Makine Öğrenimi İş Görüşmeleri - Eksiksiz Rehber

• Machine Learning doktorasından sonra Research Scientist rolü bulma sürecinin tamamını derleyen pratik deneyim notları
• DeepMind, Isomorphic Labs, Cohere, Meta ve stealth startup'lar dahil görüşmeyi tamamladığı tüm şirketlerden teklif alma deneyimi temelinde
• Görüşme alma kriterleri, teknik·duygusal·lojistik hazırlık yöntemleri, startup vs büyük teknoloji karşılaştırması ve maaş pazarlığına kadar adım adım özet
• RSU ile stock option arasındaki vergi ve yapı farkları, transformer·attention'ı doğrudan implement etme gibi somut hazırlık maddeleri de dahil
• Görüşmelerin özünde olasılıksal (stochastic) olduğu ve sonucun bir araştırmacı olarak değerinizi belirlemediği mesajını vurguluyor

---

Tüm görüşme sonuçları ve arka plan

• ML doktorası sonrası Research Scientist iş arama sürecini bizzat deneyimleyip derledi; başlarken başvurulacak kaynak neredeyse yoktu
• Görüşmeyi tamamladığı tüm şirketlerden teklif aldı — DeepMind(kabul edildi), Isomorphic Labs, Cohere, Meta ve stealth startup'lar dahil
  • Anthropic, Mistral, TeslaAI geç dönüş yaptığı için süreç tamamlanmadı
  • ReflectionAI, RS rolünde alınan tek ret oldu; bunun yerine Engineering yoluna geçiş önerildi
• SpaceXAI, Waymo ve Wayve'den görüşme daveti gelmedi
  • Waymo'ya doktora boyunca her 6 ayda bir başvurdu ama hiç yanıt alamadı

Görüşme alma yöntemleri

• Görüşme almanın temel kaldıraçları daha fazla makale, trend konular ve daha iyi stajlar
  • Doktora sırasında ICLR / NeurIPS / ICML'de yayımlanan 4 birinci yazar (veya ortak birinci yazar) makalesi vardı (LLM, RL, Meta-Learning, Evolution Strategies)
  • Apple stajı ve Meta yazılım mühendisi deneyimi vardı
• Kabaca ölçüt: 3+ birinci yazar makalesi + en az 1 staj veya sektör deneyimi varsa üst düzey laboratuvarlardan düzenli geri dönüş almak mümkün
• Zaten görüşme alıyorsanız ek makaleler artık pek yardımcı olmaz → araştırma yerine görüşme hazırlığına odaklanmak gerekir; hazır hissetme anı gelmez, bu yüzden şimdi başlamak gerekir

Cover letter, referans, cold email, LinkedIn/X

• LinkedIn / X: birçok şirket iş ilanlarını burada paylaşıyor ve stajlar için bazen tek başvuru yolu burası oluyor
  • İlana bağlı Google form'un doldurulması, başvurunun gerçekten yapılmış sayılması için gerekli
• Referrals (referanslar): varsa iyi ama zorunlu değil
  • DeepMind'de hem referanslı hem referanssız roller için görüşme daveti aldı
• Cold emails (soğuk e-postalar): işe alım sorumlularına veya ekip üyelerine doğrudan e-posta göndermek çoğu zaman olumlu karşılanır
  • CV'yi tekrarlamak yerine neden o ekibe uygun olduğunuzu ve ilgiyi neyin çektiğini anlatmak gerekir
• Cover letters: nadiren istenir ama istenirse düzgün hazırlanmalı
  • Claude / Gemini / ChatGPT'ye metnin tamamını yazdırmayın; yalnızca kendiniz yazdıktan sonra düzenleme amaçlı kullanın

Startup vs büyük teknoloji

• Startup bulmak daha zordur, merkezi bir keşif kanalı yoktur → meslektaşlar, arkadaşlar ve eski çalışma arkadaşları üzerinden kulaktan kulağa bilgi almak en iyi yoldur; bu yüzden rekabet de daha az yoğundur
• Startup'larda görüşme süreçleri çok daha değişkendir, büyük teknolojide yapı görece daha öngörülebilirdir
  • Süreç fazla kolay geliyorsa bu, gerçek işin karmaşıklığı hakkında bir sinyal olabilir
• İşin doğası iki yönlüdür — doğru startup'ta daha ilginç ve etkili araştırmalar yapmak mümkün olabilir; tersine daha fazla baskı, altyapı işi ve sık araştırma yönü değişiklikleri de olabilir
  • Görüşmede araştırma önceliklerini kimin belirlediğini, gelir yolunu ve rakipleri sorun
• Büyüme fırsatı: startup'lar hızlı büyüme, daha fazla sorumluluk ve işin yönünü şekillendirme fırsatı sunar; büyük teknolojide ise çoğunlukla kalabalığın bir parçası olursunuz
• CV görünürlüğü: OpenAI veya Anthropic hemen tanınır ama bilinmeyen stealth startup'ları açıklamak gerekir
• İş güvencesi: büyük teknoloji şirketleri de tekrar tekrar büyük çaplı işten çıkarmalar yaptı; iki taraf da %100 güvenli değil

