[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"me":3,"catalog:tr:ml-engineer\u002Fcml-svm-kernels-margins":4,"config":149},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-svm-kernels-margins","Cml Svm Kernels Margins","tr",75,1050,[14,15,16],"junior","mid","senior",[18,21,24,27,30,31,34,37,40,43,46,49,52,55],{"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":25,"name":26,"count":11},"cml-linear-logistic-internals","Cml Linear Logistic Internals",{"key":28,"name":29,"count":11},"cml-probabilistic-models-calibration","Cml Probabilistic Models Calibration",{"key":8,"name":9,"count":11},{"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":76,"explanation":81},"01a03e80-26b6-7604-b980-79ace764cf19",1,"Tamamen ayrılabilir iki sınıf üzerinde hard-margin bir doğrusal SVM eğitiliyor. Bu sınıfları ayıran sonsuz sayıda hiperdüzlem içinden, SVM'in eğitim amacı hangi büyüklüğü olabildiğince büyütür?",[69,72,75,78],{"key":70,"text":71},"a","Her eğitim noktasının hiperdüzleme olan dik uzaklığının ortalamasını.",{"key":73,"text":74},"b","Pozitif karar skoru alan eğitim noktalarının sayısını.",{"key":76,"text":77},"c","Sınıflar arasındaki boş bandın genişliğini, yani 2\u002F||w|| değerini.",{"key":79,"text":80},"d","İki sınıf merkezinin w yönü üzerine izdüşümleri arasındaki dik uzaklığı.","Ayırıcı hiperdüzlem w·x + b = 0'dır ve iki margin sınırı w·x + b = +1 ile -1 olarak sabitlenmiştir. Bu iki düzlem arasındaki dik uzaklık 2\u002F||w|| olduğundan, margin'i büyütmek ||w||^2'yi küçültmekle aynı şeydir; kısıt ise her noktanın kendi margin sınırının doğru tarafında kalmasıdır. Tüm noktalar üzerinden alınan ortalamaların veya sınıf merkezlerinin amaç fonksiyonunda yeri yoktur.",{"id":83,"topic":9,"difficulty":84,"body":85,"options":86,"correct_key":70,"explanation":95},"01a03e80-26bd-739c-9e91-98a72a328cf3",2,"Eğitilmiş iki boyutlu bir doğrusal SVM coef_ = [[3.0, 4.0]] ve intercept_ = [-10.0] veriyor. Margin ne kadar geniştir, yani iki margin sınırı arasındaki dik uzaklık kaçtır?",[87,89,91,93],{"key":70,"text":88},"0.4, çünkü ||w|| 5'tir ve genişlik 2\u002F||w|| olur.",{"key":73,"text":90},"5.0, çünkü margin genişliği ağırlık vektörünün normuna eşittir.",{"key":76,"text":92},"2.0, çünkü sınırlar karar değeri +1 ve -1 olan yerlerdedir.",{"key":79,"text":94},"0.2, çünkü margin genişliği, w normunun tersine eşittir.","(3, 4) vektörünün normu sqrt(9 + 16) = 5'tir. İki margin sınırı, karar fonksiyonunun +1 ve -1 olduğu seviye kümeleridir ve bu iki seviye arasında kat edilen dik uzaklık 2\u002F||w|| = 2\u002F5 = 0.4 olur. Intercept yalnızca bandın tamamını kaydırır, genişliğini değiştirmez. Bu uzaklığın yarısı olan 1\u002F||w|| = 0.2 ise sınırdan yalnızca tek bir margin'e olan mesafedir.",{"id":97,"topic":9,"difficulty":84,"body":98,"options":99,"correct_key":79,"explanation":108},"01a03e80-26c1-7e0e-8c23-54761acb6399","Etiketi y ∈ {-1, +1} olan bir x noktası için fonksiyonel margin y(w·x + b), geometrik margin ise hiperdüzleme olan gerçek dik uzaklıktır. SVM formülasyonu en yakın noktaların fonksiyonel margin'ini neden tam olarak 1'e sabitler?",[100,102,104,106],{"key":70,"text":101},"Fonksiyonel margin'in 1 olması, noktanın doğru sınıflandırıldığını garanti ettiği için.",{"key":73,"text":103},"libsvm, -1 ile +1 aralığı dışındaki karar değerlerini temsil edemediği