[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"me":3,"catalog:tr:ml-engineer\u002Fml-model-training-evaluation":4,"config":125},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-training-evaluation","Ml Model Training Evaluation","tr",75,600,[14,15,16],"junior","mid","senior",[18,21,24,27,30,31,34,37],{"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":28,"name":29,"count":11},"ml-model-selection-tuning","Ml Model Selection Tuning",{"key":8,"name":9,"count":11},{"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",[],[42,60,73,86,99,112],{"id":43,"topic":9,"difficulty":44,"body":45,"options":46,"correct_key":57,"explanation":59},"019f6b80-b7b0-7dac-8a67-bba71aefcd3d",1,"Makine öğrenmesinde bir modelin eğitim verisine 'overfit' olması ne anlama gelir?",[47,50,53,56],{"key":48,"text":49},"a","Model, eğitim verisindeki temel örüntüyü bile yakalayamaz ve orada da yüksek hata üretir.",{"key":51,"text":52},"b","Modelin görmediği veri üzerindeki tahminleri, eğitildiği veriye göre tutarlı biçimde daha iyi hale gelir.",{"key":54,"text":55},"c","Model, örüntüyü temsil edecek kadar az parametreye sahip olduğu için daha fazla eğitim verisine ihtiyaç duyar.",{"key":57,"text":58},"d","Model, eğitim setine özgü gürültüyü öğrenir ve bu yüzden yeni veride kötü performans gösterir.","Overfitting, modelin gerçek ilişkiyi değil eğitim örneklemine özgü örüntüleri (gürültü dahil) öğrenmesi ve bu yüzden yeni veriye genelleyememesi demektir. a şıkkı underfitting'i tarif eder, b ve c ise overfitting'de gerçekte olanın tam tersini anlatır.",{"id":61,"topic":9,"difficulty":44,"body":62,"options":63,"correct_key":48,"explanation":72},"019f6b80-b7b1-79e6-a0dd-9b3fbed5fadb","Eğitilmiş bir model bağlamında 'underfitting' nedir?",[64,66,68,70],{"key":48,"text":65},"Model, örüntüyü yakalayamayacak kadar basittir; hem eğitim hem de görmediği veride kötü performans gösterir.",{"key":51,"text":67},"Model, eğitim verisinde son derece iyi ama görmediği veride kötü performans gösterir.",{"key":54,"text":69},"Model çok fazla veriyle eğitildiği için eğitim sırasında yakınsama yavaşlar.",{"key":57,"text":71},"Model test setinde neredeyse mükemmel doğruluğa ulaşır ama eğitim setinde belirgin biçimde daha düşük doğruluk gösterir.","Underfitting, modelin gerçek sinyali yakalayacak kadar ifade gücüne (veya yeterli öğrenmeye) sahip olmaması durumudur; bu yüzden hata, üzerinde eğitildiği veri dahil her yerde yüksek kalır. b şıkkı ise overfitting'i tarif eder.",{"id":74,"topic":9,"difficulty":44,"body":75,"options":76,"correct_key":54,"explanation":85},"019f6b80-b7b2-77ca-a202-fce230f88929","Bir modeli değerlendirmeden önce veri kümesini eğitim seti ve ayrı bir test seti olarak neden böleriz?",[77,79,81,83],{"key":48,"text":78},"Modelin işlemesi gereken toplam veri miktarını azaltarak eğitim sırasında compute süresinden tasarruf etmek için.",{"key":51,"text":80},"Çoğu eğitim algoritması teknik olarak aynı anda belirli bir satır sayısından fazlasını işleyemediği için.",{"key":54,"text":82},"Görmediği veri üzerindeki performansı tahmin etmek için; çünkü yalnızca eğitim verisiyle değerlendirme overfitting'i gizleyebilir.",{"key":57,"text":84},"Veri kümesinde her sınıf etiketinin eşit sayıda görünmesini garanti etmek için.","Modelin hiç eğitilmediği ayrı bir test seti, gerçek dünyadaki genelleme performansını tahmin etmenin standart yoludur; yalnızca eğitim verisi üzerinde değerlendirme overfitting'i gizler ve aşırı iyimser bir skor verir. a, b ve d şıkları bölmenin gerçek nedeni değildir.",{"id":87,"topic":9,"difficulty":44,"body":88,"options":89,"correct_key":51,"explanation":98},"019f6b80-b7b3-73be-8645-be5a9dfc755c","İkili sınıflandırma confusion matrix'inde bir 'false positive' neyi ifade eder?",[90,92,94,96],{"key":48,"text":91},"Modelin negatif sınıfı doğru tahmin ettiği bir durum.",{"key":51,"text":93},"Modelin pozitif sınıfı tahmin ettiği ama gerçek etiketin aslında negatif olduğu bir durum.",{"key":54,"text":95},"Modelin negatif sınıfı tahmin ettiği ama gerçek etiketin aslında pozitif olduğu bir durum.",{"key":57,"text":97},"Modelin pozitif sınıfı doğru tahmin ettiği bir durum.","False positive, yanlış alarm demektir: gerçek etiket 'negatif' olduğu halde model 'pozitif' der. c şıkkı false negative'i (kaçırılan pozitif vakayı) tarif eder, a ve d ise doğru tahminleri anlatır.",{"id":100,"topic":9,"difficulty":44,"body":101,"options":102,"correct_key":48,"explanation":111},"019f6b80-b7b4-7078-89f1-9fd51320cbad","Veri kümesi çok dengesizse (ör. %99 negatif, %1 pozitif), tek