[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"me":3,"catalog:tr:ai-engineer\u002Faimlops-experiment-tracking-reproducibility":4,"config":193},null,{"field_key":5,"field_name":6,"seniority":7,"topic_key":8,"topic_name":9,"spec_key":7,"spec_name":7,"locale":10,"cell_total":11,"field_total":12,"seniorities":13,"topics":17,"specs":97,"samples":108},"ai-engineer","AI Engineer","","aimlops-experiment-tracking-reproducibility","Aimlops Experiment Tracking Reproducibility","tr",75,2025,[14,15,16],"junior","mid","senior",[18,21,24,25,28,31,34,37,40,43,46,49,52,55,58,61,64,67,70,73,76,79,82,85,88,91,94],{"key":19,"name":20,"count":11},"agents-tool-use","Agents Tool Use",{"key":22,"name":23,"count":11},"aimlops-deployment-strategies-ml","Aimlops Deployment Strategies Ml",{"key":8,"name":9,"count":11},{"key":26,"name":27,"count":11},"aimlops-feature-store-data-versioning","Aimlops Feature Store Data Versioning",{"key":29,"name":30,"count":11},"aimlops-ml-cicd-pipelines","Aimlops Ml Cicd Pipelines",{"key":32,"name":33,"count":11},"aimlops-model-monitoring-drift-detection","Aimlops Model Monitoring Drift Detection",{"key":35,"name":36,"count":11},"aimlops-model-versioning-registry","Aimlops Model Versioning Registry",{"key":38,"name":39,"count":11},"aipy-async-concurrency-ml-serving","Aipy Async Concurrency Ml Serving",{"key":41,"name":42,"count":11},"aipy-data-pipeline-dataloader","Aipy Data Pipeline Dataloader",{"key":44,"name":45,"count":11},"aipy-gpu-memory-management","Aipy Gpu Memory Management",{"key":47,"name":48,"count":11},"aipy-numpy-vectorization-broadcasting","Aipy Numpy Vectorization Broadcasting",{"key":50,"name":51,"count":11},"aipy-python-ml-packaging-environments","Aipy Python Ml Packaging Environments",{"key":53,"name":54,"count":11},"aipy-tensor-ops-autograd","Aipy Tensor Ops Autograd",{"key":56,"name":57,"count":11},"embeddings-vector-search","Embeddings Vector Search",{"key":59,"name":60,"count":11},"evaluation-testing","Evaluation Testing",{"key":62,"name":63,"count":11},"fine-tuning-adaptation","Fine Tuning Adaptation",{"key":65,"name":66,"count":11},"inference-serving","Inference Serving",{"key":68,"name":69,"count":11},"llm-fundamentals","Llm Fundamentals",{"key":71,"name":72,"count":11},"prompt-engineering","Prompt Engineering",{"key":74,"name":75,"count":11},"rag-chunking-indexing","Rag Chunking Indexing",{"key":77,"name":78,"count":11},"rag-embeddings-similarity","Rag Embeddings Similarity",{"key":80,"name":81,"count":11},"rag-evaluation","Rag Evaluation",{"key":83,"name":84,"count":11},"rag-generation-context","Rag Generation Context",{"key":86,"name":87,"count":11},"rag-reranking-fusion","Rag Reranking Fusion",{"key":89,"name":90,"count":11},"rag-retrieval","Rag Retrieval",{"key":92,"name":93,"count":11},"rag-retrieval-search","Rag Retrieval Search",{"key":95,"name":96,"count":11},"safety-guardrails","Safety Guardrails",[98,102,105],{"key":99,"name":100,"count":101},"llm-rag","LLM\u002FRAG",450,{"key":103,"name":104,"count":101},"mlops","MLOps",{"key":106,"name":107,"count":101},"python","Python",[109,127,140,153,167,180],{"id":110,"topic":9,"difficulty":111,"body":112,"options":113,"correct_key":115,"explanation":126},"019f94fd-69b7-780f-85c7-b915aa58d260",1,"ML geliştirmede bir deney takip (experiment tracking) sisteminin temel amacı nedir?",[114,117,120,123],{"key":115,"text":116},"a","Her eğitim çalıştırmasının yapılandırmasını, metriklerini ve artifact'larını kaydederek geçmiş sonuçların sonradan karşılaştırılıp anlaşılabilmesini sağlamak.",{"key":118,"text":119},"b","Kaynak kod versiyon kontrolünün tamamen yerini almak.",{"key":121,"text":122},"c","İnsan incelemesi olmadan en iyi hiperparametreleri otomatik olarak seçmek; bir veri bilimcisinin