. | Konu Anlatımı (Huyen Böl. 10) | |
| 13 | Tekrarlanabilirlik ve İşleme Hatları (Pipelines): Tasarım Kalıpları: Feature Store, Model Versioning, Bridged Schema ve Transform; MLOps işleme hatları otomasyonu. | Konu Anlatımı (Lakshmanan Böl. 6) | |
| 14 | Sorumlu Yapay Zeka ve İnsan Yönü: Tasarım Kalıpları: Explainable Predictions, Fairness Lens; Kullanıcı Deneyimi ve Ekip Yapısı; Gizlilik ve Etik. | Konu Anlatımı (Lakshmanan Böl. 7; Huyen Böl. 11) | |
| 15 | Dönem Projesi Sunumları | Öğrenci Sunumları | |
| 16 | Final Sınavı | Yazılı Sınav |
Ders Kitabı / Malzemesi / Önerilen Kaynaklar
1. Chip Huyen, Designing Machine Learning Systems: An Iterative Process for Production-Ready Applications, O'Reilly Media, 2022. 2. Valliappa Lakshmanan, Sara Robinson, Michael Munn, Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and MLOps, O'Reilly Media, 2020.
Planlanan Öğrenme Aktiviteleri ve Metodları
Değerlendirme
| Yarıyıl (Yıl) İçi Etkinlikleri | Adet | Değer |
|---|---|---|
| Ara Sınav | 1 | 50 |
| Proje Hazırlama | 1 | 50 |
| Toplam | 100 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | Adet | Değer |
| Final Sınavı | 1 | 100 |
| Toplam | 100 | |
| Yarıyıl (Yıl) İçi Etkinlikleri | 40 | |
| Yarıyıl (Yıl) Sonu Etkinlikleri | 60 | |
Staj Durumu
Yok
İş Yükü Hesaplaması
| Etkinlikler | Sayısı | Süresi (saat) | Toplam İş Yükü (saat) |
|---|---|---|---|
| Ara Sınav | 1 | 2 | 2 |
| Final Sınavı | 1 | 2 | 2 |
| Derse Katılım | 14 | 3 | 42 |
| Proje Hazırlama | 1 | 40 | 40 |
| Ara Sınav İçin Bireysel Çalışma | 1 | 12 | 12 |
| Final Sınavı içiin Bireysel Çalışma | 1 | 24 | 24 |
| Okuma | 14 | 2 | 28 |
| Toplam İş Yükü (saat) | 150 | ||
Program ve Öğrenme Çıktıları İlişkisi
| PÇ 1 | PÇ 2 | PÇ 3 | PÇ 4 | PÇ 5 | PÇ 6 | PÇ 7 | PÇ 8 | PÇ 9 | PÇ 10 | PÇ 11 | |
| ÖÇ 1 | |||||||||||
| ÖÇ 2 | |||||||||||
| ÖÇ 3 | |||||||||||
| ÖÇ 4 | |||||||||||
| ÖÇ 5 | |||||||||||
| ÖÇ 6 |
* Katkı Düzeyi : 1 Çok düşük 2 Düşük 3 Orta 4 Yüksek 5 Çok yüksek