başına doğruluk (accuracy) neden yanıltıcı bir metrik olabilir?",[103,105,107,109],{"key":48,"text":104},"Her zaman çoğunluk sınıfını tahmin etmek, azınlık sınıfını hiç yakalamadan bile çok yüksek doğruluk verebilir.",{"key":51,"text":106},"Sınıflar dengesiz olduğunda doğruluk hiç hesaplanamaz, çünkü formül her sınıftan eşit sayıda örnek gerektirir.",{"key":54,"text":108},"Doğruluk yalnızca regresyon problemlerine uygulanır, sınıflandırma problemlerine uygulanmaz.",{"key":57,"text":110},"Doğruluk, azınlık sınıfındaki hatalara göre çoğunluk sınıfındaki hataları daha ağır cezalandırır.","%99\u002F%1'lik bir dağılımda 'her zaman negatif tahmin et' diyen basit bir model bile %99 doğruluk alır ama azınlık sınıfı için tamamen işe yaramazdır; bu yüzden dengesiz veride genelde precision, recall veya PR-AUC gibi metrikler doğrulukla birlikte raporlanır. b, c ve d şıkları doğruluğun tanımını yanlış anlatır.",{"id":113,"topic":9,"difficulty":44,"body":114,"options":115,"correct_key":57,"explanation":124},"019f6b80-b7b4-7e63-8506-f5e7ab909409","Model eğitiminde 'early stopping' (erken durdurma) ne anlama gelir?",[116,118,120,122],{"key":48,"text":117},"Eğitim başlamadan önce eğitim veri kümesinin boyutunu küçültmek ki süreç daha hızlı bitsin.",{"key":51,"text":119},"Her eğitim iterasyonunu hızlandırmak için validation adımını tamamen atlamak.",{"key":54,"text":121},"Veri kümesi henüz incelenmeden önce belirlenmiş sabit sayıda iterasyonda eğitimi durdurmak.",{"key":57,"text":123},"Validation metriği iyileşmeyi bıraktığında eğitimi durdurmak, overfitting'i önlemek için.","Early stopping, eğitim sırasında bir validation metriğini izler ve o metrik iyileşmeyi bıraktığında (veya kötüleşmeye başladığında) eğitimi durdurur; bu, modelin eğitim setindeki gürültüye uymaya devam etmesini engeller. a, b ve c şıkları validation performansına tepki vermeyen alakasız veya sabit prosedürleri anlatır.",{"fields":126,"seniorities":311,"interview_shapes":312,"locales":317,"oauth":319,"question_count":322,"coach_enabled":323,"jd_match_enabled":323},[127,152,173,190,214,227,246,265,287,294,300,307],{"key":128,"name_tr":129,"name_en":129,"sort":44,"specializations":130},"backend","Backend",[131,134,137,140,143,146,149],{"key":132,"name":133,"field":128},"general","Genel",{"key":135,"name":136,"field":128},"go","Go",{"key":138,"name":139,"field":128},"python","Python",{"key":141,"name":142,"field":128},"java","Java",{"key":144,"name":145,"field":128},"csharp","C#\u002F.NET",{"key":147,"name":148,"field":128},"nodejs","Node.js",{"key":150,"name":151,"field":128},"php","PHP",{"key":153,"name_tr":154,"name_en":154,"sort":155,"specializations":156},"frontend","Frontend",2,[157,158,161,164,167,170],{"key":132,"name":133,"field":153},{"key":159,"name":160,"field":153},"javascript","JavaScript",{"key":162,"name":163,"field":153},"typescript","TypeScript",{"key":165,"name":166,"field":153},"react","React",{"key":168,"name":169,"field":153},"vue","Vue",{"key":171,"name":172,"field":153},"angular","Angular",{"key":174,"name_tr":175,"name_en":175,"sort":176,"specializations":177},"fullstack","Fullstack",3,[178,179,180,181,182,183,184,185,186,187,188,189],{"key":132,"name":133,"field":174},{"key":135,"name":136,"field":128},{"key":138,"name":139,"field":128},{"key":141,"name":142,"field":128},{"key":144,"name":145,"field":128},{"key":147,"name":148,"field":128},{"key":150,"name":151,"field":128},{"key":159,"name":160,"field":153},{"key":162,"name":163,"field":153},{"key":165,"name":166,"field":153},{"key":168,"name":169,"field":153},{"key":171,"name":172,"field":153},{"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":132,"name":133,"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":132,"name":133,"field":215},{"key":138,"name":139,"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":132,"name":133,"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":132,"name":133,"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":132,"name":133,"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":132,"name":133,"field":288},{"key":295,"name_tr":296,"name_en":296,"sort":297,"specializations":298},"data-engineer","Data Engineer",10,[299],{"key":132,"name":133,"field":295},{"key":301,"name_tr":302,"name_en":303,"sort":304,"specializations":305},"game-dev","Oyun Geliştirme","Game Development",11,[306],{"key":132,"name":133,"field":301},{"key":5,"name_tr":6,"name_en":6,"sort":308,"specializations":309},12,[310],{"key":132,"name":133,"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]