sonuçları yorumlama ihtiyacının tamamen yerini almak.",{"key":124,"text":125},"d","Eğitilmiş modelleri gerçek zamanlı olarak prodüksiyon trafiğine sunmak.","Deney takibi, neyin, hangi ayarlarla çalıştırıldığını ve ne olduğunu yakalamak için vardır; böylece sonuçlar zamanla karşılaştırılabilir ve açıklanabilir kalır. (c) otomatik hiperparametre aramasını anlatır, ilişkili ama ayrı bir kavramdır. (b) bunu, tamamlayıcısı olduğu git\u002Fversiyon kontrolüyle karıştırıyor. (d) model serving'i anlatır, ilgisiz bir prodüksiyon konusudur.",{"id":128,"topic":9,"difficulty":111,"body":129,"options":130,"correct_key":121,"explanation":139},"019f94fd-69b8-7840-81b2-de80072a1f8f","Bir deney takip sisteminde 'run metadata' (çalıştırma metadata'sı) asgari olarak tipik olarak neyi içerir?",[131,133,135,137],{"key":115,"text":132},"Eğitimin bittiği andaki terminal penceresinin ekran görüntüsünü; herhangi bir yapılandırılmış, sorgulanabilir veri yerine birincil kayıt olarak tutulur.",{"key":118,"text":134},"İşin çalıştığı GPU rack'inin fiziksel konumunu; donanım ekibinin gelecekteki veri merkezi kapasitesini planlayabilmesi için izlenir.",{"key":121,"text":136},"Hiperparametreleri, temel metrikleri ve belirli bir sonucu neyin ürettiğini tanımlamaya yetecek bağlamı (ör. kod sürümü, veri kümesi referansı).",{"key":124,"text":138},"Sadece nihai doğruluk sayısını, çünkü ara değerler faydalı değildir.","Faydalı run metadata'sı, bir sonucu tanımlamak ve sonradan yeniden üretmek\u002Fkarşılaştırmak için gereken yapılandırma ve bağlamı yakalar: hiperparametreler, metrikler ve kod\u002Fveriye referanslar. (d) eğitim davranışını teşhis etmek için çoğu zaman gereken ara geçmişi atıyor. (b) ve (a), bir sonucu neyin ürettiğini anlamaya yardımcı olmayan tesadüfi, eyleme dönüştürülemez ayrıntıları anlatıyor.",{"id":141,"topic":9,"difficulty":111,"body":142,"options":143,"correct_key":124,"explanation":152},"019f94fd-69b9-76f5-9b9d-0c151ea5627d","Her çalıştırma için hiperparametreleri metriklerin yanında loglamak neden faydalıdır?",[144,146,148,150],{"key":115,"text":145},"Mevcut ortamdaki numpy ve torch kurulumlarının, her eğitim işi başlamadan önce otomatik olarak çalıştırılan bir performans benchmark'ını verir.",{"key":118,"text":147},"Çünkü hiperparametreler eğitim framework'ünün lisans koşullarını değiştirir.",{"key":121,"text":149},"Böylece eğitim işi doğru departmana doğru şekilde faturalandırılabilir.",{"key":124,"text":151},"Böylece sonradan, hafızaya güvenmek yerine, hangi yapılandırmanın belirli bir metrik değerini ürettiğini anlayabilirsin.","Hiperparametreleri metriklerin yanında loglamak, bir sonucu onu üreten tam ayarlara bağlar; haftalar veya aylar sonra tahmin yürütmeyi önler. (b) ve (c), takiple ilgisiz lisans\u002Ffaturalama etkileri uyduruyor. (a) yanlıştır; kaydedilmiş bir modeli yüklemek harici bir metadata log'u gerektirmez, ama bir tane olması yorumlamaya yardımcı olur.",{"id":154,"topic":9,"difficulty":155,"body":156,"options":157,"correct_key":115,"explanation":166},"019f94fd-69ba-744e-9cfb-7468ba74077e",2,"Bir metriği (ör. validation loss) yalnızca nihai değeriyle değil, her epoch veya adımda loglamanın faydası nedir?",[158,160,162,164],{"key":115,"text":159},"Sadece nihai sonucu değil, tam eğitim eğrisini (ör. overfitting'i veya kararsızlığı) görmeni sağlar.",{"key":118,"text":161},"Hangi framework veya dil kullanıldığından bağımsız olarak, her deney takip aracının API'si bunu zorunlu kılar ve yalnızca nihai değeri loglamayı reddeder.",{"key":121,"text":163},"Deney takipçisinin kullandığı toplam depolamayı azaltır.",{"key":124,"text":165},"Eğitim döngüsünde bulunan herhangi bir hatayı otomatik olarak düzeltir.","Adım\u002Fepoch başına bir eğri, tek bir nihai sayının gizlediği