Veri Bilimci Mülakat Soruları (2026)
Veri bilimci mülakatları geniş bir alanı kapsar: olasılık ve istatistik, makine öğrenmesi temelleri, SQL ve veri manipülasyonu, bir ürün/analitik vaka çalışması, ve davranışsal sorular. Kesin karışım, rolün analitiğe, ML mühendisliğine veya araştırmaya mı daha yakın olduğuna bağlıdır, bu yüzden rolün odağını erkenden netleştirmek zaten iyi bir sinyaldir.
Aşağıdaki sorularda, mülakatçılar titizlik ve iletişimi önemser. İstatistiksel bir kavram hakkında kesin akıl yürütebilir misiniz, bir problem için doğru modeli seçip gerekçelendirebilir misiniz, doğru SQL yazabilir misiniz, ve belirsiz bir iş sorusunu ölçülebilir bir analize çevirebilir misiniz? Varsayımları belirtmek ve ödünleşimleri açıklamak, nihai sayı kadar önemlidir.
Teknik kavramları, teknik olmayan bir paydaşa anlatıyormuş gibi basitçe açıklamayı pratik edin. İşin büyük bir kısmı — ve mülakatın büyük bir kısmı — sağlam bir analizi, ona göre hareket edecek kişiler için anlaşılır kılmaktır.
Veri Bilimci Mülakat Soruları ve Nasıl Cevaplanır
1. Bias-variance ödünleşimini açıklayın.
Yaklaşım: Her iki hata kaynağını tanımlayın, ardından model karmaşıklığına bağlayın: basit modeller underfit olur (yüksek bias), karmaşık modeller overfit olur (yüksek variance). Somut araçlarla ilişkilendirin — regularizasyon, daha fazla veri, çapraz doğrulama — ve toplam hatanın ayrıştırılmasıyla bağlayın.
2. p-değeri nedir, ve size neyi söylemez?
Yaklaşım: P(bu kadar aşırı veri | null hipotez doğru) olarak tanımlayın. 'Söylemez' kısmı anahtardır: hipotezin doğru olma olasılığı değildir, ve anlamlılık ≠ pratik önem. Yaygın yanlış yorumlamalardan bahsetmek sinyaldir.
3. Dengesiz bir sınıflandırma veri setini nasıl ele alırsınız?
Yaklaşım: Metrikle başlayın (accuracy yanıltıcıdır; precision/recall, F1, AUC-PR kullanın). Ardından teknikler: yeniden örnekleme (SMOTE, undersampling), sınıf ağırlıkları, eşik ayarlama. Gerçek dağılım üzerinde değerlendirme yapmayı vurgulayın.
4. Random forest'ı gradient boosting yerine ne zaman kullanırsınız?
Yaklaşım: Bagging'i (paralel, variance azaltma, overfitting'e dirençli) boosting ile (sıralı, bias azaltma, daha yüksek doğruluk ama tuning'e daha hassas) karşılaştırın. Eğitim maliyetini ve yorumlanabilirlik ödünleşimlerini belirtin.
5. Her departmandaki ikinci en yüksek maaşı bulan bir SQL sorgusu yazın.
Yaklaşım: Bir window function kullanın: DENSE_RANK() OVER (PARTITION BY dept ORDER BY salary DESC), rank = 2 ile filtreleyin. RANK, DENSE_RANK ve ROW_NUMBER arasındaki eşitlik işleme farkını tartışın.
6. Aykırı değerleri nasıl tespit edip ele alırsınız?
Yaklaşım: Veri hatalarını gerçek uç değerlerden ayırt edin. Yöntemler: IQR, z-skoru, alan eşikleri, görselleştirme. Dile getirilmesi gereken yargı: gerçek sinyali kaldırmak modeli yanlı yapabilir — silmeden önce araştırın.
7. Yeni bir öneri algoritması için A/B testi tasarlayın.
Yaklaşım: Hipotezi, ana metriği ve koruma önlemlerini (guardrails) tanımlayın. Örneklem büyüklüğünü MDE ve güçten hesaplayın. Randomizasyon birimini, yenilik etkilerini, ve ne zaman durulacağını ele alın. Başarı kriterini önceden kaydedin.
8. Çevrimdışı iyi performans gösteren ama üretimde kötü performans gösteren bir modeli nasıl değerlendirirsiniz?
Yaklaşım: Dağılım kaymasını (distribution shift), train/serve skew'ı, çevrimdışı verideki sızıntıyı, ve geri bildirim döngülerini araştırın. İzleme ve bir shadow deployment önerin. Test edilen sistemsel düşünmedir.
9. L1 ve L2 regularizasyonu arasındaki fark nedir?
Yaklaşım: L1 (Lasso) seyreklik (sparsity) oluşturur ve özellik seçimi yapar; L2 (Ridge) katsayıları yumuşak bir şekilde küçültür. L1'in köşelerinin neden ağırlıkları sıfırladığını geometrik olarak açıklayın, ve her birinin ne zaman tercih edileceğini belirtin.
10. Analizinizin bir iş kararını değiştirdiği bir zamanı anlatın.
Yaklaşım: STAR. Soruyu, yönteminizi, ve en önemlisi harekete geçiren iletişimi gösterin. Sonucu sayısallaştırın. Kararları etkileyemeyen veri bilimciler işe alınmaz.
Veri bilimci mülakatınızda gerçek zamanlı yardım alın
Canlı bir veri bilimi mülakatı sırasında Natively soruyu metne döker ve ihtiyacınız olan tanımı, formülü veya SQL kalıbını cihazınızda gerçek zamanlı olarak gösterebilir — sinirliliğin tanıdık bir kavramı anlık olarak unutturduğu durumlarda yararlıdır.
