YAPAY ZEKA PROMPT MÜHENDİSLİĞİ
Bu kurs; temel Python bilgisine sahip ve yazılım geliştirme süreçlerine hâkim katılımcılar için tasarlanmıştır. Program, Prompt Mühendisliği Eğitimi kapsamında etkili prompt tasarımı ve Büyük Dil Modelleri (LLM) ile başlayarak, API entegrasyonları, RAG mimarisi, AI Agent geliştirme ve production-ready LLM uygulamalarına kadar orta ve ileri düzey teknik beceriler kazandırmayı hedefler.
Saltuk Buğra Karacan
Freelance AI Engineer / AI Consultant
KURS HAKKINDA:
AI Prompt Engineering Eğitimi, Büyük Dil Modelleri (LLM) ile çalışan modern yapay zekâ uygulamaları geliştirmek isteyen yazılım geliştiricileri ve teknik profesyoneller için hazırlanmış uygulamalı bir programdır. Bu Prompt Mühendisliği Kursu boyunca etkili prompt tasarımı, LLM API entegrasyonları, Function Calling, Structured Outputs, RAG, LangChain ve AI Agent geliştirme gibi güncel yaklaşımları gerçek projeler üzerinde uygulamalı olarak öğrenirsiniz. Eğitim sonunda, kendi GitHub portföyünüze ekleyebileceğiniz production-ready bir LLM uygulaması geliştirerek Prompt Engineering becerilerinizi gerçek yazılım projelerine taşıyabilir ve üretken yapay zekâ teknolojilerini güvenilir, ölçeklenebilir uygulamalara dönüştürebilirsiniz.
-
Modern Prompt Engineering teknikleri
-
Güvenilir ve ölçeklenebilir AI geliştirme
-
Production-Ready LLM Uygulama
- Bilgi İstiyorum
AI PROMPT ENGINEERING ŞU DURUMLARDA FARK YARATIR:
BU AI PROMPT ENGINEERING EĞİTİMİ SİZE UYGUN, EĞER:
-
LLM tabanlı uygulamalar geliştirmek istiyorsanız
Prompt Engineering, API entegrasyonları ve modern LLM mimarilerini kullanarak gerçek yazılım projelerine üretken yapay zekâ özellikleri eklemeyi öğrenin.
-
Prompt Engineering'i teoriden pratiğe taşımak istiyorsanız
Function Calling, RAG, LangChain ve AI Agent yaklaşımlarını kullanarak uçtan uca çalışan gerçek projeler geliştirin.
-
AI Engineer seviyesinde teknik yetkinlik kazanmak istiyorsanız
Context Engineering, Prompt Evaluation, Multimodal AI ve production-ready geliştirme yaklaşımlarıyla güncel LLM ekosistemine hâkim olun.
-
GitHub portföyünüze güçlü bir AI projesi eklemek istiyorsanız
Eğitim sonunda RAG, Function Calling, AI Agent ve güvenlik katmanı içeren production-ready bir LLM uygulaması geliştirerek iş görüşmelerinde gösterebileceğiniz somut bir portföy oluşturun.
Eğitmen:
Saltuk Buğra Karacan
Freelance AI Engineer / AI Consultant
-
Münih Teknik Üniversitesi (TUM) Bilgisayar Bilimleri yüksek lisans mezuniyeti ve Fraunhofer IKS bünyesinde güvenlik-kritik süreçlerde LLM güvenilirliği üzerine yazdığı teziyle akademik derinliği sahaya taşıyan; Almanya ve Türkiye’de AI Engineer, Data Engineer ve Data Scientist rollerinde 4 yılı aşkın saha tecrübesine sahip kıdemli bir yapay zeka profesyonelidir.
-
Lisans bitirme tezi IEEE indeksli uluslararası bir konferansta yayımlanan ve 20'den fazla kişilik ekiple Türkçe için 123 bini aşkın görsel içeren en büyük çok-kipli (multimodal) veri setlerinden birini oluşturan araştırmacı; Siemens, Türk Hava Yolları ve Škoda gibi küresel devler için production ortamına uygun ML/AI çözümlerine imza atmıştır.
-
Almanya borsasına kote şirketlerin ESG verilerini %95 doğrulukla işleyen ETL pipeline'larından, çok dilli dil modellerini fine-tune ederek sistem verimliliğini %10-15 artıran ve CFA Poland gibi uluslararası AI yarışmalarında derece alan yenilikçi projelere kadar uçtan uca AI ve veri mimarilerini başarıyla hayata geçirmiştir.
