[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"me":3,"catalog:tr:ml-engineer\u002Fcml-distance-clustering-dimreduction":4,"config":148},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":58,"samples":63},"ml-engineer","ML Engineer","","cml-distance-clustering-dimreduction","Cml Distance Clustering Dimreduction","tr",75,1050,[14,15,16],"junior","mid","senior",[18,19,22,25,28,31,34,37,40,43,46,49,52,55],{"key":8,"name":9,"count":11},{"key":20,"name":21,"count":11},"cml-gradient-boosting-mechanics","Cml Gradient Boosting Mechanics",{"key":23,"name":24,"count":11},"cml-linear-logistic-internals","Cml Linear Logistic Internals",{"key":26,"name":27,"count":11},"cml-probabilistic-models-calibration","Cml Probabilistic Models Calibration",{"key":29,"name":30,"count":11},"cml-svm-kernels-margins","Cml Svm Kernels Margins",{"key":32,"name":33,"count":11},"cml-trees-randomforest-internals","Cml Trees Randomforest Internals",{"key":35,"name":36,"count":11},"ml-data-preparation","Ml Data Preparation",{"key":38,"name":39,"count":11},"ml-deployment-serving","Ml Deployment Serving",{"key":41,"name":42,"count":11},"ml-experimentation-reproducibility","Ml Experimentation Reproducibility",{"key":44,"name":45,"count":11},"ml-model-selection-tuning","Ml Model Selection Tuning",{"key":47,"name":48,"count":11},"ml-model-training-evaluation","Ml Model Training Evaluation",{"key":50,"name":51,"count":11},"ml-monitoring-drift","Ml Monitoring Drift",{"key":53,"name":54,"count":11},"ml-problem-framing","Ml Problem Framing",{"key":56,"name":57,"count":11},"ml-scaling-performance","Ml Scaling Performance",[59],{"key":60,"name":61,"count":62},"classical-ml","Classical ML",450,[64,82,96,109,122,135],{"id":65,"topic":9,"difficulty":66,"body":67,"options":68,"correct_key":70,"explanation":81},"01a03e80-2535-7b47-8200-83d35fef1428",1,"scikit-learn'de `KNeighborsClassifier.fit(X, y)` gerçekte ne yapar?",[69,72,75,78],{"key":70,"text":71},"a","Eğitim kümesini bir komşu-arama indeksine yerleştirir ve hiçbir parametre kestirmez",{"key":73,"text":74},"b","Eğitim satırlarında kareli hatayı küçülterek her feature için bir ağırlık kestirir",{"key":76,"text":77},"c","Her sınıf etiketi için bir merkez hesaplar ve tahmin için yalnızca bu merkezleri tutar",{"key":79,"text":80},"d","Feature uzayını saf bölgelere özyinelemeli bölerek bir eşik kuralları kümesi kurar","k-en-yakın-komşu tembel (lazy) bir öğrenicidir: fit yalnızca eğitim satırlarını ezberler, isteğe bağlı olarak KD-tree ya da ball-tree içine yerleştirir. Katsayı, merkez ya da bölme kuralı türetilmez; bu yüzden eğitim neredeyse bedava, buna karşılık her tahmin komşu arama maliyetini öder.",{"id":83,"topic":9,"difficulty":84,"body":85,"options":86,"correct_key":76,"explanation":95},"01a03e80-255f-7de3-bf42-43d970a57f88",2,"Bir k-en-yakın-komşu sınıflandırıcısında `n_neighbors` büyüdükçe karar sınırı nasıl davranır?",[87,89,91,93],{"key":70,"text":88},"k, girdi feature sayısını geçer geçmez tam olarak doğrusallaşır",{"key":73,"text":90},"Daha tırtıklı hâle gelir, çünkü her sorguda daha kalabalık bir komşu kurulu oy verir",{"key":76,"text":92},"Daha düzgün hâle gelir; bu varyansı düşürür, bias'ı yükseltir",{"key":79,"text":94},"Biçimi aynı kalır, yalnızca sorgu başına tahmin gecikmesi k ile birlikte artar","Her