Bu kaynakları kullanmaya başlamak için aşağıdaki adımları takip edin:
- Depoyu Çatallayın:
bağlantısına tıklayın.
- Depoyu Klonlayın:
git clone https://github.com/microsoft/edgeai-for-beginners.git - Azure AI Foundry Discord'a katılın ve uzmanlarla, diğer geliştiricilerle tanışın
Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Korean | Lithuanian | Malay | Marathi | Nepali | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Thai | Turkish | Ukrainian | Urdu | Vietnamese
Ek dil desteği talep etmek isterseniz, desteklenen diller burada listelenmiştir.
EdgeAI Başlangıç Seviyesi'ne hoş geldiniz – Edge Yapay Zeka'nın dönüştürücü dünyasına kapsamlı bir yolculuk. Bu kurs, güçlü yapay zeka yeteneklerini gerçek dünya uygulamalarıyla birleştirerek, verilerin oluşturulduğu ve kararların alınması gerektiği yerde yapay zekanın potansiyelini kullanmanızı sağlar.
Bu kurs, temel kavramlardan üretime hazır uygulamalara kadar şu konuları kapsar:
- Küçük Dil Modelleri (SLM): Edge cihazlar için optimize edilmiş modeller
- Donanım farkındalığı optimizasyonu: Çeşitli platformlarda uygulama
- Gerçek zamanlı çıkarım: Gizlilik koruma özellikleriyle
- Üretim dağıtımı: Kurumsal uygulamalar için stratejiler
Edge AI, modern zorluklara çözüm sunan bir paradigma değişimini temsil eder:
- Gizlilik ve Güvenlik: Hassas verileri buluta göndermeden yerel olarak işleyin
- Gerçek Zamanlı Performans: Zaman kritik uygulamalar için ağ gecikmesini ortadan kaldırın
- Maliyet Verimliliği: Bant genişliği ve bulut bilişim maliyetlerini azaltın
- Dayanıklı Operasyonlar: Ağ kesintileri sırasında işlevselliği koruyun
- Yasal Uyumluluk: Veri egemenliği gereksinimlerini karşılayın
Edge AI, yapay zeka algoritmalarını ve dil modellerini, verilerin oluşturulduğu yerde, bulut kaynaklarına bağımlı olmadan yerel donanımda çalıştırmayı ifade eder. Bu, gecikmeyi azaltır, gizliliği artırır ve gerçek zamanlı karar almayı mümkün kılar.
- Cihaz üzerinde çıkarım: Yapay zeka modelleri, telefonlar, yönlendiriciler, mikrodenetleyiciler, endüstriyel PC'ler gibi edge cihazlarda çalışır.
- Çevrimdışı yetenek: Sürekli internet bağlantısı olmadan işlev görür.
- Düşük gecikme süresi: Gerçek zamanlı sistemler için anında yanıtlar sağlar.
- Veri egemenliği: Hassas verileri yerel tutarak güvenliği ve uyumluluğu artırır.
Phi-4, Mistral-7B ve Gemma gibi SLM'ler, daha büyük LLM'lerin optimize edilmiş versiyonlarıdır ve şu amaçlarla eğitilir veya damıtılır:
- Düşük bellek kullanımı: Edge cihazların sınırlı belleğini verimli kullanır.
- Daha düşük işlem talebi: CPU ve edge GPU performansı için optimize edilmiştir.
- Hızlı başlangıç süreleri: Hızlı başlatma ile duyarlı uygulamalar sağlar.
