Denetimsiz ML
K-Means, hiyerarşik kümeleme, DBSCAN, PCA, t-SNE, UMAP, silhouette score, elbow method
1Denetimli ve denetimsiz öğrenme arasındaki temel fark nedir?
Denetimli ve denetimsiz öğrenme arasındaki temel fark nedir?
Cevap
Denetimsiz öğrenme, etiketsiz verilerle çalışır ve önceden tanımlanmış bir hedef değişken olmadan gizli yapıları veya örüntüleri keşfetmeye çalışır. Bilinen bir değeri (etiket) tahmin eden denetimli öğrenmenin aksine, denetimsiz öğrenme verileri keşfederek doğal gruplar bulur, boyutu azaltır veya anormallikleri tespit eder. K-Means, PCA veya DBSCAN gibi algoritmalar denetimsiz öğrenmenin tipik örnekleridir.
2K-Means algoritması verileri bölmek için nasıl çalışır?
K-Means algoritması verileri bölmek için nasıl çalışır?
Cevap
K-Means, verileri K kümeye bölen yinelemeli bir algoritmadır. K merkezi rastgele başlatır, ardından iki adım arasında geçiş yapar: her noktayı en yakın merkeze atama (atama adımı) ve merkez konumlarını atanan noktaların ortalaması olarak yeniden hesaplama (güncelleme adımı). Algoritma, atamalar değişmediğinde veya maksimum yineleme sayısından sonra yakınsar.
3K-Means'te optimal küme sayısı K'yı belirlemek için hangi yöntem kullanılmalı?
K-Means'te optimal küme sayısı K'yı belirlemek için hangi yöntem kullanılmalı?
Cevap
Elbow method, inertia'yı (her nokta ile merkezi arasındaki kare mesafelerin toplamı) K'ya karşı çizer. Eğrinin dirsek oluşturduğu nokta optimal K'yı gösterir, çünkü bunun ötesinde küme eklemek inertia'yı önemli ölçüde iyileştirmez. Bu yöntem, küme kalitesini doğrulamak için silhouette score ile tamamlanır.
Silhouette score, kümeleme bağlamında neyi ölçer?
Silhouette score değer aralığı nedir ve 0.7 skoru nasıl yorumlanır?
+19 mülakat soruları
Diğer Data Science & ML mülakat konuları
Python Temelleri
Python Nesne Yönelimli Programlama
Python Veri Yapıları
Git Temelleri
SQL Temelleri
NumPy Temelleri
Pandas Temelleri
Jupyter & Google Colab
SQL Joins ve Gelişmiş Sorgular
İleri Pandas
Matplotlib & Seaborn ile Görselleştirme
Plotly ile Etkileşimli Görselleştirmeler
Tanımlayıcı İstatistik
Çıkarımsal İstatistik
Web Scraping
BigQuery & Cloud Data
Feature Engineering
Denetimli ML: Regresyon
Denetimli ML: Sınıflandırma
Karar Ağaçları ve Topluluk Yöntemleri
ML Pipeline'ları & Doğrulama
Zaman Serileri & Tahminleme
Deep Learning Temelleri
TensorFlow & Keras
CNN ve görüntü sınıflandırma
RNN ve Diziler
Transformers ve Attention
NLP ve Hugging Face
GenAI ve LangChain
MLOps ve Dağıtım
Bir sonraki mülakatın için Data Science & ML'de uzmanlaş
Tüm sorulara, flashcards'a, teknik testlere, code review alıştırmalarına ve mülakat simülatörlerine eriş.
Ücretsiz başla