tahmin k komşunun oyunu ortalar, dolayısıyla büyük k daha geniş bir bölgeyi ortalar ve sınır ince ayrıntısını kaybeder. Yöntemin klasik bias-varyans dengesi budur: k=1 her tekil etiketi izler, çok büyük k ise her yerde çoğunluk sınıfını söylemeye yaklaşır.",{"id":97,"topic":9,"difficulty":84,"body":98,"options":99,"correct_key":79,"explanation":108},"01a03e80-2567-78d8-90d4-e9518af450c6","Wine veri kümesinde bir `KNeighborsClassifier(n_neighbors=5)` ölçeklemesiz 0.69, önünde `StandardScaler` ya da `MinMaxScaler` varken her iki durumda da yaklaşık 0.95 alıyor. Yine de iki ölçekleyici altında 178 satırın 125'i farklı bir beşli komşu kümesine düşüyor. İkisi neden ayrışıyor?",[100,102,104,106],{"key":70,"text":101},"`MinMaxScaler` sütunları korelasyonlu bırakır, `StandardScaler` ise önce bu korelasyonu kaldırır",{"key":73,"text":103},"[0, 1] aralığına eşlemek her değerin işaretini atar; kareli fark ise tam olarak buna dayanır",{"key":76,"text":105},"İkisi başlangıç noktasını farklı yere koyar ve kayan bir başlangıç en yakın satırları değiştirir",{"key":79,"text":107},"Biri sütunu standart sapmasına, diğeri aralığına böler; sütun ağırlıkları böylece farklılaşır","İki dönüşüm de ham birim sorununu ortadan kaldırır; doğruluğun iki durumda da aynı yere oturmasının sebebi budur. Ama karşılaştırılabilirlik tek bir şey değildir: tek bir uzak uç değer taşıyan bir sütunun aralığı geniş, standart sapması ise ölçülüdür, dolayısıyla min-max o sütunu standartlaştırmadan çok daha sert sıkıştırır. Her sütun kareli toplama iki yöntemde farklı bir ağırlıkla girer ve ortaya çıkan komşu listeleri beş yerin ortalama 4.06'sında örtüşür.",{"id":110,"topic":9,"difficulty":84,"body":111,"options":112,"correct_key":73,"explanation":121},"01a03e80-256e-70d6-95ae-72e77948e476","Bir ekip kNN sınıflandırıcısını `weights='uniform'`'dan `weights='distance'`'a çeviriyor ve tahminler çoğunlukla sınıf sınırına yakın sorgu noktalarında değişiyor. Bu değişiklik neyi değiştirdi?",[113,115,117,119],{"key":70,"text":114},"Ortalama komşu mesafesinden daha uzaktaki komşular artık oylamadan tümüyle çıkarılıyor",{"key":73,"text":116},"k komşunun her biri artık 1\u002Fd ile orantılı ağırlıkla oy veriyor",{"key":76,"text":118},"k artık her sorgu noktası için çevredeki eğitim satırlarının yerel yoğunluğundan hesaplanıyor",{"key":79,"text":120},"Metrik Minkowski'den, fit sırasında öğrenilen ağırlıklı bir mesafeye geçiyor","Uniform ağırlıkta k komşunun hepsi eşit sayılır; yoğun bir bölgenin hemen dışındaki bir sorgu, diğer sınıfın biraz daha uzaktaki noktalarınca oylamada geçilebilir. Ters-mesafe ağırlığı aynı k komşuyu korur ama en yakınların baskın olmasını sağlar; sınır noktalarının kaymasının sebebi tam olarak budur.",{"id":123,"topic":9,"difficulty":84,"body":124,"options":125,"correct_key":79,"explanation":134},"01a03e80-2574-71e3-a166-36a14dd43b53","Bu kod parçası ne yazdırır (scikit-learn 1.6)?