Question 1

Bir RNN'yi klasik bir feedforward sinir ağından ayıran temel özellik nedir?

Accepted Answer

Bir RNN, zaman içinde gelişen bir gizli durumu (hidden state) koruyan yinelemeli bağlantılara sahiptir. Bu gizli durum, dizideki önceki girdilerden bilgi yakalayan bir bellek görevi görür. Her girdinin bağımsız olarak işlendiği feedforward ağlarının aksine, RNN dizi öğeleri arasındaki zamansal bağımlılıkları modelleyebilir.

Question 2

Basit bir RNN'de (vanilla RNN) her zaman adımında gizli durum h_t nasıl hesaplanır?

Accepted Answer

Vanilla RNN'de gizli durum h_t, W_xh ile ağırlıklandırılmış mevcut girdi x_t ve W_hh ile ağırlıklandırılmış önceki gizli durum h_{t-1}'nin doğrusal kombinasyonuna bir bias eklenip aktivasyon fonksiyonu (genellikle tanh) uygulanarak hesaplanır. Bu formül, ağın yeni bilgiyi önceki zaman adımlarının belleğiyle birleştirmesine olanak tanır.

Question 3

RNN'lerde vanishing gradient'in temel sorunu nedir ve ne zaman ortaya çıkar?

Accepted Answer

Vanishing gradient, backpropagation through time (BPTT) sırasında gradyanların 1'den küçük değerlerle çok kez çarpılmasıyla oluşur. Uzun dizilerde bu gradyanlar üstel olarak küçülür ve ağın uzun vadeli bağımlılıkları öğrenmesini engeller. Erken zamansal katmanların ağırlıkları neredeyse hiç güncellenmez.

RNN ve Diziler

Bir RNN'yi klasik bir feedforward sinir ağından ayıran temel özellik nedir?

Cevap

Basit bir RNN'de (vanilla RNN) her zaman adımında gizli durum h_t nasıl hesaplanır?

Cevap

RNN'lerde vanishing gradient'in temel sorunu nedir ve ne zaman ortaya çıkar?

Cevap

Bir LSTM hücresini oluşturan üç gate nedir ve her birinin rolü nedir?

LSTM, vanilla RNN'ye kıyasla vanishing gradient sorununu nasıl çözer?

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

Denetimsiz ML

ML Pipeline'ları & Doğrulama

Zaman Serileri & Tahminleme

Deep Learning Temelleri

TensorFlow & Keras

CNN ve görüntü sınıflandırma

Transformers ve Attention

NLP ve Hugging Face

GenAI ve LangChain

MLOps ve Dağıtım

Bir sonraki mülakatın için Data Science & ML'de uzmanlaş