[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"me":3,"catalog:tr:ml-engineer\u002Ffe-numeric-transforms-distributions":4,"config":191},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":94,"samples":105},"ml-engineer","ML Engineer","","fe-numeric-transforms-distributions","Fe Numeric Transforms Distributions","tr",75,1950,[14,15,16],"junior","mid","senior",[18,21,24,27,30,33,36,39,42,45,48,51,54,57,60,63,64,67,70,73,76,79,82,85,88,91],{"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":31,"name":32,"count":11},"cml-svm-kernels-margins","Cml Svm Kernels Margins",{"key":34,"name":35,"count":11},"cml-trees-randomforest-internals","Cml Trees Randomforest Internals",{"key":37,"name":38,"count":11},"dl-architecture-layers","Dl Architecture Layers",{"key":40,"name":41,"count":11},"dl-initialization-optimizers","Dl Initialization Optimizers",{"key":43,"name":44,"count":11},"dl-losses-output-layers","Dl Losses Output Layers",{"key":46,"name":47,"count":11},"dl-normalization-regularization","Dl Normalization Regularization",{"key":49,"name":50,"count":11},"dl-sequence-attention","Dl Sequence Attention",{"key":52,"name":53,"count":11},"dl-training-dynamics-backprop","Dl Training Dynamics Backprop",{"key":55,"name":56,"count":11},"fe-binning-discretization","Fe Binning Discretization",{"key":58,"name":59,"count":11},"fe-categorical-encoding-mechanics","Fe Categorical Encoding Mechanics",{"key":61,"name":62,"count":11},"fe-interactions-basis-expansion","Fe Interactions Basis Expansion",{"key":8,"name":9,"count":11},{"key":65,"name":66,"count":11},"fe-temporal-cyclical-features","Fe Temporal Cyclical Features",{"key":68,"name":69,"count":11},"fe-text-highcardinality-features","Fe Text Highcardinality Features",{"key":71,"name":72,"count":11},"ml-data-preparation","Ml Data Preparation",{"key":74,"name":75,"count":11},"ml-deployment-serving","Ml Deployment Serving",{"key":77,"name":78,"count":11},"ml-experimentation-reproducibility","Ml Experimentation Reproducibility",{"key":80,"name":81,"count":11},"ml-model-selection-tuning","Ml Model Selection Tuning",{"key":83,"name":84,"count":11},"ml-model-training-evaluation","Ml Model Training Evaluation",{"key":86,"name":87,"count":11},"ml-monitoring-drift","Ml Monitoring Drift",{"key":89,"name":90,"count":11},"ml-problem-framing","Ml Problem Framing",{"key":92,"name":93,"count":11},"ml-scaling-performance","Ml Scaling Performance",[95,99,102],{"key":96,"name":97,"count":98},"classical-ml","Classical ML",450,{"key":100,"name":101,"count":98},"deep-learning","Deep Learning",{"key":103,"name":104,"count":98},"feature-engineering","Feature Engineering",[106,124,137,151,164,177],{"id":107,"topic":9,"difficulty":108,"body":109,"options":110,"correct_key":115,"explanation":123},"01a04b40-de7b-7109-bc8e-44babbbd4df0",2,"Bir sütun 10, 12, 14, 16, 18 değerlerini tutuyor. scikit-learn 1.6'daki StandardScaler tam olarak bu beş değer üzerinde fit edildikten sonra 18 değeri neye dönüşür?",[111,114,117,120],{"key":112,"text":113},"a","4.0; değerden ortalamaya olan ham fark",{"key":115,"text":116},"b","Yaklaşık 1.414; sütun ortalamasına uzaklığın 2.8284 olan anakütle standart sapmasına bölümü",{"key":118,"text":119},"c","Yaklaşık 1.265; aynı uzaklığın örneklem standart sapmasına bölümü",{"key":121,"text":122},"d","1.0; aralık tabanlı bir ölçeklemede çıktının tepe değeri","StandardScaler mean_ = 14 ve scale_ = karekök(8) ≈ 2.8284 saklar; buradaki