[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"me":3,"catalog:tr:ml-engineer\u002Fml-model-selection-tuning":4,"config":127},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":40,"samples":41},"ml-engineer","ML Engineer","","ml-model-selection-tuning","Ml Model Selection Tuning","tr",75,600,[14,15,16],"junior","mid","senior",[18,21,24,27,28,31,34,37],{"key":19,"name":20,"count":11},"ml-data-preparation","Ml Data Preparation",{"key":22,"name":23,"count":11},"ml-deployment-serving","Ml Deployment Serving",{"key":25,"name":26,"count":11},"ml-experimentation-reproducibility","Ml Experimentation Reproducibility",{"key":8,"name":9,"count":11},{"key":29,"name":30,"count":11},"ml-model-training-evaluation","Ml Model Training Evaluation",{"key":32,"name":33,"count":11},"ml-monitoring-drift","Ml Monitoring Drift",{"key":35,"name":36,"count":11},"ml-problem-framing","Ml Problem Framing",{"key":38,"name":39,"count":11},"ml-scaling-performance","Ml Scaling Performance",[],[42,60,73,87,100,114],{"id":43,"topic":9,"difficulty":44,"body":45,"options":46,"correct_key":54,"explanation":59},"019f6b80-b79a-7103-927e-9e2a9d31a455",1,"Makine öğrenmesinde bir 'hyperparameter'ı model parametresinden ayıran temel fark aşağıdakilerden hangisidir?",[47,50,53,56],{"key":48,"text":49},"a","Hyperparameter, eğitim sırasında veriden otomatik olarak öğrenilen bir değerdir.",{"key":51,"text":52},"b","Hyperparameter yalnızca gradyan tabanlı optimizasyon kullanan modellerde var olur.",{"key":54,"text":55},"c","Her zaman eğitim başlamadan önce belirlenir (veriden asla öğrenilmez) ve öğrenme sürecinin nasıl işleyeceğini kontrol eder.",{"key":57,"text":58},"d","Hyperparameter yalnızca loglama amaçlı tutulan, eğitime hiçbir etkisi olmayan bir değerdir.","Hyperparameter'lar (regularization gücü, ağaç sayısı, derinlik gibi) eğitimden önce seçilir ve öğrenme sürecini şekillendirir; parametreler (ağırlıklar, katsayılar, bölünmeler) ise eğitim sırasında veriden öğrenilir.",{"id":61,"topic":9,"difficulty":44,"body":62,"options":63,"correct_key":48,"explanation":72},"019f6b80-b79a-787d-b927-63d75198a2d3","Hyperparameter tuning'in temel amacı nedir?",[64,66,68,70],{"key":48,"text":65},"Modelin sadece eğitim hatasını en aza indiren değil, görülmemiş veride iyi genelleme yapmasını sağlayacak değerleri bulmak.",{"key":51,"text":67},"Modelin eğitim setini olabildiğince ezberlemesini sağlamak.",{"key":54,"text":69},"Doğruluktan bağımsız olarak modelin kullandığı özellik sayısını azaltmak.",{"key":57,"text":71},"Modelin production'da asla yanlış tahmin yapmayacağını garanti etmek.","Tuning, modelin görmediği veri üzerindeki performansını (validation set ile tahmin edilir) artıracak hyperparameter ayarlarını arar; sadece eğitim setindeki uyumu optimize etmek overfitting'i teşvik eder.",{"id":74,"topic":9,"difficulty":75,"body":76,"options":77,"correct_key":57,"explanation":86},"019f6b80-b79b-7035-8299-ac0c7696f916",2,"Bir ekip her hyperparameter için küçük bir aday değer kümesi tanımlıyor ve bu değerlerin olası TÜM kombinasyonlarını deniyor. Bu hangi arama stratejisidir?",[78,80,82,84],{"key":48,"text":79},"Production geri bildirimini kullanarak tek seferde bir hyperparameter'ı sıralı biçimde ince ayar yapmak.",{"key":51,"text":81},"Tanımlı bir aralıktan hyperparameter kombinasyonlarını rastgele ve eşit olasılıkla örnekleyen strateji.",{"key":54,"text":83},"Önceki denemelerin sonucunu bir sonraki denenecek kombinasyonu seçmek için kullanan strateji.",{"key":57,"text":85},"Önceden tanımlı bir ızgaradaki tüm aday kombinasyonları tek tek deneyen kapsamlı arama.","Her hyperparameter için önceden belirlenmiş aday değerlerin tüm kombinasyonlarını denemek kapsamlı (grid) arama fikridir; basittir ama hyperparameter\u002Fdeğer sayısı arttıkça maliyeti çarpımsal