-
Freelance AI Engineer olarak güncel projelerde RAG, AI Agent ve MCP (Model Context Protocol) sunucuları geliştirmeyi sürdürürken; teorik bilgi ile gerçek mühendislik pratiklerini harmanlayan yaklaşımıyla bugüne kadar 400'den fazla katılımcıya Python, veri bilimi ve makine öğrenmesi alanlarında mentorluk ve eğitmenlik yapmıştır.
-
Sadece ""prompt yazmayı"" değil; OpenAI, Anthropic, LangChain ve ChromaDB gibi güncel araçlarla halüsinasyondan arındırılmış, maliyet ve güvenlik odaklı, GitHub portföyüne eklenebilecek production-ready (canlıya alınabilir) LLM uygulamaları geliştirme disiplinini öğrencilerine kazandırmaktadır.
KATILIM İÇİN ÖN KOŞUL
Eğitimi rahatça takip edebilmeniz için çalışan kod yazabilecek düzeyde Python veya başka bir programlama dili bilgisi ile Git ve GitHub pratik deneyiminin yanı sıra REST API, HTTP, JSON, terminal (CLI) ve temel nesne yönelimli programlama konularında hakimiyet sahibi olmanız gerekmektedir.
MÜFREDAT
-
01 Ders
Prompt Engineering'in Ötesi: Büyük Dil Modellerini (LLM) Anlamak
- Büyük Dil Modellerinin (LLM) çalışma prensipleri ve kullanım alanları
- Transformer mimarisinin metin üretim sürecine etkisi
- Tokenization ve Context Window mantığını anlamak
- Temperature, Top-p ve Sampling parametrelerinin çıktı kalitesine etkisi
- Prompt Engineering'in sınırları ve doğru kullanım senaryoları
- Farklı LLM modellerinin davranış farklılıklarını değerlendirmek
- Sınıf İçi Uygulama: Aynı promptu farklı LLM modellerinde test ederek çıktıların kalite, tutarlılık ve maliyet açısından karşılaştırılması.
-
02 Ders
Prompt Design Patterns: Güvenilir ve Tekrarlanabilir AI Çıktıları Tasarlamak
- Etkili prompt tasarımında instruction ve context kurgulama
- Role Prompting ve Persona yaklaşımının doğru kullanımı
- Output Constraint tanımlayarak çıktıları standartlaştırmak
- JSON, XML ve yapılandırılmış çıktı üretim yöntemleri
- Tekrar kullanılabilir Prompt Template yapıları oluşturmak
- Prompt refactoring teknikleri ile kaliteyi artırmak
- Sınıf İçi Uygulama: Başarısız promptların yeniden tasarlanarak production seviyesine uygun hale getirilmesi.
-
03 Ders
İleri Seviye Prompt Engineering Teknikleri
- Zero-shot, One-shot ve Few-shot prompting yaklaşımlarını uygulamak
- Chain of Thought (Reasoning modelleri dışında) ve ReAct teknikleri ile akıl yürütme süreçlerini iyileştirmek
- Reflection ve Self-Consistency yöntemleriyle çıktı doğruluğunu artırmak
- Prompt Chaining ve Meta Prompting teknikleriyle çok adımlı süreçler tasarlamak
- Farklı prompting stratejilerini karşılaştırarak doğru yaklaşımı seçmek
- Sınıf İçi Uygulama: Belirli bir problem için farklı prompting tekniklerinin performansının karşılaştırılması.
-
04 Ders
API Tabanlı LLM Entegrasyonları
- OpenAI, Anthropic ve Gemini API yapılarını karşılaştırmak
- Chat Completion API ile uygulama geliştirmek
- Structured Output ve Streaming mekanizmalarını kullanmak
- API isteklerinde Rate Limit ve hata yönetimi stratejileri uygulamak
- API tabanlı LLM entegrasyonlarında güvenli geliştirme prensipleri
- Sınıf İçi Uygulama: Python kullanarak ilk API tabanlı LLM uygulamasının geliştirilmesi.
-
05 Ders
Function Calling ve AI Tool Integration
- Function Calling mekanizmasının çalışma prensibi
- Tool Use yaklaşımı ile harici servislerin kullanılması
- JSON Schema ile yapılandırılmış veri alışverişi
- Harici API servisleriyle AI entegrasyonu
- MCP (Model Context Protocol) ile araç yönetimi
- Sınıf İçi Uygulama: Harici servislerle iletişim kurabilen AI destekli bir uygulamanın geliştirilmesi.
