AI Mühendisi İçin Matematik Rehberi 2026: Hangi Konular, Ne Derinlik, Nasıl Öğrenilir?

Özet (TL;DR)

Tek cümlelik cevap: AI mühendisi için matematik 5 alan ama derinlik iş tipine bağlı — AI Engineer için %30 sezgi, Research için %95 rigor. 6 ayda sıfırdan yeterli temel.

• AI mühendisliği için matematik 5 ana alan: (1) Lineer Cebir (vektör, matris, eigenvalue, SVD), (2) Calculus (türev, gradient, chain rule), (3) Olasılık + İstatistik (dağılımlar, expected value, Bayes), (4) Optimization (gradient descent, Adam, convex optimization), (5) Bilgi Teorisi (entropy, KL divergence, cross-entropy).
• Gerekli derinlik İŞ TİPİNE BAĞLI: AI Engineer (LLM/RAG/agent) için %30 (sezgi yeterli), ML Engineer için %60 (orta), Research Scientist için %95 (matematiksel rigor + paper okuma).
• ANDREW NG yaklaşımı: pratik sezgi + 'görseller', formul ezber min, ML/DL uygulamasına direkt geçiş. ANDREJ KARPATHY yaklaşımı: derinden anlama, scratch'tan implement, matematik biraz daha çok.
• Sıfırdan 6 aylık matematik planı: Ay 1-2 Lineer Cebir, Ay 3 Calculus, Ay 4-5 Olasılık + İstatistik, Ay 6 Optimization + Bilgi Teorisi. Günde 1-2 saat haftada 7-14 saat.
• En İYİ kaynaklar: 3Blue1Brown YouTube (sezgi şampiyonu, Türkçe altyazı), Khan Academy (interactive practice), Gilbert Strang MIT 18.06 (Lineer Cebir klasik), Mathematics for Machine Learning kitabı (Deisenroth, Faisal, Ong — ücretsiz PDF), İngilizce zorlananlar için BTK Akademi Lineer Cebir + Olasılık dersleri.
• Ezber vs sezgi: Çoğu formul EZBERLEMEYE GEREK YOK — Python kütüphaneleri (numpy.linalg, scipy.optimize) işi yapar. Sezgi (NE yapar, NEDEN yapar) önemli.
• Mühendislik mülakatlarında matematik: temel ML kavramlar (bias-variance, regularization, gradient descent), %5'lik soru. Research scientist mülakat: derin matematik %50+ soru.

"AI mühendisi olmak için ne kadar matematik bilmem lazım?" Türk öğrenci ve yazılım mühendislerinin en sık sorduğu soru. Cevap iş tipine bağlı.

2.1 Lineer Cebir

Tanım

Lineer Cebir (Linear Algebra)

Vektör, matris ve onlarla yapılan işlemlerin teorisi. AI/ML'in BİRİNCİ matematik alanı. Tüm neural network'ler, embeddings, transformer attention, PCA, SVD lineer cebir üzerine kuruludur. Türkçe bazen 'Doğrusal Cebir' olarak da geçer.

AI/ML için kritik konular:

<comparison-table data-caption="Lineer Cebir — AI/ML Konuları" data-headers="["Konu","Ne için Lazım","Önem"]" data-rows='[{"feature":"Vektör + skaler işlemler","values":["Embedding, feature vector","Çok yüksek"]},{"feature":"Vektör norm (L1, L2)","values":["Regularization, distance","Çok yüksek"]},{"feature":"Dot product","values":["Similarity, attention scores","Çok yüksek"]},{"feature":"Cross product","values":["Az kullanılır AI/ML'de","Düşük"]},{"feature":"Matrix multiplication","values":["NN forward pass — TEMEL","Çok yüksek"]},{"feature":"Transpose","values":["Backprop, attention","Yüksek"]},{"feature":"Identity matrix","values":["Linear algebra temel","Orta"]},{"feature":"Inverse + determinant","values":["Lineer denklem çözümü, Cramer","Orta"]},{"feature":"Rank","values":["Veri boyutu, dimensionality reduction","Yüksek"]},{"feature":"Eigenvalue + eigenvector","values":["PCA, spectral clustering","Yüksek"]},{"feature":"SVD (Singular Value Decomposition)","values":["PCA, recommendation systems, LoRA","Çok yüksek"]},{"feature":"Orthogonality","values":["Linear independence, Gram-Schmidt","Orta"]},{"feature":"Trace","values":["Matrix calculus, KL divergence","Orta"]},{"feature":"Positive definite matrices","values":["Covariance, optimization","Orta"]},{"feature":"Matrix decomposition (LU, QR, Cholesky)","values":["Numerical methods (Python yapıyor)","Düşük"]},{"feature":"Tensor (>2D matrix)","values":["Multi-dimensional NN (image, video)","Çok yüksek"]}]'>