örüntüleri — overfitting, platolar, kararsızlık — ortaya çıkarır. (c) tam tersidir; daha fazla nokta loglamak daha az değil daha fazla depolama kullanır. (d) loglama'nın sahip olmadığı otomatik hata-düzeltme etkisini uyduruyor. (b) araçlar genelinde var olmayan evrensel bir API zorunluluğu icat ediyor.",{"id":168,"topic":9,"difficulty":155,"body":169,"options":170,"correct_key":121,"explanation":179},"019f94fd-69bb-7222-ba5f-1dbe2bd95226","Bir eğitim çalıştırmasıyla birlikte tam git commit hash'ini (ve working tree'nin 'dirty' olup olmadığını, yani commit edilmemiş değişiklikler içerip içermediğini) kaydetmek neden önemlidir?",[171,173,175,177],{"key":115,"text":172},"Çünkü pip, mevcut repository'ye hiçbir bağımlılığı olmayan paketler dahil, herhangi bir paketi kurmadan önce bir git hash gerektirir.",{"key":118,"text":174},"Çünkü modelin doğruluğunu hesaplamak için git commit hash'lerine ihtiyaç vardır.",{"key":121,"text":176},"Böylece branch o noktadan ilerlemiş olsa bile, o çalıştırmayı üreten tam kod durumu sonradan tanımlanabilir.",{"key":124,"text":178},"Böylece deney takipçisi çakışan branch'leri otomatik olarak birleştirebilir.","Commit hash'i (artı dirty-tree bayrağı), commit edilmemiş düzenlemeler dahil, bir çalıştırmayı tam olarak neyin ürettiğini sabitler; branch o noktadan ilerledikten sonra bu önem kazanır. (b) kod kimliğini eğitim matematiğinin kendisiyle karıştırıyor. (a) pip'in git hash'lerine olan uydurma bir bağımlılığını icat ediyor. (d) takip araçlarının sahip olmadığı bir otomatik-birleştirme yeteneği uyduruyor.",{"id":181,"topic":9,"difficulty":155,"body":182,"options":183,"correct_key":124,"explanation":192},"019f94fd-69bb-7ef1-95e5-75fb2f121b82","Veri kümesi versiyonlaması (sadece kod versiyonlaması değil) reproducibility için neden önemlidir?",[184,186,188,190],{"key":115,"text":185},"Çünkü veri kümeleri oluşturulduktan sonra asla değişmez, bu yüzden versiyonlamaları deneyimli ekiplerin tamamen atlayabileceği bir formaliteden ibarettir.",{"key":118,"text":187},"Çünkü veri kümesi versiyonlaması, hiperparametreleri loglama ihtiyacının yerini alır.",{"key":121,"text":189},"Çünkü yalnızca kod değişiklikleri model çıktısını etkiler, altta yatan veri değil; bu yüzden bir ekip hangi veri anlık görüntüsünün gerçekten kullanıldığını güvenle göz ardı edebilir.",{"key":124,"text":191},"Çünkü aynı kod, farklı bir veri kümesi anlık görüntüsüyle eğitildiğinde farklı sonuçlar üretebilir; bu yüzden veri sürümü bir çalıştırmayı tanımlayan unsurlardan biridir.","Veri zamanla kayar, düzeltilir ya da yeniden toplanır; bu yüzden hangi veri anlık görüntüsünün kullanıldığı, kod kadar bir çalıştırmanın kimliğinin parçasıdır. (a) yanlıştır; veri kümeleri pratikte gerçekten güncellenir, düzeltilir ya da genişletilir. (b) ve (c), izlenen bir boyutun diğerinin yerine geçtiğini ya da onu dışladığını yanlış iddia ediyor; oysa kod, veri ve hiperparametreler birbirinden bağımsız olarak ilgilidir.",{"fields":194,"seniorities":372,"interview_shapes":373,"locales":378,"oauth":380,"question_count":383,"coach_enabled":384,"jd_match_enabled":384},[195,218,238,255,279,286,305,324,346,353,359,366],{"key":196,"name_tr":197,"name_en":197,"sort":111,"specializations":198},"backend","Backend",[199,202,205,206,209,212,215],{"key":200,"name":201,"field":196},"general","Genel",{"key":203,"name":204,"field":196},"go","Go",{"key":106,"name":107,"field":196},{"key":207,"name":208,"field":196},"java","Java",{"key":210,"name":211,"field":196},"csharp","C#\u002F.NET",{"key":213,"name":214,"field":196},"nodejs","Node.js",{"key":216,"name":217,"field":196},"php","PHP",{"key":219,"name_tr":220,"name_en":220,"sort":155,"specializations":221},"frontend","Frontend",[222,223,226,229,232,235],{"key":200,"name