[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"me":3,"catalog:tr:ai-engineer\u002Faipy-numpy-vectorization-broadcasting":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","","aipy-numpy-vectorization-broadcasting","Aipy Numpy Vectorization Broadcasting","tr",75,2025,[14,15,16],"junior","mid","senior",[18,21,24,27,30,33,36,39,42,45,48,49,52,55,58,61,64,67,70,73,76,79,82,85,88,91,94],{"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":25,"name":26,"count":11},"aimlops-experiment-tracking-reproducibility","Aimlops Experiment Tracking Reproducibility",{"key":28,"name":29,"count":11},"aimlops-feature-store-data-versioning","Aimlops Feature Store Data Versioning",{"key":31,"name":32,"count":11},"aimlops-ml-cicd-pipelines","Aimlops Ml Cicd Pipelines",{"key":34,"name":35,"count":11},"aimlops-model-monitoring-drift-detection","Aimlops Model Monitoring Drift Detection",{"key":37,"name":38,"count":11},"aimlops-model-versioning-registry","Aimlops Model Versioning Registry",{"key":40,"name":41,"count":11},"aipy-async-concurrency-ml-serving","Aipy Async Concurrency Ml Serving",{"key":43,"name":44,"count":11},"aipy-data-pipeline-dataloader","Aipy Data Pipeline Dataloader",{"key":46,"name":47,"count":11},"aipy-gpu-memory-management","Aipy Gpu Memory Management",{"key":8,"name":9,"count":11},{"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",[109,127,140,154,167,180],{"id":110,"topic":9,"difficulty":111,"body":112,"options":113,"correct_key":115,"explanation":126},"019f9407-fce5-7589-ba16-d97d7a41ad22",1,"NumPy broadcasting'de iki boyut, shape tuple'larının hangi ucundan başlayarak karşılaştırılır?",[114,117,120,123],{"key":115,"text":116},"a","Sondan (en sağdaki boyuttan); eksik baştaki boyutlar 1 sayılır.",{"key":118,"text":119},"b","Baştan (en soldaki boyuttan); eksik sondaki boyutlar 1 sayılır. Bu, NumPy'ın shape hizalaması için kullandığı gerçek karşılaştırma yönünü tersine çevirir.",{"key":121,"text":122},"c","Ortadan dışa doğru, önce en büyük boyut karşılaştırılır.",{"key":124,"text":125},"d","Boyutlar hiç karşılaştırılmaz; sadece toplam eleman sayısı eşleşmelidir.","Broadcasting, shape'leri sondan hizalar ve geriye doğru ilerler; bir dizinin boyutu daha azsa, eksik baştaki boyutlar örtük olarak 1 kabul edilir. (b) yönü ters çeviriyor. (c) ve (d) broadcasting'in kullanmadığı mekanizmaları anlatıyor.",{"id":128,"topic":9,"difficulty":111,"body":129,"options":130,"correct_key":118,"explanation":139},"019f9407-fcef-727b-9924-a8f1b372b43c","```python\nimport numpy as np\na = np.ones((3, 4))\nb = np.array([10, 20, 30, 40])\nresult = a + b\n```\n`result.shape` nedir?",[131,133,135,137],{"key":115,"text":132},"(4, 4), çünkü `b` kendi uzunluğu kadar bir kez daha tekrarlanır.",{"key":118,"text":134},"(3, 4), çünkü `b`'nin (4,) şekli (1, 4) olarak ele alınır ve 3 satıra yayılır.",{"key":121,"text":136},"Bu bir `ValueError` fırlatır, çünkü `a` ve `b` aynı sayıda boyuta sahip değildir.",{"key":124,"text":138},"(3,), çünkü `b`, `a`'nın ilk boyutuna uyacak şekilde küçültülür.","`b`'nin şekli (4,)'tür ve bu, `a`'nın son boyutuyla (yine 4) hizalanır; eksik baştaki boyut 1 kabul edilir, böylece `b` (1, 4)'e yayılır ve sonra 3 satırın tamamına gerilir, sonuç (3, 4) olur. (a) şekli yanlış hesaplıyor. (c) boyut sayısının tam eşleşmesi gerektiğini yanlış varsayıyor. (d) broadcasting değil, indirgemeyi anlatıyor.",{"id":141,"topic":9,"difficulty":142,"body":143,"options":144,"correct_key":121,"explanation":153},"019f9407-fcf3-7da8-8589-5a633247f744",2,"```python\nimport numpy as np\na = np.ones((3, 4))\nc = np.array([1, 2, 3])\nresult = a + c\n```\nNe olur?",[145,147,149,151],{"key":115,"text":146},"`c` otomatik olarak transpoze edilir ve sütun olarak (3, 4)'e yayılır.",{"key":118,"text":148},"`result` (3, 4) şeklinde olur, `c` 4 sütuna yayılır.",{"key":121,"text":150},"Bu bir `ValueError` fırlatır, çünkü son boyutlar (4'e karşı 3) eşit değildir ve hiçbiri 1 değildir.",{"key":124,"text":152},"`result` (3, 3) şeklinde olur, çünkü NumPy `a`'yı `c`'nin uzunluğuna göre kırpar. Bu, NumPy'ın aritmetik sırasında shape uyuşmazlıklarını nasıl çözdüğüne dair makul görünen ama yanlış bir tariftir.","`a`'nın şekli (3, 4), `c`'ninki (3,)'tür; son boyutları karşılaştırınca 4'e karşı 3 çıkar, bunlar eşit değildir ve hiçbiri 1 değildir, bu yüzden broadcasting bir `ValueError` ile başarısız olur. (a) ve (d), broadcasting'in üretmediği sonuçları anlatıyor; NumPy şekilleri