Ücretlendirme: RSU vs Stock Option (Birleşik Krallık ölçütü)

• RSU (büyük teknolojide yaygın): hak ediş takvimine göre gerçek hisse alınır; hak ediş anında yaklaşık yarısı gelir vergisini karşılamak için hemen satılır — RSU gelir olarak vergilendirilir
• Stock option (startup'larda yaygın): hisse değil, sabit bir X fiyatından satın alma hakkı kazanılır
  • Piyasa fiyatı Y > X ise X'ten alıp Y'den satarak kâr edilir; Y < X ise opsiyon değersizdir
• Stock option'lar genelde işten ayrıldıktan 90 gün sonra sona erer; şirket halka açık değilse satın aldıktan sonra bile satılamaz
  • Birleşik Krallık'ta opsiyon kullanıldığı anda, henüz tek kuruş bile elde edilmemişken Y−X farkı üzerinden gelir vergisi alınır
  • Halka açık olmayan bir şirkette 2 yıl çalışıp ayrıldıktan sonra kullanırsanız, gelir oluşmadan önce (X × opsiyon sayısı) satın alma bedeli + (Y−X) × opsiyon sayısı × vergi oranı kadar gelir vergisi yükü doğabilir
• Çoğu yerde cashless exercise seçeneği sunulur, ayrıca birçok şirket kendi hissesini geri alma (liquidity event) yapar
  • Ancak her yatırım turunda payınız seyrelir, ek kazançlara yaklaşık %20 sermaye kazancı vergisi uygulanır ve liquidity event değeri resmî şirket değerlemesinden daha düşük belirlenir
• Özet: recruiter, startup hisselerini dahil ederek toplam ücret rakamı verirse nazikçe gülümseyin ama onu belirgin biçimde iskonto ederek değerlendirin

Görüşme yapısı

• Çoğu şirket benzer bir yapı izler ama aşamaların ağırlığı farklıdır
• Recruiter screen: genelde düşük baskılı bir sohbet; yetkinliklerin role uygunluğunu ve kendi makalelerinizi açıklama becerinizi gösterme fırsatıdır
• Technical interviews: sürecin büyük kısmını oluşturur, hazırlığın en önemli olduğu bölümdür; şirkete göre 3 ila 8 tur olabilir
  • Coding: LeetCode tarzı, genelde Medium veya Hard
  • ML coding/debugging: attention implementasyonu, backward pass yazımı, eğitim döngüsündeki bug'ları bulma
  • ML knowledge: temel bilgiler, teori, applied ML, sistem tasarımı
• Behavioural interviews: klasik davranışsal sorular ve araştırma odaklı sorulara (ilgi alanları, alanın geleceği) ayrılır; teknik görüşmelerden daha rahattır ama hafife alınmamalıdır

Teknik hazırlık

• En kritik bölüm, atlamayın — çok iyi araştırmacılar bile yetersiz hazırlık yüzünden elenebiliyor; her gün ML ile uğraşmakla attention'ı sıfırdan implement etmek aynı şey değil; en az bir ay düzenli çalışmaya ayrılmalı
• Meta strateji: genel hazırlığı en aza indirip bir sonraki spesifik görüşme ve şirkete göre hedefli hazırlık yapmak; böylece materyal zihinde taze kalır
• RS / Engineer görüşmelerinde overfitting gibi temellerden LeetCode'a, transformer implementasyonundan Griffin·TransformerXL·S4 gibi modern mimarilere kadar neredeyse her şey sorulabilir

Flashcards

• ML temelleri, applied ML ve araştırma tartışmaları için kullanıldı; Anki'den çok fiziksel flashcard'lar daha etkili oldu
• Kartları bizzat yazmak öğrenmenin yarısıdır, başkasının destesini indirmeyin
• Tekrar ederken kendinize sorular sorun ve derinlemesine anlayın; çalışma sırasında üretilen soruların çoğu gerçek görüşmelerde çıktı

LLM deneme görüşmeleri (Claude / Gemini)