Bu modeller, aşağıdaki kısıtlamalara uygun güçlü NLP yeteneklerini açar:
- Gömülü sistemler: IoT cihazları ve endüstriyel kontrolörler
- Mobil cihazlar: Çevrimdışı yeteneklere sahip akıllı telefonlar ve tabletler
- IoT cihazları: Sınırlı kaynaklara sahip sensörler ve akıllı cihazlar
- Edge sunucuları: Sınırlı GPU kaynaklarına sahip yerel işlem birimleri
- Kişisel bilgisayarlar: Masaüstü ve dizüstü bilgisayar dağıtım senaryoları
| Modül | Konu | Odak Alanı | Ana İçerik | Seviye | Süre |
|---|---|---|---|---|---|
| 📖 00 | EdgeAI'ye Giriş | Temel ve Bağlam | EdgeAI Genel Bakış • Endüstri Uygulamaları • SLM Tanıtımı • Öğrenme Hedefleri | Başlangıç | 1-2 saat |
| 📚 01 | EdgeAI Temelleri | Bulut ve Edge AI karşılaştırması | EdgeAI Temelleri • Gerçek Dünya Örnekleri • Uygulama Rehberi • Edge Dağıtımı | Başlangıç | 3-4 saat |
| 🧠 02 | SLM Model Temelleri | Model aileleri ve mimarisi | Phi Ailesi • Qwen Ailesi • Gemma Ailesi • BitNET • μModel • Phi-Silica | Başlangıç | 4-5 saat |
| 🚀 03 | SLM Dağıtım Uygulamaları | Yerel ve bulut dağıtımı | İleri Düzey Öğrenme • Yerel Ortam • Bulut Dağıtımı | Orta | 4-5 saat |
| ⚙️ 04 | Model Optimizasyon Araçları | Çapraz platform optimizasyonu | Tanıtım • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • İş Akışı Sentezi | Orta | 5-6 saat |
| 🔧 05 | SLMOps Üretim | Üretim operasyonları | SLMOps Tanıtımı • Model Damıtma • İnce Ayar • Üretim Dağıtımı | İleri | 5-6 saat |
| 🤖 06 | AI Ajanları ve Fonksiyon Çağrısı | Ajan çerçeveleri ve MCP | Ajan Tanıtımı • Fonksiyon Çağrısı • Model Bağlam Protokolü | İleri | 4-5 saat |
| 💻 07 | Platform Uygulaması | Çapraz platform örnekleri | AI Araç Seti • Foundry Yerel • Windows Geliştirme | İleri | 3-4 saat |
| 🏭 08 | Foundry Yerel Araç Seti | Üretime hazır örnekler | Örnek uygulamalar (detaylar aşağıda) | Uzman | 8-10 saat |
- 01: REST Chat Hızlı Başlangıç
- 02: OpenAI SDK Entegrasyonu
- 03: Model Keşfi ve Karşılaştırma
- 04: Chainlit RAG Uygulaması
- 05: Çoklu Ajan Orkestrasyonu
- 06: Modelleri Araç Olarak Yönlendirme
- 07: Doğrudan API İstemcisi
- 08: Windows 11 Sohbet Uygulaması
- 09: İleri Düzey Çoklu Ajan Sistemi
- 10: Foundry Araçlar Çerçevesi
Üretime hazır uygulamalarla kapsamlı uygulamalı atölye materyalleri:
- Atölye Rehberi - Tam öğrenme hedefleri, sonuçlar ve kaynak navigasyonu
- Python Örnekleri (6 oturum) - En iyi uygulamalar, hata yönetimi ve kapsamlı dokümantasyonla güncellenmiş
- Jupyter Notebooks (8 interaktif) - Adım adım öğreticiler, karşılaştırmalar ve performans izleme
- Oturum Rehberleri - Her atölye oturumu için detaylı markdown rehberleri
- Doğrulama Araçları - Kod kalitesini doğrulamak ve hızlı testler çalıştırmak için scriptler
Neler İnşa Edeceksiniz:
- Akış desteği ile yerel yapay zeka sohbet uygulamaları
- Kalite değerlendirmesi (RAGAS) ile RAG boru hatları
- Çoklu model karşılaştırma ve kıyaslama araçları
- Çoklu ajan orkestrasyon sistemleri
- Görev tabanlı seçimle akıllı model yönlendirme
- Toplam Süre: 36-45 saat
- Başlangıç Seviyesi: Modüller 01-02 (7-9 saat)
- Orta Seviye: Modüller 03-04 (9-11 saat)
- İleri Seviye: Modüller 05-07 (12-15 saat)
- Uzman Seviyesi: Modül 08 (8-10 saat)
- Edge AI Mimarisi: Yerel öncelikli yapay zeka sistemleri tasarlayın, bulut entegrasyonu ile
- Model Optimizasyonu: Modelleri edge dağıtımı için kuantize edin ve sıkıştırın (85% hız artışı, 75% boyut azaltma)
- Çoklu Platform Dağıtımı: Windows, mobil, gömülü ve bulut-edge hibrit sistemleri
- Üretim Operasyonları: Üretimde uç yapay zekayı izleme, ölçeklendirme ve bakım
- Foundry Yerel Sohbet Uygulamaları: Model değiştirme özellikli Windows 11 yerel uygulaması
- Çoklu Ajan Sistemleri: Karmaşık iş akışları için uzman ajanlarla koordinatör
- RAG Uygulamaları: Vektör arama ile yerel belge işleme
- Model Yönlendiriciler: Görev analizi temelinde modeller arasında akıllı seçim
- API Çerçeveleri: Akış ve sağlık izleme özellikli üretime hazır istemciler
- Platformlar Arası Araçlar: LangChain/Semantic Kernel entegrasyon desenleri
Üretim • Sağlık • Otonom Araçlar • Akıllı Şehirler • Mobil Uygulamalar
Önerilen Öğrenme Yolu (Toplam 20-30 saat):
- 📖 Giriş (Introduction.md): EdgeAI temelleri + sektör bağlamı + öğrenme çerçevesi
- 📚 Temel Bilgiler (Modüller 01-02): EdgeAI kavramları + SLM model aileleri
- ⚙️ Optimizasyon (Modüller 03-04): Dağıtım + kuantizasyon çerçeveleri
- 🚀 Üretim (Modüller 05-06): SLMOps + AI ajanları + fonksiyon çağırma
- 💻 Uygulama (Modüller 07-08): Platform örnekleri + Foundry Yerel araç seti
Her modül teori, uygulamalı alıştırmalar ve üretime hazır kod örnekleri içerir.
