Yeni Başlayanlar İçin EdgeAI

April 6, 2026 · View on GitHub

Ders kapak resmi

Bu kaynakları kullanmaya başlamak için aşağıdaki adımları izleyin:

Depoyu Çatallayın: Tıklayın
Depoyu Klonlayın: git clone https://github.com/microsoft/edgeai-for-beginners.git
Azure AI Foundry Discord’a Katılın ve uzmanlarla ve diğer geliştiricilerle tanışın

🌐 Çok Dilli Destek

GitHub Action ile Destekleniyor (Otomatik & Her Zaman Güncel)

Yerel Klonlamayı Tercih Ediyor Musunuz?

Bu depo 50’den fazla dil çevirisi içererek indirme boyutunu önemli ölçüde artırmaktadır. Çeviriler olmadan klonlamak için seyrek kontrol (sparse checkout) kullanabilirsiniz:

Bash / macOS / Linux:
git clone --filter=blob:none --sparse https://github.com/microsoft/edgeai-for-beginners.git
cd edgeai-for-beginners
git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
CMD (Windows):
git clone --filter=blob:none --sparse https://github.com/microsoft/edgeai-for-beginners.git
cd edgeai-for-beginners
git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
Bu, derse tamamlamak için gereken her şeyi çok daha hızlı bir indirme ile sunar.

Ek çeviri dilleri desteklenmesini istiyorsanız, desteklenen diller burada listelenmiştir.

Yeni Başlayanlar İçin EdgeAI'e hoş geldiniz – Edge Yapay Zekâsının dönüştürücü dünyasına kapsamlı yolculuğunuz. Bu kurs, etkili yapay zeka yetenekleri ile pratik, gerçek dünya edge cihazlardaki uygulama arasındaki boşluğu doldurarak, verilerin üretildiği ve kararların alınması gerektiği yerde yapay zekanın potansiyelini kullanmanızı sağlar.

Öğrenecekleriniz

Bu kurs temel kavramlardan üretime hazır uygulamalara kadar sizi götürür, kapsam olarak:

Edge dağıtımı için optimize edilmiş Küçük Dil Modelleri (KDM)
Çeşitli platformlarda donanıma duyarlı optimizasyon
Gizliliği koruyan gerçek zamanlı çıkarım
Kurumsal uygulamalar için üretim dağıtım stratejileri

EdgeAI Neden Önemlidir?

Edge AI, kritik modern zorlukları ele alan bir paradigma değişimini temsil eder:

Gizlilik ve Güvenlik: Bulut erişimi olmadan hassas verileri yerel olarak işlemeye imkan verir
Gerçek Zamanlı Performans: Zaman kritik uygulamalarda ağ gecikmesini ortadan kaldırır
Maliyet Verimliliği: Bant genişliği ve bulut bilişim maliyetlerini azaltır
Dayanıklı Operasyonlar: Ağ kesintileri sırasında işlevselliği sürdürür
Yasal Uyumluluk: Veri egemenliği gereksinimlerini karşılar

Edge AI

Edge AI, yapay zeka algoritmalarını ve dil modellerini verinin üretildiği donanıma - bulut kaynaklarına bağımlı olmadan - yakında yerel olarak çalıştırmaktır. Gecikmeyi azaltır, gizliliği artırır ve gerçek zamanlı karar vermeyi mümkün kılar.

Temel İlkeler:

Cihazda çıkarım: AI modelleri edge cihazlarda (telefonlar, yönlendiriciler, mikro denetleyiciler, endüstriyel PC'ler) çalışır
Çevrimdışı yetenek: Sürekli internet bağlantısı olmadan işler
Düşük gecikme: Gerçek zamanlı sistemlere uygun anlık yanıtlar
Veri egemenliği: Hassas verileri yerelde tutar, güvenlik ve uyumluluğu artırır

Küçük Dil Modelleri (KDM)

Phi-4, Mistral-7B ve Gemma gibi KDM’ler, büyük LLM'lerin optimize edilmiş versiyonlarıdır—şaşırma veya özel eğitimle:

Azaltılmış bellek kullanımı: Sınırlı edge cihaz hafızasının verimli kullanımı
Daha düşük işlem yükü: CPU ve edge GPU için optimize edilmiş performans
Daha hızlı başlatma süreleri: Çabuk başlatma ile duyarlı uygulamalara imkân

Şu kısıtları aşarken güçlü NLP yeteneklerini açarlar:

Gömülü sistemler: IoT cihazları ve endüstriyel kontrolörler
Mobil cihazlar: Çevrimdışı özelliklere 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 kullanım senaryoları

Kurs Modülleri & Navigasyon

Modül	Konu	Odak Alanı	Ana İçerik	Seviye	Süre
📖 00	EdgeAI’ye Giriş	Temel & Bağlam	EdgeAI Genel Bakış • Sektör Uygulamaları • KDM Tanıtımı • Öğrenme Hedefleri	Yeni Başlayan	1-2 saat
📚 01	EdgeAI Temelleri	Bulut vs Edge AI karşılaştırması	EdgeAI Temelleri • Gerçek Dünya Vaka Çalışmaları • Uygulama Rehberi • Edge Dağıtımı	Yeni Başlayan	3-4 saat
🧠 02	KDM Model Temelleri	Model aileleri & mimari	Phi Ailesi • Qwen Ailesi • Gemma Ailesi • BitNET • μModel • Phi-Silica	Yeni Başlayan	4-5 saat
🚀 03	KDM Dağıtım Pratiği	Yerel & bulut dağıtımı	İleri Seviye Öğrenme • Yerel Ortam • Bulut Dağıtımı	Orta Seviye	4-5 saat
⚙️ 04	Model Optimizasyon Araç Kiti	Çok platformlu optimizasyon	Giriş • Llama.cpp • Microsoft Olive • OpenVINO • Apple MLX • İş Akışı Sentetiği	Orta Seviye	5-6 saat
🔧 05	KDMOps Üretimi	Üretim operasyonları	KDMOps Tanıtımı • Model Distilasyonu • İnce Ayar • Üretim Dağıtımı	İleri Seviye	5-6 saat
🤖 06	AI Ajanları & Fonksiyon Çağrısı	Ajan çerçeveleri & MCP	Ajan Tanıtımı • Fonksiyon Çağrısı • Model Bağlam Protokolü	İleri Seviye	4-5 saat
💻 07	Platform Uygulaması	Çok platformlu örnekler	AI Araç Kiti • Foundry Local • Windows Geliştirme	İleri Seviye	3-4 saat
🏭 08	Foundry Local Araç Kiti	Üretime hazır örnekler	Örnek uygulamalar (detaylar aşağıda)	Uzman	8-10 saat

🏭 Modül 08: Örnek Uygulamalar

🎓 Atölye: Pratik Öğrenme Yolu

Üretime hazır uygulamalar içeren kapsamlı uygulamalı atölye materyalleri:

Atölye Rehberi - Tam öğrenme hedefleri, çıktı ve kaynak navigasyonu
Python Örnekleri (6 oturum) - En iyi uygulamalar, hata yönetimi ve kapsamlı dökümantasyon ile güncellenmiştir
Jupyter Notebooks (8 interaktif) - Adım adım dersler, kıyaslamalar ve performans izleme ile
Oturum Rehberleri - Her atölye oturumu için detaylı markdown rehberleri
Doğrulama Araçları - Kod kalitesini kontrol eden ve duman testi çalıştıran betikler

Yapacaklarınız:

Akış desteği ile yerel AI sohbet uygulamaları
Kalite değerlendirmesiyle RAG boru hatları (RAGAS)
Çoklu model kıyaslama ve karşılaştırma araçları
Çok ajanlı orkestrasyon sistemleri
Görev bazlı seçme ile akıllı model yönlendirme

🎙️ Agentic Atölyesi: Uygulamalı - AI Podcast Stüdyosu

Sıfırdan Yapay Zeka destekli podcast üretim hattı oluşturun! Bu kapsamlı atölye, fikirlerinizi profesyonel podcast bölümlerine dönüştüren tam bir çoklu ajan sistemi oluşturmayı öğretir.