-
06 Ders
Retrieval-Augmented Generation (RAG) ve Context Engineering
- Embedding yapısını ve vektör temelli arama mantığını anlamak
- Dokümanların Chunking stratejileriyle hazırlanması
- Vector Database mimarisinin temel bileşenleri
- Semantic Search ve Retrieval süreçlerinin yönetimi
- Context Engineering ile doğruluk oranını artırmak
- Sınıf İçi Uygulama: Kurumsal dokümanlarla çalışan RAG tabanlı bir AI asistanı geliştirilmesi.
-
07 Ders
LangChain ile LLM Workflow Geliştirme
- LangChain bileşenlerinin mimarisi
- Prompt Template ve Chain yapılarının oluşturulması
- Memory yönetimi ve Output Parser kullanımı
- Document Loader ile veri kaynaklarının sisteme aktarılması
- Çok adımlı AI workflow'larının tasarlanması
- Sınıf İçi Uygulama: LangChain kullanarak çok adımlı bir AI iş akışının geliştirilmesi.
-
08 Ders
AI Agents ve Çok Adımlı Akıllı Sistemler
- AI Agent mimarisinin bileşenleri
- Planning ve Tool Selection mekanizmaları
- Agent Memory ile bağlam yönetimi
- Multi-Agent mimarilerinin kullanım senaryoları
- Agent tabanlı sistemlerin tasarım prensipleri
- LangGraph ile state'li agent akışları
- Sınıf İçi Uygulama: Belirli bir görevi otonom olarak yerine getiren AI Agent geliştirilmesi.
-
09 Ders
Multimodal AI Uygulamaları
- Vision modellerinin çalışma prensipleri
- Görsel içeriklerin analiz edilmesi ve yorumlanması
- OCR ile dokümanlardan veri çıkarımı
- PDF, görsel ve ses verileriyle çalışan multimodal uygulamalar
- Multimodal Prompt Engineering teknikleri
- Sınıf İçi Uygulama: Metin, görsel ve PDF verilerini birlikte kullanan AI uygulaması geliştirilmesi.
-
10 Ders
Prompt Evaluation ve Production Optimizasyonu
- Hallucination problemlerini analiz etmek
- Prompt Evaluation Framework oluşturmak
- Prompt Debugging yöntemlerini uygulamak
- Token tüketimini ve maliyeti optimize etmek
- Latency analizi ve A/B testleri gerçekleştirmek
- Sınıf İçi Uygulama: Farklı prompt stratejilerinin performans, maliyet ve doğruluk açısından karşılaştırılması.
-
11 Ders
Production-Ready AI Sistemleri
- Prompt Injection saldırılarını önleme yöntemleri
- AI Security ve Guardrails yaklaşımları
- Logging ve Monitoring süreçlerini yönetmek
- Prompt Versioning stratejileri geliştirmek
- AI Governance ve güvenli kullanım politikalarını uygulamak
- Sınıf İçi Uygulama: Production ortamı için güvenlik ve kalite kontrol checklist'inin hazırlanması.
-
12 Ders
Atölye: Production-Ready LLM Uygulama
- Gerçek bir iş problemine uygun LLM mimarisinin tasarlanması
- Prompt stratejisi ve AI workflow'larının planlanması
- RAG, Function Calling ve Agent yapılarının projeye entegre edilmesi
- Performans, güvenlik ve maliyet optimizasyonunun uygulanması
- Projenin sunulması ve teknik değerlendirme süreçleri
- Sınıf İçi Uygulama: Uçtan uca çalışan, production ortamına hazır bir LLM tabanlı uygulamanın geliştirilmesi ve sunulması.
Bilgi İstiyorum
Büyük Dil Modelleri (LLM) ile çalışan modern yapay zekâ uygulamaları geliştirmek, Prompt Engineering yetkinliğinizi ileri seviyeye taşımak ve gerçek projeler üzerinde deneyim kazanmak için başvurun. Prompt Mühendisliği Eğitimi hakkında eğitim içeriği, ücretlendirme ve kayıt süreciyle ilgili detaylı bilgi almak için eğitim danışmanımız en kısa sürede sizinle iletişime geçecektir.