için.",{"key":76,"text":105},"Bir fonksiyonel margin seçilmeden geometrik margin tanımsız kaldığı için.",{"key":79,"text":107},"w ve b aynı katsayıyla ölçeklenince düzlem yerinde kalırken fonksiyonel margin değiştiği için.","(w, b) ile tanımlanan hiperdüzlem (2w, 2b) ile tanımlananla birebir aynıdır, ama fonksiyonel margin ikiye katlanır. Bu da fonksiyonel margin'i tek başına anlamsız bir hedef yapar. ||w||'ye bölmek bu belirsizliği kaldırır ve geometrik margin'i verir; en yakın noktaların fonksiyonel margin'ini 1'e sabitlemek ise margin büyütmeyi ||w|| küçültmeye çeviren bir normalizasyondan ibarettir.",{"id":110,"topic":9,"difficulty":66,"body":111,"options":112,"correct_key":70,"explanation":121},"01a03e80-26c6-78ef-ba14-9c9f50db70e8","Bir meslektaşınız, eğitilmiş bir doğrusal SVC'nin karar sınırından çok uzakta duran 40 eğitim satırını siliyor ve aynı ayarlarla yeniden eğitiyor. Sınır neredeyse hiç değişmeden geri geliyor. Bunun açıklaması nedir?",[113,115,117,119],{"key":70,"text":114},"Yalnızca margin üzerindeki veya içindeki noktalar sıfırdan farklı dual katsayı taşır, uzak satırlar hiçbir katkı yapmaz.",{"key":73,"text":116},"SVM tüm satırları bir sınıf prototipinde ortalar, 40 satır bir ortalamayı zor oynatır.",{"key":76,"text":118},"Çözücü tek bir satırın etkisini C ile sınırlar, silinen hiçbir satır düzlemi kayda değer biçimde oynatamaz.",{"key":79,"text":120},"Satır silmek düzenlileştirme gücünü düşürür ve bu, kaybolan bilgiyi tesadüfen dengeler.","Dual formülasyonda her eğitim noktası bir alpha_i katsayısı alır ve KKT koşulları, kendi margin sınırının kesinlikle ötesinde kalan her nokta için alpha_i = 0 olmasını zorunlu kılar. Karar fonksiyonu sadece destek vektörleri üzerinden bir toplamdır, dolayısıyla iyi ayrılmış noktaları silmek onu değiştirmez. SVM'in bellek açısından verimli sayılmasının nedeni de budur: eğitilmiş model yalnızca destek vektörlerini saklar.",{"id":123,"topic":9,"difficulty":84,"body":124,"options":125,"correct_key":73,"explanation":134},"01a03e80-26d3-7aa2-9d5b-6b20b87c41a8","Bir junior mühendis sklearn 1.6'daki SVC'den \"daha fazla düzenlileştirme\" istiyor ve büyük değerin güçlü ceza demek olduğunu düşünerek C'yi 1.0'dan 100.0'a çıkarıyor. Eğitilen modelde gerçekte ne olur?",[126,128,130,132],{"key":70,"text":127},"Hiçbir şey değişmez, çünkü C yalnızca çözücünün durma kuralını etkiler.",{"key":73,"text":129},"Düzenlileştirme zayıflar: C ihlal cezasını çarptığı için margin daralır ve noktalara uydurulur.",{"key":76,"text":131},"Düzenlileştirme tam istendiği gibi güçlenir, çünkü C amaç fonksiyonundaki ||w||^2 teriminin önündeki çarpandır.",{"key":79,"text":133},"Model eğitilmeyi reddeder, çünkü 10'un üzerindeki C değerleri geçersiz sayılır.","Primal amaç fonksiyonu (1\u002F2)||w||^2 + C * hinge kayıplarının toplamı biçimindedir. C, norm teriminin değil hata teriminin önünde durur; dolayısıyla büyütmek her margin ihlalini daha pahalı hale getirir ve çözücüyü daha dar, daha karmaşık bir sınıra iter. scikit-learn kullanım kılavuzu bunu doğrudan söyler: C'yi düşürmek daha fazla düzenlileştirme anlamına gelir.",{"id":136,"topic":9,"difficulty":137,"body":138,"options":139,"correct_key":79,"explanation":148},"01a03e80-26dc-7d51-867f-bfa6688747f5",3,"Standartlaştırılmış 300 satırlık bir veri kümesinde bir RBF SVC farklı C değerleriyle yeniden eğitiliyor ve