scale_ fit edilen sütunun anakütle standart sapmasıdır, yani 18 değeri 4 \u002F 2.8284 ≈ 1.4142 olur. Yaklaşık 3.1623 olan örneklem standart sapmasına bölmek ≈1.2649 verirdi ve standardizasyonun, aralık tabanlı ölçeklemedeki gibi sabit bir üst sınırı yoktur.",{"id":125,"topic":9,"difficulty":108,"body":126,"options":127,"correct_key":118,"explanation":136},"01a04b40-de80-799c-9ddd-0ade5b48f2d9","scikit-learn 1.6'da bir MinMaxScaler, [10, 12, 14, 16, 18] sütunu üzerinde fit ediliyor ve ardından yeni bir 22 değerini transform etmesi isteniyor. Ne döner?",[128,130,132,134],{"key":112,"text":129},"1.0; çünkü scaler fit edilen maksimumun üstündeki her şeyi sınıra geri kırpar",{"key":115,"text":131},"0.0; çünkü görülmemiş bir değer en alta düşer",{"key":118,"text":133},"1.5; çünkü fit edilen formül maksimumun ötesinde de uygulanır",{"key":121,"text":135},"Aralık dışı girdiyi anan bir ValueError","MinMaxScaler data_min_ = 10 ve data_max_ = 18 saklar ve 10'u çıkarıp 8'e bölen eşlemeyi uygular; bu da 22 için 1.5 verir. clip parametresi varsayılan olarak False'tur, yani formül fit edilen aralığın dışında da sınırlandırılmadan hesaplanır; clip=True sonucu 1.0'da tavanlardı.",{"id":138,"topic":9,"difficulty":139,"body":140,"options":141,"correct_key":112,"explanation":150},"01a04b40-de82-70a8-93a7-27f942060958",1,"İki ham feature çarpımsal olarak birleşiyor: gelir = fiyat × adet. Üç büyüklüğün de yerine doğal logaritmaları konduğunda bu ilişkiye ne olur?",[142,144,146,148],{"key":112,"text":143},"Toplamsala dönüşür: loglanmış çıktı, iki loglanmış girdinin toplamıdır",{"key":115,"text":145},"Çarpımsal kalır; yalnızca denklemin her iki tarafında da sayılar küçülür",{"key":118,"text":147},"Loglanmış girdilerin oranına dönüşür",{"key":121,"text":149},"Kaybolur; loglar bağı yok eder","Logaritmanın tanımlayıcı özdeşliği, bir çarpımın logunun logların toplamına eşit olmasıdır; yani ham ölçekteki bir çarpım log ölçeğinde tam olarak bir toplamdır. Bu yüzden loglanmış girdilerle eğitilen doğrusal bir model, ham ölçekte ifade edemeyeceği çarpımsal bir üs yasası ilişkisini ifade edebilir.",{"id":152,"topic":9,"difficulty":108,"body":153,"options":154,"correct_key":121,"explanation":163},"01a04b40-de82-79ac-841f-4ee9b772712a","NumPy 2.0 kullanan bir mühendis, 0.0, 1.0 ve 10.0 değerlerini içeren bir float dizide np.log çağırıyor. İlk eleman için ne üretilir?",[155,157,159,161],{"key":112,"text":156},"Aşağı akıştaki hiçbir şey çalışmadan çevredeki pipeline'ı durduran anlık bir ValueError",{"key":115,"text":158},"NaN; negatif bir girdi için bildirilen sonuç",{"key":118,"text":160},"0.0; sıfırın logu sıfır olarak tanımlıdır",{"key":121,"text":162},"Eksi sonsuz; istisna yerine bir RuntimeWarning ile bildirilir","np.log sıfırda hesaplandığında eksi sonsuz döndürür ve NumPy bunu istisna fırlatarak değil RuntimeWarning ile bildirir; yani pipeline dizinin içinde sonsuz bir değerle çalışmaya devam eder. NaN sonucunu veren durum negatif girdidir; iki durum da yürütmeyi durdurmadığı için sorun genellikle çok daha aşağı akışta ortaya çıkar.",{"id":165,"topic":9,"difficulty":108,"body":166,"options":167,"correct_key":112,"explanation":176},"01a04b40-de85-777d-afdd-a34f0b74dc38","Sipariş tutarlarını taşıyan sayısal bir sütunda birkaç tane tam 0.0 kaydı var. Bir mühendis bu sütun üzerinde scikit-learn 1.6'nın PowerTransformer'ını method='box-cox' ile fit ediyor. Ne olur?",[168,170,172,174],{"key":112,"text":169},"Kesin