":201,"field":219},{"key":224,"name":225,"field":219},"javascript","JavaScript",{"key":227,"name":228,"field":219},"typescript","TypeScript",{"key":230,"name":231,"field":219},"react","React",{"key":233,"name":234,"field":219},"vue","Vue",{"key":236,"name":237,"field":219},"angular","Angular",{"key":239,"name_tr":240,"name_en":240,"sort":241,"specializations":242},"fullstack","Fullstack",3,[243,244,245,246,247,248,249,250,251,252,253,254],{"key":200,"name":201,"field":239},{"key":203,"name":204,"field":196},{"key":106,"name":107,"field":196},{"key":207,"name":208,"field":196},{"key":210,"name":211,"field":196},{"key":213,"name":214,"field":196},{"key":216,"name":217,"field":196},{"key":224,"name":225,"field":219},{"key":227,"name":228,"field":219},{"key":230,"name":231,"field":219},{"key":233,"name":234,"field":219},{"key":236,"name":237,"field":219},{"key":256,"name_tr":257,"name_en":257,"sort":258,"specializations":259},"devops-cloud","DevOps \u002F Cloud",4,[260,261,264,267,270,273,276],{"key":200,"name":201,"field":256},{"key":262,"name":263,"field":256},"aws","AWS",{"key":265,"name":266,"field":256},"gcp","GCP",{"key":268,"name":269,"field":256},"azure","Azure",{"key":271,"name":272,"field":256},"kubernetes","Kubernetes",{"key":274,"name":275,"field":256},"terraform","Terraform",{"key":277,"name":278,"field":256},"linux","Linux",{"key":5,"name_tr":6,"name_en":6,"sort":280,"specializations":281},5,[282,283,284,285],{"key":200,"name":201,"field":5},{"key":106,"name":107,"field":5},{"key":99,"name":100,"field":5},{"key":103,"name":104,"field":5},{"key":287,"name_tr":288,"name_en":289,"sort":290,"specializations":291},"database","Veritabanı","Database",6,[292,293,296,299,302],{"key":200,"name":201,"field":287},{"key":294,"name":295,"field":287},"postgresql","PostgreSQL",{"key":297,"name":298,"field":287},"mysql","MySQL",{"key":300,"name":301,"field":287},"mongodb","MongoDB",{"key":303,"name":304,"field":287},"redis","Redis",{"key":306,"name_tr":307,"name_en":308,"sort":309,"specializations":310},"mobile","Mobil","Mobile",7,[311,312,315,318,321],{"key":200,"name":201,"field":306},{"key":313,"name":314,"field":306},"ios-swift","iOS (Swift)",{"key":316,"name":317,"field":306},"android-kotlin","Android (Kotlin)",{"key":319,"name":320,"field":306},"flutter","Flutter",{"key":322,"name":323,"field":306},"react-native","React Native",{"key":325,"name_tr":326,"name_en":327,"sort":328,"specializations":329},"security","Güvenlik","Security",8,[330,331,334,337,340,343],{"key":200,"name":201,"field":325},{"key":332,"name":333,"field":325},"appsec","AppSec",{"key":335,"name":336,"field":325},"offensive-pentest","Offensive \u002F Pentest",{"key":338,"name":339,"field":325},"cloud-security","Cloud Security",{"key":341,"name":342,"field":325},"devsecops","DevSecOps",{"key":344,"name":345,"field":325},"blue-team-incident","Blue Team \u002F Incident",{"key":347,"name_tr":348,"name_en":349,"sort":350,"specializations":351},"qa-test-automation","QA \u002F Test Otomasyonu","QA \u002F Test Automation",9,[352],{"key":200,"name":201,"field":347},{"key":354,"name_tr":355,"name_en":355,"sort":356,"specializations":357},"data-engineer","Data Engineer",10,[358],{"key":200,"name":201,"field":354},{"key":360,"name_tr":361,"name_en":362,"sort":363,"specializations":364},"game-dev","Oyun Geliştirme","Game Development",11,[365],{"key":200,"name":201,"field":360},{"key":367,"name_tr":368,"name_en":368,"sort":369,"specializations":370},"ml-engineer","ML Engineer",12,[371],{"key":200,"name":201,"field":367},[14,15,16],{"junior":374,"mid":376,"senior":377},{"questions":375,"median_sec":3},20,{"questions":375,"median_sec":3},{"questions":375,"median_sec":3},[10,379],"en",[381,382],"google","github",21750,true]