uydurmak için diziyi asla otomatik transpoze etmez ya da kırpmaz. (b), yalnızca `c`'nin şekli (4,) olsaydı ortaya çıkacak sonuçtur, (3,) değil.",{"id":155,"topic":9,"difficulty":111,"body":156,"options":157,"correct_key":124,"explanation":166},"019f9407-fcff-7c99-b17d-802dcf1297f6","Bir NumPy dizisine Python skaleri eklediğinizde, ör. `arr + 5`, broadcasting skaleri nasıl ele alır?",[158,160,162,164],{"key":115,"text":159},"Skaler önce `arr` ile uyumlu şekilde tek elemanlı bir diziye sarılmadıkça hata verir.",{"key":118,"text":161},"Sadece `arr`'ın ilk elemanına eklenir, geri kalanı değişmeden kalır.",{"key":121,"text":163},"Önceden `arr`'ın boyut boyutları kopyalanarak tam olarak `arr`'ın şekline eşit bir diziye dönüştürülür.",{"key":124,"text":165},"Şekli `()` (sıfır boyut) olarak kabul edilir; bu da `arr`'ın her boyutuna karşı yayılır.","Bir skaler 0 boyutlu bir dizi gibi davranır; broadcasting, (var olmayan) her boyutunu 1 sayar, böylece `arr`'ın herhangi bir şekline gerilir. (a) ve (b), var olmayan kısıtlamalar ya da davranışlar anlatıyor. (c) kavramsal sonucu doğru anlatsa da mekanizmayı yanlış tarif ediyor — önceden açıkça şekil kopyalayan bir dizi oluşturulmaz.",{"id":168,"topic":9,"difficulty":111,"body":169,"options":170,"correct_key":115,"explanation":179},"019f9407-fd02-7ee4-9c86-8e171d1540a9","`a + b` gibi vektörize bir NumPy işlemi, elemanlar üzerinde eşdeğer bir Python `for` döngüsünden neden tipik olarak çok daha hızlıdır?",[171,173,175,177],{"key":115,"text":172},"Elemanlar üzerindeki döngü derlenmiş C kodu içinde çalışır, böylece eleman başına Python bytecode dispatch'i ve tip kontrolü ek yükü olmaz.",{"key":118,"text":174},"NumPy işlemi otomatik olarak birden fazla CPU çekirdeğinde çalıştırır, Python döngüsü ise her zaman tek çekirdektir.",{"key":121,"text":176},"NumPy dizileri elemanları önbelleğe alınmış sonuçlara sahip Python nesneleri olarak saklar, bu yüzden tekrarlanan işlemler ilk çağrıdan sonra bedavadır.",{"key":124,"text":178},"Python `for` döngüsü her iterasyonda yeni bir liste tahsis eder, vektörize kod bunu tamamen atlar.","NumPy'ın ufunc'ları, dizi verisi üzerinde ham, tekdüze tipli bellek üzerinde çalışan derlenmiş C döngüleriyle iterasyon yapar; bu, düz bir `for` döngüsünün maruz kaldığı eleman başına Python yorumlayıcı yükünü (bytecode dispatch, dinamik tip kontrolü, nesne kutulama) önler. (b) garanti değildir — çoğu elementwise ufunc varsayılan olarak tek thread çalışır. (c) dizi depolamasını yanlış tarif ediyor; NumPy ham sayısal değerleri saklar, Python nesnelerini değil, ve böyle bir önbellekleme mekanizması yoktur. (d) döngünün yavaşlığının gerçek nedeni değildir.",{"id":181,"topic":9,"difficulty":142,"body":182,"options":183,"correct_key":118,"explanation":192},"019f9407-fd05-75c7-a40b-1cba8955b3bb","```python\nimport numpy as np\nn = 1_000_000\narr = np.arange(n)\n\ndef loop_sum_sq():\n    total = 0\n    for x in arr:\n        total += x * x\n    return total\n\ndef vec_sum_sq():\n    return np.sum(arr * arr)\n```\nHer iki fonksiyon da aynı matematiksel sonucu hesaplıyor. Pratikteki temel fark nedir?",[184,186,188,190],{"key":115,"text":185},"`vec_sum_sq`, NumPy toplamı rastgele sırayla yaptığı için yuvarlama nedeniyle farklı bir sayısal sonuç üretir.",{"key":118,"text":187},"`loop_sum_sq` çok daha yavaştır, çünkü milyon elemanın her biri için Python yorumlayıcısına yeniden girer; `vec_sum_sq` çarpma ve toplamayı derlenmiş döngülerde yapar.",{"key":121,"text":189},"`loop_sum_sq` daha hızlıdır, çünkü Python tam sayıları NumPy'ın sabit-genişlik taşma sorunlarını tamamen atlar.",{"key":124,"text":191},"`n = 1_000_000` için anlamlı bir fark yoktur; her iki yaklaşım da benzer duvar-saati süresi alır.","`for x in arr` ile iterasyon, tek tek düz Python nesneleri verir ve döngü gövdesini (öznitelik erişimi, çarpma, toplama) milyon elemanın her biri için Python yorumlayıcısı üzerinden çalıştırır, bu görece yavaştır. `vec_sum_sq` ise çarpmayı ve toplamayı vektörize C-seviyesi işlemler olarak yapar. (a) tam sayı toplamları için yanlıştır — burada sıra yuvarlama getirmez. (c) gerçek bir avantaj değildir; gözlemlenen yavaşlıkla ilgisizdir ve buradaki varsayılan NumPy tamsayı dtype'ı yeterli aralığa sahiptir. (d) bu ölçekte tipik olarak önemli olan farkı (genellikle onlarca kat ya da daha fazla) hafife alıyor.",{"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":142,"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]