Teknik Roller: EdgeAI Çözüm Mimarı • ML Mühendisi (Edge) • IoT AI Geliştirici • Mobil AI Geliştirici
Sektörler: Üretim 4.0 • Sağlık Teknolojisi • Otonom Sistemler • FinTech • Tüketici Elektroniği
Portföy Projeleri: Çoklu ajan sistemleri • Üretim RAG uygulamaları • Platformlar arası dağıtım • Performans optimizasyonu
edgeai-for-beginners/
├── 📖 introduction.md # Foundation: EdgeAI Overview & Learning Framework
├── 📚 Module01-04/ # Fundamentals → SLMs → Deployment → Optimization
├── 🔧 Module05-06/ # SLMOps → AI Agents → Function Calling
├── 💻 Module07/ # Platform Samples (VS Code, Windows, Jetson, Mobile)
├── 🏭 Module08/ # Foundry Local Toolkit + 10 Comprehensive Samples
│ ├── samples/01-06/ # Foundation: REST, SDK, RAG, Agents, Routing
│ └── samples/07-10/ # Advanced: API Client, Windows App, Enterprise Agents, Tools
├── 🌐 translations/ # Multi-language support (8+ languages)
└── 📋 STUDY_GUIDE.md # Structured learning paths & time allocation
✅ Aşamalı Öğrenme: Teori → Uygulama → Üretim dağıtımı
✅ Gerçek Vaka Çalışmaları: Microsoft, Japan Airlines, kurumsal uygulamalar
✅ Uygulamalı Örnekler: 50+ örnek, 10 kapsamlı Foundry Yerel demosu
✅ Performans Odaklı: %85 hız iyileştirmeleri, %75 boyut azaltmaları
✅ Çoklu Platform: Windows, mobil, gömülü, bulut-uç hibrit
✅ Üretime Hazır: İzleme, ölçeklendirme, güvenlik, uyumluluk çerçeveleri
📖 Çalışma Kılavuzu Mevcut: Zaman tahsisi rehberi ve öz değerlendirme araçlarıyla yapılandırılmış 20 saatlik öğrenme yolu.
EdgeAI, yapay zekanın dağıtımındaki geleceği temsil ediyor: yerel öncelikli, gizliliği koruyan ve verimli. Bu becerileri öğrenerek bir sonraki nesil akıllı uygulamaları geliştirin.
Ekibimiz başka kurslar da sunuyor! Göz atın:
- MCP for Beginners
- AI Agents For Beginners
- Generative AI for Beginners using .NET
- Generative AI for Beginners using JavaScript
- Generative AI for Beginners
- ML for Beginners
- Data Science for Beginners
- AI for Beginners
- Cybersecurity for Beginners
- Web Dev for Beginners
- IoT for Beginners
- XR Development for Beginners
- Mastering GitHub Copilot for AI Paired Programming
- Mastering GitHub Copilot for C#/.NET Developers
- Choose Your Own Copilot Adventure
Eğer takılırsanız veya yapay zeka uygulamaları oluşturma konusunda sorularınız olursa, katılın:
Eğer ürünle ilgili geri bildirimde bulunmak veya hata raporlamak isterseniz, ziyaret edin:
Feragatname:
Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba göstersek de, otomatik çevirilerin hata veya yanlışlıklar içerebileceğini lütfen unutmayın. Belgenin orijinal dili, yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi önerilir. Bu çevirinin kullanımından kaynaklanan yanlış anlamalar veya yanlış yorumlamalar için sorumluluk kabul edilmez.