büyür.",{"id":88,"topic":9,"difficulty":75,"body":89,"options":90,"correct_key":51,"explanation":99},"019f6b80-b79b-776e-b821-3b52207453a8","Sabit bir ızgaradaki tüm kombinasyonları kapsamlı biçimde denemeye kıyasla, hyperparameter kombinasyonlarını tanımlı bir aralıktan rastgele örneklemenin yaygın olarak belirtilen avantajı nedir?",[91,93,95,97],{"key":48,"text":92},"Her zaman matematiksel olarak en iyi kombinasyonu diğer yöntemlerden daha hızlı bulur.",{"key":51,"text":94},"Sabit bir bütçeyle her hyperparameter için daha çeşitli değerleri kapsar.",{"key":54,"text":96},"Arama sırasında validation set kullanma ihtiyacını tamamen ortadan kaldırır.",{"key":57,"text":98},"Olası tüm kombinasyonların er ya da geç deneneceğini garanti eder.","Rastgele örnekleme, sabit deneme bütçesini her hyperparameter için daha çok farklı değere yayar; pratikte genelde hyperparameter'ların sadece bir kısmı performansı güçlü şekilde etkilediğinden bu yararlıdır.",{"id":101,"topic":9,"difficulty":102,"body":103,"options":104,"correct_key":54,"explanation":113},"019f6b80-b79b-7dd3-9e3d-1bf4f0999561",3,"Bir tuning yaklaşımı, hyperparameter değerleri ile validation performansı arasındaki ilişkinin olasılıksal bir modelini kurar ve bir sonraki en umut verici kombinasyonu seçmek için bunu kullanır. Bu hangi fikri tarif eder?",[105,107,109,111],{"key":48,"text":106},"Önceden tanımlı bir ızgaradaki tüm kombinasyonları kapsamlı biçimde değerlendirmek.",{"key":51,"text":108},"Kombinasyonları geçmiş sonuçlardan bağımsız olarak, eşit olasılıkla rastgele örneklemek.",{"key":54,"text":110},"Bir sonraki denenecek kombinasyonu, körü körüne örneklemek yerine önceki deneme sonuçlarına göre seçmek.",{"key":57,"text":112},"Yalnızca sezgiye dayanarak her seferinde tek bir hyperparameter'ı elle ayarlamak.","Bu, sıralı model tabanlı aramanın (genelde Bayesian optimizasyon olarak anılır) fikridir: geçmiş deneme sonuçlarını arama uzayını modellemek için kullanır ve umut verici bölgelere öncelik verir; bu da grid ya da saf rastgele aramaya göre daha az deneme gerektirebilir.",{"id":115,"topic":9,"difficulty":75,"body":116,"options":117,"correct_key":57,"explanation":126},"019f6b80-b79c-7540-abb1-79b3ee761a95","Bir ekip, birçok katsayının tam olarak sıfır olduğu, yani eğitim sırasında fiilen özellik seçimi yapan bir doğrusal model istiyor. Bu davranışıyla en çok bilinen regularization yaklaşımı hangisidir?",[118,120,122,124],{"key":48,"text":119},"L2 regularization, çünkü büyük katsayıları küçüklerden çok daha agresif biçimde küçültür.",{"key":51,"text":121},"Regularization uygulamamak, çünkü ceza teriminin kaldırılması katsayıların tam sıfıra ulaşmasına yol açar.",{"key":54,"text":123},"Kayıp fonksiyonunu değiştirmeden eğitim epoch sayısını artırmak.",{"key":57,"text":125},"L1 regularization, çünkü cezası daha az işe yarayan katsayıları tamamen sıfıra itebilir.","L1 (mutlak değer) regularization genelde seyrek (sparse) çözümler üretir, daha az işe yarayan özelliklerin katsayılarını tam sıfıra çeker; bu da bir tür yerleşik özellik seçimi gibi çalışır. L2 katsayıları küçültür ama nadiren tam sıfırlar.",{"fields":128,"seniorities":311,"interview_shapes":312,"locales":317,"oauth":319,"question_count":322,"coach_enabled":323,"jd_match_enabled":323},[129,154,174,190,214,227,246,265,287,294,300,307],{"key":130,"name_tr":131,"name_en":131,"sort":44,"specializations":132},"backend","Backend",[133,136,139,142,145,148,151],{"key":134,"name":135,"field":130},"general","Genel",{"key":137,"name":138,"field":130},"go","Go",{"key":140,"name":141,"field":130},"python","Python",{"key":143,"name":144,"field":130},"java","Java",{"key":146,"name":147,"field":130},"csharp","C#\u002F.NET",{"key":149,"name":150,"field":130},"nodejs","Node.js",{"key":152,"name":153,"field":130},"php","PHP",{"key":155,"name_tr":156,"name_en":156,"sort":75,"specializations":157},"frontend","Frontend