1. Baskı,
Mayıs 2024
Kitabın Detayları
Dili:
Türkçe
Ebat:
16x24
Sayfa Sayısı:
304
Kitabın Fiyatı:
340,00₺
Stoktan hemen gönderilir.
Kitabın Açıklaması
Artık herkes her konuda yapay zekaya sorular sorarak yanıt alabiliyor. Diğer bir ifade ile, yapay zekaya prompt veriyor ve sonucunu alıyor.
Peki, siz gerçekten doğru soruyu sormayı biliyor musunuz?
Veya yapay zekanın size verdiği yanıtın gerçekten doğru olup olmadığını nasıl anlayabilirsiniz?
Bu alanın Türkçe olarak yazılmış ilk özgün kitabı olan bu eser, yapay zekaya doğru sorular sormayı, verilen yanıtların doğruluğunu değerlendirmeyi ve içerdiği bilgiyi doğru bir şekilde iletebilmenin inceliklerini ve püf noktalarını anlatıyor.
Hem mesleki deneyimi hem de akademik çalışmaları ile yapay zeka konusunda uzman olan Dr. Ezgi Avcı tarafından kaleme alınan bu eser, konuları sistematik olarak sınıflandırmış ve püf noktalarıyla okuyucuya aktarmıştır.
Anlatılan konuların daha iyi anlaşılması için, gerçek dünyadan 200'den fazla örnek prompta yer verilmiştir.
KİTAP HAKKINDAKİ GÖRÜŞLER:
Bu eser, çağımızın en çarpıcı teknolojik dönüşümlerinden birinin kalbine yolculuk ediyor, akademik mükemmelliği ve yenilikçi düşünceyi bir araya getirerek, geleceğin mühendislerine ilham veriyor.
Prof. Dr. İhsan SABUNCUOĞLU
Rektör, TED Üniversitesi
Bu eser, öğrencilerimizi yeni bir düşünce biçimiyle tanıştıran, onlara yapay zekanın ve dil modellerinin dünyasını açan bir kapı. Bu eser, gelecekteki öğretim metotlarını ve araştırmaları şekillendirecek olan bu yeni dili anlamamızı sağlıyor. Dolayısıyla her akademisyenin okuması gerektiğini düşünüyorum.
Prof. Dr. Kürşat AYDOĞAN
Rektör, Bilkent Üniversitesi
Dünyada yeni bir lisan doğuyor. Geleceğin liderlerinin misyonlarını başarılı bir şekilde yerine getirebilmeleri için, bu dile kayıtsız kalması mümkün değildir. Bu dil teknoloji dilidir, yapay zeka dilidir. Bu eser, üretken yapay zekanın ve prompt mühendisliğinin nasıl kullanılması gerektiğini öğreneceğiniz yolculukta size ışık tutacak.
SamiASLANHAN
YK Başkanı & Kurucu, Kontrolmatik & Plan-S
Üretken yapay zeka ve dil modellemesi, iş dünyasında yeni bir dönemin kapısını aralıyor ve bu eser bu dönemin anahtarını sunuyor. Bu eser, işletmenizin verimliliğini artırmanın ve rekabet avantajınızı korumanın yeni yollarını keşfetmek için mükemmel bir yol gösterici.
Arda ÖDEMİŞ
YK Başkanı & Kurucu, ARD Grup
Bu eser, üretken yapay zeka ve prompt mühendisliği gibi modern kavramların akıllı sistemlerin geliştirilmesinde nasıl kullanıldığını derinlemesine analiz etmekte, bu teknolojilerin potansiyelinin nasıl tam anlamıyla keşfedilebileceğini araştırmaktadır. Akademisyenler, girişimciler ve teknoloji profesyonelleri için bir rehber niteliğinde olan bu çalışma, okuyucuları kendi yenilikçi çözümlerini üretmeye teşvik etmektedir. Ayrıca, okuyucuları geleceğin teknolojilerine yön vermeye ve kendi projelerini geliştirmeye yönlendiren ilham verici bir kaynaktır.
Mustafa AKMAZ
YK Üyesi & GM, Emeklilik Gözetim Merkezi
Kitabın Konu Başlıkları
Üretken Yapay Zeka
Büyük Dil Modelleri
Vektör Veri Tabanları
Prompt Mühendisliği
Prompt Tasarımı – İyileştirmesi
Prompt Değerlendirmesi – Optimize Etme
Prompt Güvenliği ve Etiği
Uygulamalı Örnekler
Kitapla İlgili Kategoriler
Yorumlar
Kitabın İçindekileri
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
Kitabın Fiyatı:
340,00₺
Stoktan hemen gönderilir.
Bu kitaplar da ilginizi çekebilir
İş Analistinin El Kitabı
Ali Gürbüz
Nesnelerin İnterneti Akıllı Ev
Serap Türkyılmaz
Python ile Makine Öğrenmesi
Ömer Deperlioğlu, Utku Köse
Denetim – Muhasebe ve Finansta Yapay Zekâ
Ferhat Sayım
Hakkımızda
|
Uluslararası Yayınevi Belgesi|
2023 Kaynakça Dokümanı|
Kişisel Verilerin Korunması |
Üyelik|
Siparişlerim|
İade Politikası|
İletişim