n_support_.sum() kaydediliyor: C=0.1 için 288, C=1 için 196, C=10 için 132, C=100 için 105 destek vektörü. Bu eğilimi hangi mekanizma üretir?",[140,142,144,146],{"key":70,"text":141},"Büyük C kernel cache'ini küçültür, bu yüzden daha az destek vektörü saklanabilir.",{"key":73,"text":143},"Büyük C, dual katsayısı toleransın altına düşen destek vektörlerini eler.",{"key":76,"text":145},"Büyük C iterasyon sayısını azaltır, çözücü daha az aday bulur.",{"key":79,"text":147},"Büyük C ihlalleri pahalılaştırır, margin daralır, içine az nokta düşer.","Bir nokta, fonksiyonel margin'i en fazla 1 olduğunda, yani margin bandının üzerinde veya içinde kaldığında destek vektörü olur. Küçük C, çok sayıda ihlale göz yumarak geniş bir bandı ucuza satın alır ve satırların çoğu bu bandın içinde kalır. C büyüdükçe her ihlal pahalılaşır, çözücü bandı sıkıştırır ve yalnızca hâlâ banda değen birkaç nokta sıfırdan farklı katsayı taşımaya devam eder.",{"fields":150,"seniorities":370,"interview_shapes":371,"locales":376,"oauth":378,"question_count":381,"coach_enabled":382,"jd_match_enabled":382},[151,176,196,212,236,249,268,287,309,328,343,365],{"key":152,"name_tr":153,"name_en":153,"sort":66,"specializations":154},"backend","Backend",[155,158,161,164,167,170,173],{"key":156,"name":157,"field":152},"general","Genel",{"key":159,"name":160,"field":152},"go","Go",{"key":162,"name":163,"field":152},"python","Python",{"key":165,"name":166,"field":152},"java","Java",{"key":168,"name":169,"field":152},"csharp","C#\u002F.NET",{"key":171,"name":172,"field":152},"nodejs","Node.js",{"key":174,"name":175,"field":152},"php","PHP",{"key":177,"name_tr":178,"name_en":178,"sort":84,"specializations":179},"frontend","Frontend",[180,181,184,187,190,193],{"key":156,"name":157,"field":177},{"key":182,"name":183,"field":177},"javascript","JavaScript",{"key":185,"name":186,"field":177},"typescript","TypeScript",{"key":188,"name":189,"field":177},"react","React",{"key":191,"name":192,"field":177},"vue","Vue",{"key":194,"name":195,"field":177},"angular","Angular",{"key":197,"name_tr":198,"name_en":198,"sort":137,"specializations":199},"fullstack","Fullstack",[200,201,202,203,204,205,206,207,208,209,210,211],{"key":156,"name":157,"field":197},{"key":159,"name":160,"field":152},{"key":162,"name":163,"field":152},{"key":165,"name":166,"field":152},{"key":168,"name":169,"field":152},{"key":171,"name":172,"field":152},{"key":174,"name":175,"field":152},{"key":182,"name":183,"field":177},{"key":185,"name":186,"field":177},{"key":188,"name":189,"field":177},{"key":191,"name":192,"field":177},{"key":194,"name":195,"field":177},{"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":156,"name":157,"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":156,"name":157,"field":237},{"key":162,"name":163,"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":156,"name":157,"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":156,"name":157,"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":156,"name":157,"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":156,"name":157,"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":156,"name":157,"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":156,"name":157,"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":156,"name":157,"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]