pozitiflik şartını anan bir ValueError fırlatılır",{"key":115,"text":171},"Fit başarılı olur ve her sıfır çıktıda sıfır değerine eşlenir, sütunun geri kalanı olduğu gibi kalır",{"key":118,"text":173},"Üs araması başlamadan önce sıfırlar sessizce bir birim yukarı kaydırılır",{"key":121,"text":175},"Fit olur ama sıfır satırları sonsuz çıkar","Box-Cox, girdinin bir kuvveti ve logaritması üzerinden tanımlıdır; bu yüzden yalnızca kesin pozitif değerler için anlamlıdır ve scikit-learn, dönüşümün yalnızca kesin pozitif veriye uygulanabileceğini söyleyen bir ValueError ile fit'i reddeder. Otomatik bir kaydırma uygulanmaz; fit denenmeden önce pozitif olmayan satırların ne olacağına çağıranın açıkça karar vermesi gerekir.",{"id":178,"topic":9,"difficulty":179,"body":180,"options":181,"correct_key":118,"explanation":190},"01a04b40-de87-7bbf-9f8b-a2eb5eff0d2a",3,"Bir sütun 1, 2, 3, 4, 100 değerlerini içeriyor. scikit-learn 1.6'nın RobustScaler'ı varsayılan ayarlarla fit ediliyor; yani medyan 3'e göre merkezliyor ve çeyrekler açıklığı 2'ye bölüyor. 100 kaydı hangi değeri alır?",[182,184,186,188],{"key":112,"text":183},"1.0; çünkü fit edilen sütundaki en büyük kayıt çıktı ölçeğinin tepesini tanımlar",{"key":115,"text":185},"Yaklaşık 2.0; çünkü bölen, bulunan en uç kayıtla birlikte büyür",{"key":118,"text":187},"48.5; hâlâ yığının çok dışında",{"key":121,"text":189},"0.0; çünkü üst çeyreği aşan kayıtlar merkeze doğru geri katlanır","RobustScaler 97'yi 2'ye böler ve 48.5 elde eder. Medyan ile IQR seçmek yalnızca fit edilen merkezi ve genişliği uç kayda duyarsız kılar; dönüşümün kendisi hâlâ düz bir afin eşlemedir, dolayısıyla uç kayıt içeri çekilmek yerine sütunun yığınının çok dışına düşer.",{"fields":192,"seniorities":414,"interview_shapes":415,"locales":420,"oauth":422,"question_count":425,"coach_enabled":426,"jd_match_enabled":426},[193,218,238,254,278,291,310,329,351,370,385,407],{"key":194,"name_tr":195,"name_en":195,"sort":139,"specializations":196},"backend","Backend",[197,200,203,206,209,212,215],{"key":198,"name":199,"field":194},"general","Genel",{"key":201,"name":202,"field":194},"go","Go",{"key":204,"name":205,"field":194},"python","Python",{"key":207,"name":208,"field":194},"java","Java",{"key":210,"name":211,"field":194},"csharp","C#\u002F.NET",{"key":213,"name":214,"field":194},"nodejs","Node.js",{"key":216,"name":217,"field":194},"php","PHP",{"key":219,"name_tr":220,"name_en":220,"sort":108,"specializations":221},"frontend","Frontend",[222,223,226,229,232,235],{"key":198,"name":199,"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":179,"specializations":241},"fullstack","Fullstack",[242,243,244,245,246,247,248,249,250,251,252,253],{"key":198,"name":199,"field":239},{"key":201,"name":202,"field":194},{"key":204,"name":205,"field":194},{"key":207,"name":208,"field":194},{"key":210,"name":211,"field":194},{"key":213,"name":214,"field":194},{"key":216,"name":217,"field":194},{"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":255,"name_tr":256,"name_en":256,"sort":257,"specializations":258},"devops-cloud","DevOps \u002F Cloud",4,[259,260,263,266,269,272,275],{"key":198,"name":199,"field":255},{"key":261,"name":262,"field":255},"aws","AWS",{"key":264,"name":265,"field":255},"gcp","GCP",{"key":267,"name":268,"field":255},"azure","Azure",{"key":270,"name":271,"field":255},"kubernetes","Kubernetes",{"key":273,"name":274,"field":255},"terraform","Terraform",{"key":276,"name":277,"field":255},"linux","Linux",{"key":279,"name_tr":280,"name_en":280,"sort":281,"specializations":282},"ai-engineer","AI