",[158,159,162,165,168,171],{"key":134,"name":135,"field":155},{"key":160,"name":161,"field":155},"javascript","JavaScript",{"key":163,"name":164,"field":155},"typescript","TypeScript",{"key":166,"name":167,"field":155},"react","React",{"key":169,"name":170,"field":155},"vue","Vue",{"key":172,"name":173,"field":155},"angular","Angular",{"key":175,"name_tr":176,"name_en":176,"sort":102,"specializations":177},"fullstack","Fullstack",[178,179,180,181,182,183,184,185,186,187,188,189],{"key":134,"name":135,"field":175},{"key":137,"name":138,"field":130},{"key":140,"name":141,"field":130},{"key":143,"name":144,"field":130},{"key":146,"name":147,"field":130},{"key":149,"name":150,"field":130},{"key":152,"name":153,"field":130},{"key":160,"name":161,"field":155},{"key":163,"name":164,"field":155},{"key":166,"name":167,"field":155},{"key":169,"name":170,"field":155},{"key":172,"name":173,"field":155},{"key":191,"name_tr":192,"name_en":192,"sort":193,"specializations":194},"devops-cloud","DevOps \u002F Cloud",4,[195,196,199,202,205,208,211],{"key":134,"name":135,"field":191},{"key":197,"name":198,"field":191},"aws","AWS",{"key":200,"name":201,"field":191},"gcp","GCP",{"key":203,"name":204,"field":191},"azure","Azure",{"key":206,"name":207,"field":191},"kubernetes","Kubernetes",{"key":209,"name":210,"field":191},"terraform","Terraform",{"key":212,"name":213,"field":191},"linux","Linux",{"key":215,"name_tr":216,"name_en":216,"sort":217,"specializations":218},"ai-engineer","AI Engineer",5,[219,220,221,224],{"key":134,"name":135,"field":215},{"key":140,"name":141,"field":215},{"key":222,"name":223,"field":215},"llm-rag","LLM\u002FRAG",{"key":225,"name":226,"field":215},"mlops","MLOps",{"key":228,"name_tr":229,"name_en":230,"sort":231,"specializations":232},"database","Veritabanı","Database",6,[233,234,237,240,243],{"key":134,"name":135,"field":228},{"key":235,"name":236,"field":228},"postgresql","PostgreSQL",{"key":238,"name":239,"field":228},"mysql","MySQL",{"key":241,"name":242,"field":228},"mongodb","MongoDB",{"key":244,"name":245,"field":228},"redis","Redis",{"key":247,"name_tr":248,"name_en":249,"sort":250,"specializations":251},"mobile","Mobil","Mobile",7,[252,253,256,259,262],{"key":134,"name":135,"field":247},{"key":254,"name":255,"field":247},"ios-swift","iOS (Swift)",{"key":257,"name":258,"field":247},"android-kotlin","Android (Kotlin)",{"key":260,"name":261,"field":247},"flutter","Flutter",{"key":263,"name":264,"field":247},"react-native","React Native",{"key":266,"name_tr":267,"name_en":268,"sort":269,"specializations":270},"security","Güvenlik","Security",8,[271,272,275,278,281,284],{"key":134,"name":135,"field":266},{"key":273,"name":274,"field":266},"appsec","AppSec",{"key":276,"name":277,"field":266},"offensive-pentest","Offensive \u002F Pentest",{"key":279,"name":280,"field":266},"cloud-security","Cloud Security",{"key":282,"name":283,"field":266},"devsecops","DevSecOps",{"key":285,"name":286,"field":266},"blue-team-incident","Blue Team \u002F Incident",{"key":288,"name_tr":289,"name_en":290,"sort":291,"specializations":292},"qa-test-automation","QA \u002F Test Otomasyonu","QA \u002F Test Automation",9,[293],{"key":134,"name":135,"field":288},{"key":295,"name_tr":296,"name_en":296,"sort":297,"specializations":298},"data-engineer","Data Engineer",10,[299],{"key":134,"name":135,"field":295},{"key":301,"name_tr":302,"name_en":303,"sort":304,"specializations":305},"game-dev","Oyun Geliştirme","Game Development",11,[306],{"key":134,"name":135,"field":301},{"key":5,"name_tr":6,"name_en":6,"sort":308,"specializations":309},12,[310],{"key":134,"name":135,"field":5},[14,15,16],{"junior":313,"mid":315,"senior":316},{"questions":314,"median_sec":3},20,{"questions":314,"median_sec":3},{"questions":314,"median_sec":3},[10,318],"en",[320,321],"google","github",21750,true]