• Her görüşmeden önce iş tanımını, görüşme açıklamasını ve şirket bilgisini LLM'e (çoğunlukla Claude) yapıştırıp görüşme simülasyonu istendi; pratik sorularla gerçek sorular sık sık örtüştü
• Zorluk seviyesi uygun değilse yeni bir sohbette kendi seviyenizi ve geçmişinizi daha net belirtin
• Öğrenme açısından Claude en iyisiydi ve geri bildirimi daha adildi; Gemini ise biraz fazla övgüye eğilimliydi

LeetCode / NeetCode

• En az Blind 75, isteğe bağlı olarak NeetCode 150 tamamlandı; ağırlık Medium sorulardaydı
  • Her soruda optimal çözüm hedeflenmeli (TwoSum için O(N²) çözüm kabul edilmez), Hard sorulara fazla zaman harcamayın
• DFS, BFS, Graphs, Backtracking, DP, Binary Search gibi temel kalıpları hızlıca implement edebilmek; Medium başına 20 dakikanın altını hedeflemek
  • 15 dakikadan fazla takılırsanız çözüme bakın, işaretleyin ve devam edin
• Derinlikten çok genişlik önemlidir, toplamda yaklaşık 150 Medium soru çözüldü

Kitaplar

• Designing Machine Learning Systems (Chip Huyen): temel ve applied ML sorularının çoğunu kapsıyor
• The JAX Scaling Book: görüşmelerden sonra keşfedildi ama çok iyiydi; önceden bilinse yoğun biçimde kullanılacak bir kaynak olurdu
• Reinforcement Learning (Sutton & Barto): yalnızca RL'ye yeni başlayanlara öneriliyor; zaten bu alanda çalışanlar için fazla olabilir

Dersler

• Lineer cebir: Gilbert Strang'in YouTube dersleri, 2x hızda bir günde bitirilebilir
• Diffusion / Flow Matching: MIT, Stanford dersleri de çok iyi ama matematik ağırlığı yüksek; bu alanda çalışmıyorsanız diffusion SDE, flow matching ODE gibi temel sezgileri ve ana noktaları ezberlemek yeterli

ML coding ve debugging

• İyi kaynakların en az olduğu ve gerçek deneyimin en önemli olduğu alan; debugging görüşmeleri için LLM'ler makul ama tutarlı şekilde hatalı kod üretemediğinden pratik yapmak zordu
  • Kendi veya ekip arkadaşlarının kod tabanını incelemek en iyi yöntem; DeepML ve Tensor Puzzles da yardımcı olur
• Hedef taban seviye
  • transformer'ı uçtan uca implement etmek
  • causal, cross, self attention implement etmek
  • flash attention implement etmek
  • attention backward pass implement etmek
  • MLP forward / backward pass implement etmek
  • PyTorch veya JAX ile SGD eğitim döngüsü implement etmek
• Bu maddeleri zaman baskısı altında doğrudan implement edebiliyorsanız iyi durumdasınız

Duygusal hazırlık

• Duygusal olarak iyiseniz bu bölümü atlayın; gereksiz kaygı yaratmamak için
• En büyük sorun uykuydu — görüşmeden önceki gece uyuyamamak, haftada 10 görüşme olduğunda ciddi bir probleme dönüşüyor; yemek yemek de zorlaşıp mide bulantısına yol açabiliyor
  • Düzenli egzersiz, tutarlı bir akşam rutini ve sosyal izolasyondan kaçınmak öneriliyor
  • Görüşmeden önce koşmak, gergin enerjiyi boşaltmaya ve zihni sıfırlamaya yardımcı oldu
• Görüşme öncesi rutinini korumak büyük bir rahatlık sağladı — arka plana taze çiçek koymak, makyaj veya cilt bakımı yapmak, aynı rahatlatıcı videoyu izlemek
• Bir noktadan sonra kaygı, hazırlığın kendisinden daha büyük engel haline geldi ve görüşme sırasında zihnin tamamen boşaldığı anlar oldu
  • Kendi tetikleyicilerinizi, başarısızlıkla ilişkinizi ve özsaygınızın temelini başlamadan önce düşünmek faydalı olur
• Temel mesaj: bir insan olarak değeriniz bu görüşmelerle belirlenmez, süreç özünde olasılıksaldır; bildiğiniz şeylerde de hata yapabilirsiniz ve bu normaldir
• Yardımcı olan kitaplar: The Now Habit, The Gifts of Imperfection, Mindset, The Tyranny of Merit