\n\n```python\nfrom sklearn.metrics import pairwise_distances\na = [[0, 0]]\nb = [[3, 4]]\nprint(pairwise_distances(a, b, metric=\"minkowski\", p=1)[0, 0],\n      pairwise_distances(a, b, metric=\"minkowski\", p=2)[0, 0])\n```",[126,128,130,132],{"key":70,"text":127},"12.0 5.0",{"key":73,"text":129},"5.0 7.0",{"key":76,"text":131},"7.0 7.0",{"key":79,"text":133},"7.0 5.0","p=1 ile Minkowski, Manhattan mesafesidir: |3| + |4| = 7. p=2 ile Öklid mesafesidir: karekök(9 + 16) = 5. Bir metriği diğerine çeviren şey p üssüdür ve kNN'i kutudan çıktığı gibi Öklid yapan da varsayılan p=2 değeridir.",{"id":136,"topic":9,"difficulty":66,"body":137,"options":138,"correct_key":73,"explanation":147},"01a03e80-2577-792b-b394-46a848fc51d4","`KMeans` hangi büyüklüğü küçültür ve dolayısıyla `inertia_` özniteliği neyi bildirir?",[139,141,143,145],{"key":70,"text":140},"Atanmış tüm örnekler üzerinden hesaplanan ortalama silhouette katsayısı",{"key":73,"text":142},"Her örneğin atandığı merkeze kareli mesafesinin tüm örnekler üzerinden toplamı",{"key":76,"text":144},"Küme başına bir Gauss bileşeni varsayımı altında gözlenen verinin log-olabilirliği",{"key":79,"text":146},"Eğitilmiş merkezlerin her çifti arasındaki ikili mesafelerin toplamı","k-means'in amacı küme-içi kareler toplamıdır (WCSS) ve fit sonrası `inertia_` tam olarak bu değeri tutar. Ölçüt bir ortalamaya olan kareli Öklid mesafelerinin toplamı olduğu için algoritmanın tamamı sıkışık, kabaca küresel gruplara eğilim devralır.",{"fields":149,"seniorities":370,"interview_shapes":371,"locales":376,"oauth":378,"question_count":381,"coach_enabled":382,"jd_match_enabled":382},[150,175,195,212,236,249,268,287,309,328,343,365],{"key":151,"name_tr":152,"name_en":152,"sort":66,"specializations":153},"backend","Backend",[154,157,160,163,166,169,172],{"key":155,"name":156,"field":151},"general","Genel",{"key":158,"name":159,"field":151},"go","Go",{"key":161,"name":162,"field":151},"python","Python",{"key":164,"name":165,"field":151},"java","Java",{"key":167,"name":168,"field":151},"csharp","C#\u002F.NET",{"key":170,"name":171,"field":151},"nodejs","Node.js",{"key":173,"name":174,"field":151},"php","PHP",{"key":176,"name_tr":177,"name_en":177,"sort":84,"specializations":178},"frontend","Frontend",[179,180,183,186,189,192],{"key":155,"name":156,"field":176},{"key":181,"name":182,"field":176},"javascript","JavaScript",{"key":184,"name":185,"field":176},"typescript","TypeScript",{"key":187,"name":188,"field":176},"react","React",{"key":190,"name":191,"field":176},"vue","Vue",{"key":193,"name":194,"field":176},"angular","Angular",{"key":196,"name_tr":197,"name_en":197,"sort":198,"specializations":199},"fullstack","Fullstack",3,[200,201,202,203,204,205,206,207,208,209,210,211],{"key":155,"name":156,"field":196},{"key":158,"name":159,"field":151},{"key":161,"name":162,"field":151},{"key":164,"name":165,"field":151},{"key":167,"name":168,"field":151},{"key":170,"name":171,"field":151},{"key":173,"name":174,"field":151},{"key":181,"name":182,"field":176},{"key":184,"name":185,"field":176},{"key":187,"name":188,"field":176},{"key":190,"name":191,"field":176},{"key":193,"name":194,"field":176},{"key":213,"name_tr":214,"name_en":214,"sort":215,"specializations":216},"devops-cloud","DevOps \u002F Cloud",4,[217,218,221,224,227,230,233],{"key":155,"name":156,"field":213},{"key":219,"name":220,"field":213},"aws","AWS",{"key":222,"name":223,"field":213},"gcp","GCP",{"key":225,"name":226,"field":213},"azure","Azure",{"key":228,"name":229,"field":213},"kubernetes","Kubernetes",{"key":231,"name":232,"field":213},"terraform","Terraform",{"key":234,"name":235,"field":213},"linux","Linux",{"key":237,"name_tr":238,"name_en":238,"sort":239,"specializations":240},"ai-engineer","AI