🎬 AI Podcast Studio Atölyesine Başlayın

Göreviniz: Tamamen kendinizin inşa edeceği yapay zeka ajanları tarafından desteklenen "Future Bytes" adlı bir teknoloji podcast'ini başlatmak. Bulut bağımlılığı yok, API maliyeti yok — her şey yerel olarak kendi bilgisayarınızda çalışır.

Bu Bunu Özel Kılan Nedir:

🤖 Gerçek Çoklu Ajan Orkestrasyonu - Araştırma yapan, yazan ve ses üreten uzman AI ajanları oluşturun
🎯 Tam Üretim Hattı - Konu seçiminden final podcast ses çıktısına kadar
💻 %100 Yerel Dağıtım - Tam gizlilik ve kontrol için Ollama ve yerel modeller (Qwen-3-8B) kullanır
🎤 Metin-Konuşmaya Entegrasyon - Senaryoları doğal sesli çok konuşmacılı sohbetlere dönüştürür
✋ İnsan-Döngüde İş Akışları - Kaliteyi sağlarken otomasyonu koruyan onay kapıları

Üç Perdelik Öğrenme Yolculuğu:

Perde	Odak	Temel Beceriler	Süre
Perde 1: AI Asistanlarınızla Tanışın	İlk AI ajanınızı oluşturun	Araç entegrasyonu • Web arama • Sorun çözme • Ajanik akıl yürütme	2-3 saat
Perde 2: Üretim Ekibinizi Birleştirin	Çoklu ajanları orkestre edin	Ekip koordinasyonu • Onay iş akışları • DevUI arayüzü • İnsan gözetimi	3-4 saat
Perde 3: Podcast’inizi Hayata Geçirin	Podcast sesini üretin	Metin-konuşmaya • Çok konuşmacılı sentez • Uzun formlu ses • Tam otomasyon	2-3 saat

Kullanılan Teknolojiler:

Microsoft Agent Framework - Çoklu ajan orkestrasyonu ve koordinasyonu
Ollama - Yerel AI model çalıştırma ortamı (bulut gerektirmez)
Qwen-3-8B - Ajanik görevler için optimize edilmiş açık kaynak dil modeli
Metin-Konuşma API’leri - Podcast üretimi için doğal ses sentezi

Donanım Desteği:

✅ CPU Modu - Her modern bilgisayarda çalışır (8GB+ RAM önerilir)
🚀 GPU Hızlandırma - NVIDIA/AMD GPU’larla önemli hızlandırma sağlar
⚡ NPU Desteği - Yeni nesil sinir işleme birimi hızlandırması

Mükemmel Uygunluk:

Çoklu ajan AI sistemleri öğrenen geliştiriciler
Yapay zeka otomasyonu ve iş akışlarıyla ilgilenen herkes
AI destekli içerik üretimine meraklı içerik oluşturucular
Pratik AI orkestrasyon kalıplarını öğrenen öğrenciler

Başlayın: 🎙️ AI Podcast Studio Atölyesi →

📊 Öğrenme Yolu Özeti

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)

Neler İnşa Edeceksiniz

🎯 Temel Yetenekler

Edge AI Mimarisi: Bulut entegrasyonlu öncelikle yerel AI sistemleri tasarlayın
Model Optimizasyonu: Modelleri kenar dağıtımı için nicelendirip sıkıştırın (%85 hız artışı, %75 boyut küçültme)
Çoklu Platform Dağıtımı: Windows, mobil, gömülü ve bulut-kenar hibrit sistemler
Üretim Operasyonları: Kenar AI’yı izleme, ölçeklendirme ve sürdürme

