[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"me":3,"catalog:tr:ml-engineer\u002Fcml-linear-logistic-internals":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-linear-logistic-internals","Cml Linear Logistic Internals","tr",75,1050,[14,15,16],"junior","mid","senior",[18,21,24,25,28,31,34,37,40,43,46,49,52,55],{"key":19,"name":20,"count":11},"cml-distance-clustering-dimreduction","Cml Distance Clustering Dimreduction",{"key":22,"name":23,"count":11},"cml-gradient-boosting-mechanics","Cml Gradient Boosting Mechanics",{"key":8,"name":9,"count":11},{"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":73,"explanation":81},"01a03e80-262a-700e-a577-9d3d409b8e77",1,"scikit-learn'ün LinearRegression sınıfı katsayıları fit ederken aslında hangi büyüklüğü minimize eder?",[69,72,75,78],{"key":70,"text":71},"a","Tahminler ile gözlenen hedef değerler arasındaki farkların mutlak değer toplamını",{"key":73,"text":74},"b","Tahminler ile gözlenen hedef değerler arasındaki farkların karelerinin toplamını",{"key":76,"text":77},"c","Eğitim matrisinin herhangi bir satırında oluşan en büyük tek mutlak artığı",{"key":79,"text":80},"d","Artık kareler toplamına öğrenilen katsayıların karelerinin toplamını eklenmiş hâlini","LinearRegression sıradan en küçük kareler problemini çözer: artık kareler toplamını en küçük yapan katsayı vektörünü seçer. Mutlak artıkları minimize etmek en küçük mutlak sapma regresyonudur, en büyük artığı minimize etmek minimax bir uyumdur, kare katsayı terimi eklemek ise Ridge'in yaptığı şeydir. Kare almak, çözümün doğrusal bir sistemle kapalı formda bulunabilmesini sağlayan şeydir.",{"id":83,"topic":9,"difficulty":84,"body":85,"options":86,"correct_key":76,"explanation":95},"01a03e80-262d-7dbe-bfd3-1aae5191c1e2",2,"Lojistik regresyonda, girdi feature'larının düz bir doğrusal fonksiyonu olarak modellenen büyüklük hangisidir?",[87,89,91,93],{"key":70,"text":88},"Sıfır ile bir aralığında tutulan, pozitif sınıfa ait olma olasılığının kendisi",{"key":73,"text":90},"Satırın feature uzayında fit edilen karar sınırına olan uzaklığının karesi",{"key":76,"text":92},"Satırın pozitif sınıfa ait olma bahis oranının (odds) doğal logaritması",{"key":79,"text":94},"Eğitim setinin tamamında gözlenen pozitif etiketlerin negatiflere oranı","Logit bağlantısı, kesişim artı ağırlıklı feature toplamının log(p \u002F (1 - p)) değerine eşit olması demektir; sigmoid ise bu bağlantının tersidir ve doğrusal skoru olasılığa geri taşır. Olasılığın kendisini doğrusal modellemek, tahminlerin sıfır-bir aralığının dışına çıkmasına izin verirdi; bağlantı fonksiyonunun çözdüğü sorun tam olarak budur. Eğitim setindeki sınıf dengesi ise verinin bir özelliğidir, doğrusal kısmın tahmin ettiği bir şey değil.",{"id":97,"topic":9,"difficulty":84,"body":98,"options":99,"correct_key":70,"explanation":108},"01a03e80-2630-75d1-8103-3209e743d306","Fit edilmiş ikili bir LogisticRegression modelinde coef_ = [[0.5]] ve intercept_ = [-1.0]. x = 2.0 için predict_proba pozitif sınıfa hangi değeri döner?",[100,102,104,106],{"key":70,"text":101},"0.500",{"key":73,"text":103},"0.269",{"key":76,"text":105},"0.731",{"key":79,"text":107},"0.881","Doğrusal öngörücü 0.5 * 2.0 - 1.0 = 0.0 olur ve sıfırın sigmoid değeri tam olarak 0.5'tir, yani satır karar sınırının üzerindedir. Diğer değerler sırasıyla -1.0, +1.0 ve +2.0 doğrusal öngörücülerine karşılık gelir; bunlar için farklı bir feature değeri veya farklı bir kesişim