Good practical walkthrough of quantization tradeoffs, though the throughput benchmarking section could use more depth.
Yerel LLM'leri Dağıtma: vLLM, Quantization ve Inference
Büyük dil modellerini verimli bir şekilde nasıl dağıtacağınızı, donanım gereksinimlerini azaltmak için quantization tekniklerini nasıl uygulayacağınızı ve modelleri üretim ortamlarında nasıl sunacağınızı öğrenin.
-
💬
Yapay zekâ eğitmeni
Herhangi bir ders hakkında soru sor, istediğin an anında net bir yanıt al. -
🕐
İstediğin zaman başla
Program ya da son tarih yok — kendi hızında, istediğin zaman öğren. -
🌐
Türkçe
Dersler, görevler ve sertifika — hepsi tamamen kendi dilinde.
Bu kurs hakkında
Büyük Dil Modellerini (LLM) yerel olarak veya üretim ortamında çalıştırmak, devasa donanım gereksinimleri ve karmaşık yapılandırmalar nedeniyle göz korkutucu görünebilir. AI gelişmeye devam ettikçe, kendi modellerinizi verimli bir şekilde barındırma yeteneği, geliştiriciler ve operasyon ekipleri için temel bir beceri haline geliyor.
Bu kurs, LLM'leri dağıtma ve optimize etme sürecini parçalara ayırarak sizi bir yeni başlayandan, yüksek performanslı AI modellerini verimli bir şekilde sunabilen birine dönüştürür. Modern teknikleri kullanarak bellek ayak izlerini nasıl azaltacağınızı ve inference hızını nasıl maksimize edeceğinizi keşfedecek, sınırlı hesaplama kaynaklarıyla bile güçlü modelleri çalıştırabilmenizi sağlayacaksınız.
Neler öğreneceksiniz:
• LLM mimarisi, inference ve bellek yönetiminin temel kavramlarını anlayın.
• Çeşitli model boyutları için donanım gereksinimlerini hesaplayın ve GPU VRAM ihtiyaçlarını tahmin edin.
• Model ağırlıklarını optimize etmek için GGUF, AWQ ve GPTQ gibi modern quantization yöntemlerini uygulayın.
• Yüksek verimli, düşük gecikmeli inference için vLLM kullanarak modelleri yapılandırın ve dağıtın.
• Yerel modelleri uygulamalarınıza sorunsuz bir şekilde entegre etmek için standart REST API uç noktaları oluşturun.
• Tutarlı, ölçeklenebilir ortamlar için Docker kullanarak LLM dağıtımlarınızı konteynerleştirmeyi deneyimleyin.
Yolculuk, quantization ve dağıtıma odaklanan uygulamalı yazılı egzersizlere geçmeden önce temel AI terminolojisi ve donanım temelleri ile başlar. Modern MLOps'ta kullanılan yapılandırma betikleri ve dağıtım kalıpları aracılığıyla adım adım ilerleyeceksiniz.
Yazılım geliştiriciler, hevesli DevOps mühendisleri ve önceden machine learning deneyimi olmayan teknoloji meraklıları için tasarlanan bu metin tabanlı kılavuz, yalnızca temel programlama kavramlarının anlaşılmasını gerektirir.
Modern AI dağıtımı ve inference optimizasyonu konusundaki becerilerinizi geliştirmek için bugün okumaya başlayın.
Ne elde edeceksin
-
📜
Tamamlama sertifikası
LinkedIn profilinize ekleyin -
💬
Kişisel AI öğretmeni
Bir kursta takıldın mı? Yerleşik öğretmenine istediğin zaman her şeyi sorabilirsin. -
🎧
Sesli versiyon dahil
Yolda öğren — ekrana gerek yok -
♾️
Ömür boyu erişim
İstediğin zaman dön, son kullanma tarihi yok -
📱
Telefon veya bilgisayar
Her yerde, her cihazda -
💸
14 gün iade
Sorgusuz -
⚡
Kısa ve odaklı
3 sa pratik içerik
Yorumlar (20)
The quantization comparisons alone saved me hours of trial and error trying to fit a model onto my GPU.
Finally got vLLM running smoothly.
Khóa học giải thích rất rõ cách triển khai vLLM và áp dụng quantization để giảm bộ nhớ GPU mà vẫn giữ tốc độ suy luận ổn định.
เข้าใจ vLLM และ quantization ง่ายขึ้นมาก
Malinaw ang paliwanag sa pag-deploy gamit ang vLLM, pero sana mas detalyado pa sa paghahambing ng GPTQ at AWQ quantization.
vLLM 설치부터 quantization 적용까지 순서대로 따라가기만 하면 되게 구성되어 있어서 좋았습니다. 특히 AWQ와 GPTQ 방식의 차이를 실제 벤치마크로 보여주는 부분이 인상 깊었고, 덕분에 제 프로젝트에 맞는 방법을 바로 골라서 적용할 수 있었습니다.
vLLM ile yerel model dağıtımını ve quantization tekniklerini bu kadar net anlatan başka bir kaynak görmemiştim.
Kursus ini menerangkan dengan jelas cara guna vLLM dan quantization untuk deploy LLM secara tempatan tanpa memerlukan GPU yang terlalu besar.
Bom curso, mas rápido demais no batching.
