LLM’ler üzerinde uygulama geliştirmek için LangChain çerçevesine hoş geldin! Modeller, zincirler, aracılar (agents), istemler (prompts) ve ayrıştırıcılar (parsers) dahil olmak üzere LangChain’in ana bileşenlerini öğreneceksin. Hem Hugging Face’teki açık kaynaklı modellerle hem de OpenAI’ın tescilli modelleriyle sohbet botları oluşturacak, istem şablonları hazırlayacak ve sohbet sırasında bağlamı ve kaynakları yönetmek için farklı sohbet botu bellek stratejilerini entegre edeceksin.

LangChain ekosistemi

LangChain'de OpenAI modelleri!

LangChain'de Hugging Face modelleri!

İstem şablonları

Prompt şablonları ve zincirleme

Sohbet istemi şablonları

Birkaç atışlık yönlendirme

Birkaç çekimlik örnek setinin oluşturulması

Az örnekli (few-shot) istem şablonu oluşturma

Few-shot prompt uygulama

LangChain’e Giriş ve Sohbet Botu Mekaniği

LangChain zincirlerini bir üst seviyeye taşıma zamanı! Zincirleri daha esnek biçimde tanımlamak için LangChain Expression Language’i (LCEL) kullanmayı öğreneceksin. Girdilerin bileşenler arasında aktarıldığı sıralı zincirler oluşturup daha gelişmiş uygulamalar inşa edeceksin. Ayrıca, karar verme için LLM’leri kullanan aracıları entegre etmeye başlayacaksın.

Sıralı zincirler

Sıralı zincirler için ipucu oluşturma

LCEL ile sıralı zincirler

LangChain aracılarına giriş

Agent nedir?

ReAct ajanları

Acenteler için özel araçlar

Araç kullanımı için bir işlev tanımlama

Özel araçlar oluşturma

Özel araçları ajanlarla entegre etme

Zincirler ve Aracılar

LLM’lerin bir sınırlaması, belirli bir tarihe kadar olan verilerle eğitildikleri için bilgi kesim tarihine sahip olmalarıdır. Bu bölümde, harici verileri LLM’lerle entegre etmek için Retrieval Augmented Generation (RAG) kullanan uygulamalar oluşturmayı öğreneceksin. RAG iş akışı; veriyi bölme, gömlemeleri (embeddings) bir vektör veritabanı kullanarak oluşturup depolama ve uygulamada kullanılmak üzere en alakalı bilgiyi getirme gibi birkaç farklı süreç içerir. Tüm iş akışına hâkim olmayı öğreneceksin!

Belge yükleyicileri entegre etme

PDF belge yükleyi̇ci̇ler

CSV belge yükleyi̇ci̇ler

HTML belge yükleyi̇ci̇ler

Alım için harici verileri bölme

Karaktere göre bölme

Karaktere göre özyinelemeli bölme

HTML'i bölme

RAG vektör veri tabanları kullanarak depolama ve geri çağırma

Belgeleri ve vektör veritabanını hazırlama

Bir alma istemi şablonu oluşturma

Bir RAG zinciri oluşturma

Toparlanın!

Retrieval Augmented Generation (RAG)

Büyük dil modellerine (LLM'ler) dayalı uygulamalar oluşturmak için LangChain çerçevesinin gücünden yararlanarak uygulamalarını dönüştür! Üretken yapay zekâ çağında uygulama geliştirmenin en büyük zorluklarından biri; modelleri, veri kaynaklarını, istemleri (prompts) ve diğer bileşenleri farklı sağlayıcılardan alıp tek bir uygulamada birleştirmektir. LangChain çerçevesi, tüm bu parçaları bir araya getirmek için tek ve birleşik bir sözdizimi sunarak LLM'leri projelerine çok daha sorunsuz şekilde entegre etmene olanak tanır. İster deneyimli bir geliştirici ol ister yeni başlıyor ol, bu kurs sana LangChain’in sınırsız yeteneklerinden yararlanan dinamik ve akıllı uygulamalar inşa etmek için gerekli bilgi ve becerileri kazandıracak. Bu dönüştürücü yolculuğa katıl ve dil modelleriyle güçlendirilmiş uygulamaları nasıl oluşturduğunu yeniden tanımla.

Videolarda, videoların sol altındaki "Show transcript" seçeneğine tıklayarak açabileceğin canlı transkriptler bulunur.
Kurs sözlüğünü sağdaki kaynaklar bölümünde bulabilirsin.
CPE kredileri almak için kursu tamamlaman ve nitelikli değerlendirmede %70 puana ulaşman gerekir. Sağ taraftaki CPE kredileri çağrı kutusuna tıklayarak değerlendirmeye gidebilirsin.

<h2>LangChain Ekosisteminde Gelişmenin Temeli</h2>
LLM araç setinizi LangChain'in ekosistemiyle güçlendirerek OpenAI ve Hugging Face modelleriyle sorunsuz entegrasyon sağlayın.  Gerçek dünya uygulamalarını optimize eden ve kullanım durumunuza özgü sofistike bilgi erişim sistemleri oluşturmanıza olanak tanıyan açık kaynaklı bir çerçeveyi keşfedin.<br><br>
<h2>LangChain Kullanarak Chatbot Oluşturma Metodolojileri</h2>
HuggingFace'in açık kaynak modelleri ile OpenAI'nin kapalı kaynak modelleri arasındaki nüansları karşılaştırarak sohbet robotları geliştirmek için LangChain araçlarını kullanın. Karmaşık konuşmalar için hızlı şablonları kullanın ve gelişmiş chatbot geliştirme için zemin hazırlayın.<br><br>
<h2>LangChain kullanarak Veri İşleme ve Erişim Artırma Üretimi (RAG)</h2>
Optimize edilmiş veri alımı için tokenizasyon ve vektör veritabanlarında uzmanlaşarak chatbot etkileşimlerini zengin dış bilgilerle zenginleştirin.  Farklı kullanım durumlarını optimize etmek için RAG bellek işlevlerinden yararlanın.<br><br>
<h2>Gelişmiş Zincir, Araç ve Temsilci Entegrasyonları</h2>
Tam uçtan uca kullanım durumlarını ve gelişmiş LLM çıktı işlemeyi ele almak için zincirlerin, araçların, aracıların, API'lerin ve akıllı karar verme süreçlerinin gücünden yararlanın.<br><br>
<h2>Hata Ayıklama ve Performans Ölçütleri</h2>
Son olarak, hata ayıklama, optimizasyon ve performans değerlendirme konularında uzmanlaşarak sohbet robotlarınızın hata işleme için geliştirildiğinden emin olun.  Sorun giderme için şeffaflık katmanları ekleyin.

Introduction to Embeddings with the OpenAI API

Prompt Engineering with the OpenAI API

LangChain'de LLM'ler, istemler, zincirler ve ajanlar kullanarak yapay zeka uygulamaları oluşturmayı öğrenin.

LangChain ile LLM Uygulamaları Geliştirme

LangChain'de LLM'leri, istemleri, zincirleri ve aracıları kullanarak yapay zeka destekli uygulamaları nasıl oluşturacağınızı keşfedin.

Geliştiriciler için Yardımcı Yapay Zeka Mühendisi

Yapay Zeka Uygulamaları Geliştirme

LangChain ile Uygulama Geliştirme

Agent nedir?

LangChain ile LLM Uygulamaları Geliştirme

Uygulamalı etkileşimli egzersiz