gerekirdi.",{"id":110,"topic":9,"difficulty":84,"body":111,"options":112,"correct_key":73,"explanation":121},"01a03e80-2631-7a2d-9aec-1618cca85463","scikit-learn 1.6'da LogisticRegression sınıfının C hiperparametresi tam olarak neyi kontrol eder?",[113,115,117,119],{"key":70,"text":114},"Penaltı ağırlığının kendisidir; C küçüldükçe katsayılar penaltısız uyuma daha yakın kalır",{"key":73,"text":116},"Penaltı ağırlığının tersidir; C küçüldükçe katsayılar daha sert biçimde küçültülür",{"key":76,"text":118},"Tek bir katsayının fit sırasında ulaşabileceği mutlak değeri üstten sınırlar",{"key":79,"text":120},"Çözücünün durup sonuç dönmeden önce veri üzerinde kaç geçiş yapacağını belirler","scikit-learn amaç fonksiyonunu C çarpı toplam log-loss artı kare norm terimi olarak yazar; yani C veriye uyum kısmının önünde durur ve 1\u002Flambda gibi davranır. C'yi düşürmek penaltıya göreli olarak daha fazla ağırlık verir ve katsayıları sıfıra doğru çeker. Bu estimator'da katsayı başına bir kırpma yoktur, iterasyon bütçesi ise max_iter parametresinde tutulur.",{"id":123,"topic":9,"difficulty":84,"body":124,"options":125,"correct_key":79,"explanation":134},"01a03e80-2633-7c8d-a094-238d62cf777d","Bir ekip arkadaşı, scikit-learn 1.6'da LogisticRegression() çağrısının argümansız hâlinin düz bir maksimum olabilirlik uyumu verdiğini söylüyor. Gerçekte ne fit ediliyor?",[126,128,130,132],{"key":70,"text":127},"Penaltısız bir uyum; çünkü bu sürümde penalty argümanı zaten varsayılan olarak None'dır",{"key":73,"text":129},"L1 penaltılı bir uyum; çünkü varsayılan lbfgs çözücüsü küçük ağırlıkları sıfıra iter",{"key":76,"text":131},"İki sınıf dengeliyse penaltısız, dengesizse penaltılı bir uyum yapılır",{"key":79,"text":133},"L2 penaltılı bir uyum; çünkü varsayılan penalty 'l2' ve varsayılan C 1.0'dır","scikit-learn 1.6'daki varsayılanlar penalty='l2', C=1.0 ve solver='lbfgs' şeklindedir; yani siz açıkça penalty=None geçmedikçe düzenlileştirme açıktır. Bu bilinçli bir kütüphane tercihidir ve klasik istatistik paketlerindeki penaltısız gelenekten ayrılır. Sınıf dengesi penaltıyı hiçbir zaman açıp kapatmaz, lbfgs ise L1 penaltısını zaten fit edemez.",{"id":136,"topic":9,"difficulty":66,"body":137,"options":138,"correct_key":73,"explanation":147},"01a03e80-2637-7756-bbf1-51368038f5b8","LinearRegression katsayılarını tek adımda çözerken LogisticRegression yinelemeli bir çözücü çalıştırmak zorundadır. Bu farkı ne zorunlu kılar?",[139,141,143,145],{"key":70,"text":140},"Hedefi sayı değil sınıf etiketidir, etiketler üzerinde tanımlı bir matris formülü yoktur",{"key":73,"text":142},"Türevlerini sıfıra eşitlemek katsayılara göre doğrusal olmayan bir denklem takımı verir",{"key":76,"text":144},"Amaç fonksiyonunun birden çok yerel minimumu vardır, çözücü en iyisini arayarak bulmalıdır",{"key":79,"text":146},"Kare norm penaltısı türevlenebilir olmadığından gradyanlar yaklaşıklanmak zorundadır","En küçük kareler karesel bir fonksiyonun türevini alır; durağanlık koşulları katsayılarda doğrusal çıkar ve tek bir doğrusal sistem cevabı döner. Lojistik olabilirlik ise katsayıları bir sigmoid'in içine koyar, aynı koşullar doğrusal olmayan biçimde çıkar ve hiçbir düzenleme katsayıları yalnız bırakamaz; çözücü bu yüzden optimuma doğru yürümek zorundadır. Bu yürüyüş yine de güvenilirdir, çünkü amaç fonksiyonu dışbükeydir ve birden çok değil tek bir optimumu vardır. Hedefin kategorik olması tek başına kapalı formu engellemez, kare norm penaltısı da pürüzsüz biçimde türevlenebilir.",{"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]