Engineer",5,[283,284,285,288],{"key":198,"name":199,"field":279},{"key":204,"name":205,"field":279},{"key":286,"name":287,"field":279},"llm-rag","LLM\u002FRAG",{"key":289,"name":290,"field":279},"mlops","MLOps",{"key":292,"name_tr":293,"name_en":294,"sort":295,"specializations":296},"database","Veritabanı","Database",6,[297,298,301,304,307],{"key":198,"name":199,"field":292},{"key":299,"name":300,"field":292},"postgresql","PostgreSQL",{"key":302,"name":303,"field":292},"mysql","MySQL",{"key":305,"name":306,"field":292},"mongodb","MongoDB",{"key":308,"name":309,"field":292},"redis","Redis",{"key":311,"name_tr":312,"name_en":313,"sort":314,"specializations":315},"mobile","Mobil","Mobile",7,[316,317,320,323,326],{"key":198,"name":199,"field":311},{"key":318,"name":319,"field":311},"ios-swift","iOS (Swift)",{"key":321,"name":322,"field":311},"android-kotlin","Android (Kotlin)",{"key":324,"name":325,"field":311},"flutter","Flutter",{"key":327,"name":328,"field":311},"react-native","React Native",{"key":330,"name_tr":331,"name_en":332,"sort":333,"specializations":334},"security","Güvenlik","Security",8,[335,336,339,342,345,348],{"key":198,"name":199,"field":330},{"key":337,"name":338,"field":330},"appsec","AppSec",{"key":340,"name":341,"field":330},"offensive-pentest","Offensive \u002F Pentest",{"key":343,"name":344,"field":330},"cloud-security","Cloud Security",{"key":346,"name":347,"field":330},"devsecops","DevSecOps",{"key":349,"name":350,"field":330},"blue-team-incident","Blue Team \u002F Incident",{"key":352,"name_tr":353,"name_en":354,"sort":355,"specializations":356},"qa-test-automation","QA \u002F Test Otomasyonu","QA \u002F Test Automation",9,[357,358,361,364,367],{"key":198,"name":199,"field":352},{"key":359,"name":360,"field":352},"test-automation","Test Automation",{"key":362,"name":363,"field":352},"sdet","SDET",{"key":365,"name":366,"field":352},"performance-testing","Performance Testing",{"key":368,"name":369,"field":352},"mobile-qa","Mobile QA",{"key":371,"name_tr":372,"name_en":372,"sort":373,"specializations":374},"data-engineer","Data Engineer",10,[375,376,379,382],{"key":198,"name":199,"field":371},{"key":377,"name":378,"field":371},"pipelines-etl","Pipelines \u002F ETL",{"key":380,"name":381,"field":371},"streaming","Streaming",{"key":383,"name":384,"field":371},"warehousing","Warehousing",{"key":386,"name_tr":387,"name_en":388,"sort":389,"specializations":390},"game-dev","Oyun Geliştirme","Game Development",11,[391,392,395,398,401,404],{"key":198,"name":199,"field":386},{"key":393,"name":394,"field":386},"unity-csharp","Unity (C#)",{"key":396,"name":397,"field":386},"unreal-cpp","Unreal (C++)",{"key":399,"name":400,"field":386},"gameplay","Gameplay",{"key":402,"name":403,"field":386},"graphics-rendering","Graphics \u002F Rendering",{"key":405,"name":406,"field":386},"multiplayer-netcode","Multiplayer \u002F Netcode",{"key":5,"name_tr":6,"name_en":6,"sort":408,"specializations":409},12,[410,411,412,413],{"key":198,"name":199,"field":5},{"key":96,"name":97,"field":5},{"key":103,"name":104,"field":5},{"key":100,"name":101,"field":5},[14,15,16],{"junior":416,"mid":418,"senior":419},{"questions":417,"median_sec":3},20,{"questions":417,"median_sec":3},{"questions":417,"median_sec":3},[10,421],"en",[423,424],"google","github",28500,true]