Engineer",5,[241,242,243,246],{"key":155,"name":156,"field":237},{"key":161,"name":162,"field":237},{"key":244,"name":245,"field":237},"llm-rag","LLM\u002FRAG",{"key":247,"name":248,"field":237},"mlops","MLOps",{"key":250,"name_tr":251,"name_en":252,"sort":253,"specializations":254},"database","Veritabanı","Database",6,[255,256,259,262,265],{"key":155,"name":156,"field":250},{"key":257,"name":258,"field":250},"postgresql","PostgreSQL",{"key":260,"name":261,"field":250},"mysql","MySQL",{"key":263,"name":264,"field":250},"mongodb","MongoDB",{"key":266,"name":267,"field":250},"redis","Redis",{"key":269,"name_tr":270,"name_en":271,"sort":272,"specializations":273},"mobile","Mobil","Mobile",7,[274,275,278,281,284],{"key":155,"name":156,"field":269},{"key":276,"name":277,"field":269},"ios-swift","iOS (Swift)",{"key":279,"name":280,"field":269},"android-kotlin","Android (Kotlin)",{"key":282,"name":283,"field":269},"flutter","Flutter",{"key":285,"name":286,"field":269},"react-native","React Native",{"key":288,"name_tr":289,"name_en":290,"sort":291,"specializations":292},"security","Güvenlik","Security",8,[293,294,297,300,303,306],{"key":155,"name":156,"field":288},{"key":295,"name":296,"field":288},"appsec","AppSec",{"key":298,"name":299,"field":288},"offensive-pentest","Offensive \u002F Pentest",{"key":301,"name":302,"field":288},"cloud-security","Cloud Security",{"key":304,"name":305,"field":288},"devsecops","DevSecOps",{"key":307,"name":308,"field":288},"blue-team-incident","Blue Team \u002F Incident",{"key":310,"name_tr":311,"name_en":312,"sort":313,"specializations":314},"qa-test-automation","QA \u002F Test Otomasyonu","QA \u002F Test Automation",9,[315,316,319,322,325],{"key":155,"name":156,"field":310},{"key":317,"name":318,"field":310},"test-automation","Test Automation",{"key":320,"name":321,"field":310},"sdet","SDET",{"key":323,"name":324,"field":310},"performance-testing","Performance Testing",{"key":326,"name":327,"field":310},"mobile-qa","Mobile QA",{"key":329,"name_tr":330,"name_en":330,"sort":331,"specializations":332},"data-engineer","Data Engineer",10,[333,334,337,340],{"key":155,"name":156,"field":329},{"key":335,"name":336,"field":329},"pipelines-etl","Pipelines \u002F ETL",{"key":338,"name":339,"field":329},"streaming","Streaming",{"key":341,"name":342,"field":329},"warehousing","Warehousing",{"key":344,"name_tr":345,"name_en":346,"sort":347,"specializations":348},"game-dev","Oyun Geliştirme","Game Development",11,[349,350,353,356,359,362],{"key":155,"name":156,"field":344},{"key":351,"name":352,"field":344},"unity-csharp","Unity (C#)",{"key":354,"name":355,"field":344},"unreal-cpp","Unreal (C++)",{"key":357,"name":358,"field":344},"gameplay","Gameplay",{"key":360,"name":361,"field":344},"graphics-rendering","Graphics \u002F Rendering",{"key":363,"name":364,"field":344},"multiplayer-netcode","Multiplayer \u002F Netcode",{"key":5,"name_tr":6,"name_en":6,"sort":366,"specializations":367},12,[368,369],{"key":155,"name":156,"field":5},{"key":60,"name":61,"field":5},[14,15,16],{"junior":372,"mid":374,"senior":375},{"questions":373,"median_sec":3},20,{"questions":373,"median_sec":3},{"questions":373,"median_sec":3},[10,377],"en",[379,380],"google","github",27600,true]