Lojistik hazırlık

• Günde yalnızca bir görüşme: görüşmeler tüketicidir; günün üçüncü görüşmesinde performans doğal olarak düşer, sabah görüşmesinden sonra kalan zaman bir sonrakine hazırlık için kullanılmalı
• Önce daha az ilgi duyduğunuz şirketlerle başlayın: küçük startup'lar veya tercih edilmeyen bölgelerle süreç hissini, özgüveni ve maaş seviyesini önceden kalibre edin
• Zamanlamayı düşünün: şirketlerin ilerleme hızları farklıdır; tekliflerin benzer zamanlarda gelmesini ayarlayarak gerçek pazarlık gücü elde edebilirsiniz
• Tüm şirketlere başka süreçlerin de devam ettiğini söyleyin: zaman çizelgesi netleşir, süreç hızlanır ve daha ciddi bir aday olarak algılanırsınız

Pazarlık

• Rakip teklifleri gizlemenizi öneren genel tavsiyenin aksine, birçok şirket zam yapmadan önce diğer tekliflerin kanıtını açıkça istedi; biri ekran görüntüsünün gerçekliğini bile sordu
• Şirketler istedikleri aday için rakamları ciddi biçimde oynatabilir, bu yüzden sormaya her zaman değer; çoğu pazarlığa açıktı
• Son teslim tarihleri 1-2 haftadan belirsiz bir "makul süre" ifadesine kadar değişiyordu; uzatma konusunda genelde esnek davranılmadı
• Recruiter'lar adayın tercihlerini iyi okur; şirket adı anma sıklığı veya konuşma tonu gibi küçük sinyaller bile not edilir
• Şirketlerin aday tercihine dair geçmiş verileri vardır → yalnızca denk rakiplerden gelen teklifler (OpenAI vb.) gerçek ağırlık taşır; gerçekçi olmayan karşılaştırmalar işe yaramaz

Karar verme süreci

• Başta kaygı nedeniyle erken gelen bir teklifi kabul etme isteği vardı ama sezgisine güvenip daha iyi seçenekleri buldu
• Teklif seçim kriterleri konum, ücret, itibar, işin türü gibi kişiden kişiye değişir; ekip, kültür ve ücret hakkında daha çok şey öğrendikçe tercih sıralaması da değişti
• Her iki şirkette de neredeyse herkesle konuştu ama herkes kendi şirketini seçeceğini söylediği için çok yardımcı olmadı → sonuçta en faydalısı sizi iyi tanıyan biriyle konuşmak oldu

Yeniden yapsaydı değiştirecekleri

• Bir spreadsheet tutmak: her şeyi kafada takip etmenin sınırı var; şirketleri, aşamaları, son tarihleri ve iletişim bilgilerini düzenleseydi ilgilendiği yerlere başvurmayı kaçırmazdı
• Sadece tekniğe değil duygulara da hazırlanmak: görüşmeler, araştırmacı olarak yeteneğiniz ve doktoranızın değeri üzerine nihai bir hüküm gibi gelebilir ama bu irrasyonel bir çerçeve; başlamadan önce iç gözlem veya terapi faydalı olabilirdi
• Yanıt vermeyen şirketlere karşı daha proaktif olmak: yalnızca başvuruya güvenmeyip doğrudan cold email atarak ilgiyi göstermek ve radarlarına girmek gerekirdi

Teknik konu listesi

• Görüşmeler başlamadan önce hazırlanan çalışma konusu listesi; kendi geçmişi nedeniyle LLM ve RL soruları çok geldi ve çalışılan neredeyse her konu en az bir kez soruldu
• Reinforcement Learning: Q-Learning / TD Learning, Bellman Equations, PPO, GRPO, GAE, DPO, Policy Gradient Theorem, On/Off-Policy, MuZero, Dreamer, AlphaGo, Soft Actor-Critic, MDP vb.
• LLMs: Flash Attention, LoRA, TransformerXL, Griffin, Perceiver, Scaling Laws, Mixture of Experts, RoPE, S4, Tokenisation, RLHF, Causal/Cross Attention vb.
• Generative Modelling: GANs, VAE ve ELBO, Score Function, Diffusion Forward/Reverse Process (DDIM/DDPM), Diffusion SDE, Flow Matching ODE, Classifier Free Guidance
• Applied ML: Tensor Parallelism, FSDP, DDP, Pipeline Parallelism, Mixed precision training, Gradient checkpointing/accumulation/clipping, JAX·PyTorch·TensorFlow vb.
• General ML: Curse of dimensionality, CNN, RNN/LSTM, MLE vs MAP, Bias-Variance Tradeoff, Backprop, BatchNorm/LayerNorm/RMSNorm, Adam/AdamW, KL Divergence, Precision/Recall/F1/AUC-ROC vb.
• Linear Algebra: Positive Semi-Definite, Jacobian, Eigenvectors/Eigenvalues, Hessian, Null/Image space, Rank/Span, Determinant vb.