🏗️ Pratik Projeler

Foundry Yerel Sohbet Uygulamaları: Model geçişli Windows 11 özgün uygulaması
Çoklu Ajan Sistemleri: Karmaşık iş akışları için uzman ajanlarla koordinatör
RAG Uygulamaları: Vektör aramalı yerel belge işleme
Model Yönlendiriciler: Görev analizine göre modeller arasında akıllı seçim
API Çerçeveleri: Yayına hazır istemciler, akış ve sağlık izlemesi ile
Çapraz Platform Araçları: LangChain/Semantic Kernel entegrasyon kalıpları

🏢 Sektörel Uygulamalar

Üretim • Sağlık • Otonom Araçlar • Akıllı Şehirler • Mobil Uygulamalar

Hızlı Başlangıç

Önerilen Öğrenme Yolu (Toplam 20-30 saat):

📖 Giriş (Introduction.md): EdgeAI temeli + sektör bağlamı + öğrenme çerçevesi
📚 Temel (Modüller 01-02): EdgeAI kavramları + SLM model ailesi
⚙️ Optimizasyon (Modüller 03-04): Dağıtım + nicelleştirme çerçeveleri
🚀 Üretim (Modüller 05-06): SLMOps + AI ajanları + fonksiyon çağrısı
💻 Uygulama (Modüller 07-08): Platform örnekleri + Foundry Yerel araç seti

Her modül teori, uygulamalı egzersizler ve üretim hazır kod örnekleri içerir.

Kariyer Etkisi

Teknik Roller: EdgeAI Çözümleri Mimarı • Makine Öğrenimi Mühendisi (Edge) • IoT AI Geliştiricisi • Mobil AI Geliştiricisi

Sektörler: Endüstri 4.0 • Sağlık Teknolojisi • Otonom Sistemler • FinTek • Tüketici Elektroniği

Portföy Projeleri: Çoklu ajan sistemleri • Üretim RAG uygulamaları • Çapraz platform dağıtımı • Performans optimizasyonu

Depo Yapısı

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

Kursun Öne Çıkanları

✅ Kademeli Öğrenme: Teori → Pratik → Üretim dağıtımı
✅ Gerçek Vaka İncelemeleri: Microsoft, Japan Airlines, kurumsal uygulamalar
✅ Uygulamalı Örnekler: 50+ örnek, 10 kapsamlı Foundry Yerel demosu
✅ Performans Odaklılık: %85 hız artışı, %75 boyut azaltımı
✅ Çoklu Platform: Windows, mobil, gömülü, bulut-kenar hibrit
✅ Üretime Hazır: İzleme, ölçeklendirme, güvenlik, uyumluluk çerçeveleri

📖 Çalışma Rehberi Mevcut: Zaman yönetimi ve öz değerlendirme araçlarıyla yapılandırılmış 20 saatlik öğrenme yolu.

EdgeAI, yapay zekanın geleceğini temsil eder: öncelikle yerel, gizliliği koruyan ve verimli. Bu becerileri öğrenerek bir sonraki nesil zeki uygulamaları inşa edin.

Diğer Kurslar

Ekibimiz başka kurslar da üretiyor! Göz atın:

LangChain

Azure / Edge / MCP / Ajanlar

Üretken AI Serisi

Temel Öğrenme

Copilot Serisi

Yardım Alma

Takılırsanız veya AI uygulamaları geliştirme ile ilgili herhangi bir sorunuz varsa, katılın:

Ürün geri bildiriminiz veya geliştirme sırasında yaşadığınız hatalar için ziyaret edin:

Feragatname:
Bu belge, AI çeviri hizmeti Co-op Translator kullanılarak çevrilmiştir. Doğruluk için çaba göstermemize rağmen, otomatik çevirilerin hatalar veya yanlışlıklar içerebileceğini lütfen unutmayın. Orijinal belge, kendi ana dilinde yetkili kaynak olarak kabul edilmelidir. Kritik bilgiler için profesyonel insan çevirisi tavsiye edilir. Bu çevirinin kullanımı sonucu ortaya çıkabilecek yanlış anlaşılmalar veya yanlış yorumlamalardan sorumlu değiliz.