Avevo già provato a configurare vLLM da solo un paio di volte senza grandi risultati, quindi questo corso è arrivato al momento giusto. La parte sulla quantizzazione, in particolare il confronto tra le varie tecniche per ridurre l'uso di memoria della GPU, è spiegata con esempi concreti e non solo teoria. Anche il capitolo su PagedAttention mi ha aiutato a capire perché certi modelli locali erano così lenti prima. L'unico neo è che la sezione finale sul batching dinamico va un po' di fretta e avrei voluto qualche esempio in più. Nel complesso però sono riuscito a far girare un modello locale con prestazioni decisamente migliori di prima.
Брался за курс, чтобы разобраться с локальным запуском моделей без облака, и в целом цель достигнута. Тема квантизации объяснена понятно: стало ясно, как ужать модель и не угробить качество, чтобы влезть в скромную видеокарту. Развёртывание через vLLM показали по шагам, я поднял свой инференс-сервер и проверил под нагрузкой. Единственное, хотелось бы чуть глубже про мониторинг в продакшене, этот раздел показался коротковатым. Но в остальном материал плотный и применимый сразу. Для тех, кто хочет держать LLM у себя, это отличная отправная точка.
Quantization kısmı çok faydalıydı ama vLLM'in production ortamına ölçeklendirilmesiyle ilgili örnekler biraz daha fazla olabilirdi.
O curso mostra na prática como configurar o vLLM e aplicar quantização sem transformar isso num mar de teoria abstrata. Gostei bastante de como a parte de PagedAttention foi explicada com desenhos simples que finalmente fizeram sentido pra mim. Depois de terminar consegui rodar um modelo local com uma latência bem menor do que antes.
Practical and hands-on, though it assumes you're already comfortable with basic GPU setup before diving into vLLM.
평소에 로컬 LLM을 돌릴 때 GPU 메모리 문제로 계속 막혔었는데, 이 강의를 듣고 나서야 quantization이 실제로 어떻게 작동하는지 감을 잡았습니다. vLLM 설정 과정을 단계별로 따라가면서 PagedAttention 개념까지 자연스럽게 이해가 됐고, 실습 예제도 실제 배포 환경과 비슷하게 구성되어 있어서 도움이 많이 됐습니다. GPTQ와 AWQ 차이를 비교해주는 부분이 특히 유용했는데, 다만 후반부 배치 처리 최적화 설명은 조금 빠르게 지나가서 몇 번 되돌려 봐야 했습니다. 그래도 전체적으로 로컬 배포를 실무 수준으로 끌어올려주는 강의였습니다.
The walkthrough on quantizing models with AWQ actually made the memory savings click for me instead of just being a buzzword. Setting up vLLM locally went a lot smoother following the instructor's config choices than when I tried it on my own before. The only gap is the course doesn't spend much time on multi-GPU serving, which I would have liked.
Made local deployment actually make sense.
मैंने पहले vLLM को इंस्टॉल करने की कई बार कोशिश की थी लेकिन हमेशा GPU मेमोरी की दिक्कत आ जाती थी, इस कोर्स ने वो पूरी प्रक्रिया कदम दर कदम समझाई। Quantization वाले हिस्से में INT8 और INT4 के बीच का ट्रेडऑफ बहुत साफ तरीके से बताया गया, जिससे यह समझना आसान हो गया कि कब कौन सा तरीका इस्तेमाल करना चाहिए। PagedAttention का कॉन्सेप्ट पहले किताबी लगता था लेकिन यहां प्रैक्टिकल उदाहरण से समझ आ गया। सर्विंग API सेटअप करने वाला हिस्सा भी असली प्रोडक्शन जैसा फील देता है, सिर्फ थ्योरी नहीं। कुल मिलाकर अब मैं अपने खुद के मॉडल को लोकली डिप्लॉय करने में कॉन्फिडेंट महसूस करता हूं।
Dense but genuinely useful content.
Diğer öğrenciler şunları da aldı
🔥 Popüler
🎓 Sertifikalı
Dövme Sanatçıları için Generative AI: Tasarım ve Yerleştirme
Sertifika
Uygulama
$14.99
→
🔥 Popüler
🎓 Sertifikalı
AI Voice Cloning: Kişisel Dijital Sesinizi Oluşturun
Sertifika
Uygulama
$14.99
→
🔥 Popüler
🎓 Sertifikalı
ESL Öğretmenleri için AI: Dersler, Metinler ve Testler
Sertifika
Uygulama
$14.99
→
🔥 Popüler
🎓 Sertifikalı
LLMOps Temelleri: LLM'leri Dağıtma, Versiyonlama ve İzleme
Sertifika
Uygulama
$14.99
→
Sık sorulanlar
Bu kursu almak için neye ihtiyacım var? +
Sadece internetli bir telefon veya bilgisayar yeterli. Kurulum yok, özel donanım yok.
Nasıl ödeme yapabilirim? +
Stripe üzerinden kartla. Kart bilgilerini saklamıyoruz — Stripe güvenli şekilde işliyor.
Para iadesi alabilir miyim? +
Evet — 14 gün içinde tam iade, sorgusuz.
Erişimim ne kadar sürer? +
Sonsuza dek. Bir kez satın aldığında, kurs senindir — istediğin zaman dönebilirsin.
Sertifika alacak mıyım? +
Evet. Tamamladığında, LinkedIn profiline ekleyebileceğin bir sertifika alırsın.
Şu sektörlerdeki öğrenenler için
Teknoloji
Tasarım
Finans
Pazarlama
Sağlık
Eğitim
Konaklama
Üretim