Bu repository, MLOps (Machine Learning Operations) süreçlerini adım adım öğrenmek için tasarlanmış kapsamlı bir eğitim materyalidir.

• MLOps'un tanımı ve önemi
• Geleneksel ML vs MLOps karşılaştırması
• MLOps yaşam döngüsü
• Temel araçlar ve teknolojiler
• İlk MLflow denemesi

• Veri versiyonlama (DVC)
• Veri kalitesi kontrolü
• Feature engineering pipeline'ları
• Veri drift detection

• Experiment tracking
• Hyperparameter optimization
• Model validation
• Feature stores

• Distributed training
• Pipeline orchestration
• Model versioning
• Training monitoring

• Model serving
• API development
• Containerization
• Cloud deployment

• Model performance monitoring
• Data drift detection
• Alert systems
• Dashboard creation

• Multi-model orchestration
• A/B testing
• Feature store management
• MLOps best practices

• Python 3.8+
• Git
• Docker (opsiyonel)

1. Repository'yi klonlayın:

   git clone <your-repo-url>
   cd MLOPS

2. Virtual environment oluşturun:

   python -m venv mlops-env
   
   # Windows
   mlops-env\Scripts\activate
   
   # Linux/Mac
   source mlops-env/bin/activate

3. İlk seviye için kütüphaneleri kurun:

   cd Level_1_Basics
   pip install -r requirements.txt

4. Jupyter notebook'u başlatın:

   jupyter notebook 01_MLOps_Giris.ipynb

Her seviyenin kendi requirements.txt dosyası bulunmaktadır:

# Level 1
cd Level_1_Basics && pip install -r requirements.txt

# Level 2
cd Level_2_Data_Pipeline && pip install -r requirements.txt

# Level 3
cd Level_3_Model_Development && pip install -r requirements.txt

# Level 4
cd Level_4_Model_Training && pip install -r requirements.txt

# Level 5
cd Level_5_Model_Deployment && pip install -r requirements.txt

# Level 6
cd Level_6_Monitoring && pip install -r requirements.txt

# Level 7
cd Level_7_Advanced_MLOps && pip install -r requirements.txt

1. Başlangıç: Level 1'den başlayın
2. Sıralı İlerleme: Her seviyeyi sırasıyla tamamlayın
3. Uygulama: Her seviyedeki kod örneklerini çalıştırın
4. Deneyim: Kendi verilerinizle deneyin

• Experiment Tracking: MLflow, Weights & Biases
• Data Versioning: DVC
• Pipeline Orchestration: Apache Airflow, Prefect
• Model Serving: FastAPI, BentoML, Seldon Core
• Monitoring: Evidently, Prometheus, Grafana
• Containerization: Docker, Kubernetes
• Cloud Platforms: AWS, Azure, GCP

1. Fork yapın
2. Feature branch oluşturun (git checkout -b feature/yeni-ozellik)
3. Commit yapın (git commit -am 'Yeni özellik eklendi')
4. Push yapın (git push origin feature/yeni-ozellik)
5. Pull Request oluşturun

• MLflow Documentation
• Google MLOps Guide
• MLOps Community
• DVC Documentation

Bu proje eğitim amaçlı hazırlanmıştır.

Bu projeyi faydalı bulduysanız, lütfen ⭐ vererek destekleyin!

🎉 MLOps yolculuğunuza hoş geldiniz!