Pratik AI'da nasıl kullanılır:

• Vektör: Word embedding 768 boyutlu vektör (BERT). Cosine similarity ile semantic search.
• Matrix multiplication: Neural network'te output = activation(W @ input + b). Tek satır = milyonlarca işlem.
• Eigenvalue: PCA için covariance matrix'in eigenvalue/eigenvector'ları bulunur.
• SVD: LoRA fine-tuning'in ARKASINDA — büyük matris low-rank approximation ile değişir.
• Tensor: PyTorch'ta her şey tensor. 4D tensor (batch, channel, height, width) görsel verisi.

2.2 Calculus (Diferansiyel + İntegral)

Tanım

Calculus

Türev (rate of change) ve integral (accumulation) teorisi. AI/ML'de OPTIMIZATION'un temeli — neural network eğitimi (backpropagation) calculus uygulamasıdır. Türkçe karşılığı 'Matematik Analiz' veya 'Diferansiyel Hesap'.

AI/ML için kritik konular:

Calculus — AI/ML Konuları

Konu	Ne için Lazım	Önem
Türev (derivative)	Gradient — neural network eğitiminin TEMELI	Çok yüksek
Partial derivative	Multi-variable function — NN parametreleri	Çok yüksek
Gradient (∇)	Steepest ascent direction	Çok yüksek
Chain rule	Backpropagation TEMEL formülü	Çok yüksek
Jacobian	Vector-valued function derivative	Yüksek
Hessian	Second-order optimization (Newton method)	Orta
Limit	Sezgi düzeyinde	Düşük
Integral	Probability density, expected value	Orta
Multiple integrals	Multi-variable probability	Düşük
Taylor series	Approximation, optimization analysis	Orta
Lagrange multipliers	Constrained optimization (SVM)	Orta
Differential equations	Çok özel uygulamalar	Çok düşük

Pratik AI'da nasıl kullanılır:

• Gradient descent: Loss function'ın gradient'ini hesapla, ters yöne git. AI eğitiminin tek paradigması.
• Chain rule: Backpropagation = neural network'ün her katmanından gradient'i geriye doğru chain rule ile yaymak.
• Jacobian: Multi-output function (neural network'ün çıktısı) gradient'i Jacobian matrix.

2.3 Olasılık + İstatistik

Tanım

Olasılık + İstatistik (Probability + Statistics)

Belirsizlik altında karar verme matematiği. AI/ML'de İKİNCİ büyük alan: tüm probabilistic models, Bayes inference, sampling, hypothesis testing bu alandadır.

AI/ML için kritik konular:

Olasılık + İstatistik — AI/ML Konuları

Konu	Ne için Lazım	Önem
Olasılık aksiyomları	Temel sezgi	Çok yüksek
Conditional probability + Bayes	Bayesian inference, classification	Çok yüksek
Independence	Naive Bayes, feature independence	Yüksek
Random variable	ML modelleri probabilistic	Çok yüksek
PDF + CDF	Distribution sampling	Yüksek
Expected value (E[X])	Loss function (cross-entropy E[log p])	Çok yüksek
Variance + std	Uncertainty, regularization	Çok yüksek
Covariance + correlation	Feature relationship, PCA	Yüksek
Normal dağılım	Çok yaygın ML modellerinde	Çok yüksek
Bernoulli + Binomial	Binary classification	Yüksek
Multinomial	Multi-class classification	Yüksek
Poisson	Sayma verisi, Poisson regression	Orta
Exponential	Survival analysis	Düşük
Beta + Gamma	Conjugate priors	Orta (Bayesian)
Maximum Likelihood Estimation (MLE)	Tüm probabilistic model eğitimi	Çok yüksek
MAP (Maximum a Posteriori)	MLE + prior (regularization)	Yüksek
Hipotez testi	A/B testing	Yüksek (Data Scientist için)
Confidence interval	Belirsizlik tahmini	Orta-yüksek
p-value	İstatistiksel anlamlılık	Yüksek (DS)
Cohens d / effect size	Pratik anlamlılık	Orta
Type 1 / Type 2 hatası	Hipotez testi yorumlama	Yüksek
Central Limit Theorem	Sampling teorisi	Yüksek
Markov chain	MCMC, language models	Orta
Bayesian networks	Probabilistic graphical models	Düşük (specialized)

2.4 Optimization

Tanım

Optimization (En İyileme)

Bir function'ı (loss function) minimize veya maximize eden parametreleri bulma matematiği. Neural network eğitimi BÜYÜK ölçekte optimization problem'dir. Türkçe karşılığı 'En İyileme' veya 'Optimizasyon'.

AI/ML için kritik konular:

Optimization — AI/ML Konuları

Konu	Ne için Lazım	Önem
Convex vs Non-convex	Function özellikleri, local vs global minimum	Yüksek
Gradient Descent (vanilla)	Temel NN eğitim algoritması	Çok yüksek
SGD (Stochastic GD)	Mini-batch eğitim	Çok yüksek
Momentum	Hızlandırılmış GD	Yüksek
Adam optimizer	Modern NN için varsayılan	Çok yüksek
AdamW	Adam + weight decay	Yüksek
Learning rate scheduling	Cosine, step decay	Yüksek
Newton method	Second-order optimization	Düşük (pratik kullanım)
L-BFGS	Quasi-Newton	Düşük (pratik)
Constrained optimization	SVM, linear programming	Düşük
Lagrange multipliers	SVM kernel trick	Orta
Convex optimization	Linear/logistic regression	Orta
Stochastic optimization	Reinforcement learning	Düşük (RL specialized)

2.5 Bilgi Teorisi (Information Theory)

Tanım

Bilgi Teorisi (Information Theory)

Claude Shannon'un 1948'de kurduğu, bilginin sayısal ölçümü ile ilgili matematik dalı. AI/ML'de loss function'ların temeli (cross-entropy) ve information bottleneck gibi modern AI kavramları için kritik.

AI/ML için kritik konular:

Bilgi Teorisi — AI/ML Konuları

Konu	Ne için Lazım	Önem
Entropy (H(X))	Belirsizlik ölçümü	Yüksek
Cross-entropy	Classification loss function	Çok yüksek
KL divergence	Distribution farkı, VAE, GAN	Çok yüksek
JS divergence	KL'in simetrik versiyonu	Orta
Mutual information	Feature selection	Orta
Conditional entropy	Decision tree, info gain	Orta
Information gain	Decision tree splitting	Orta
Channel capacity	Akademik, az pratik	Düşük

3.1 AI Engineer Matematik Gereksinimi (%30)

3.2 ML Engineer Matematik Gereksinimi (%60)

3.3 Research Scientist Matematik Gereksinimi (%95)

4.1 Ay 1-2: Lineer Cebir

Ay 1-2 Lineer Cebir Planı

Hafta	Konu	Kaynak
Hafta 1	Vektör + skaler + operations	3Blue1Brown 'Essence of Linear Algebra' Chapters 1-3 (TR altyazı) + Khan Academy
Hafta 2	Matrix multiplication	3Blue1Brown Ch 4-5 + Gilbert Strang MIT 18.06 Lecture 1-3
Hafta 3	Inverse, determinant	Khan Academy + Gilbert Strang Lecture 4-7
Hafta 4	Vector space, basis	3Blue1Brown Ch 6-7 + Strang Lecture 8-10
Hafta 5	Eigenvalue + eigenvector	3Blue1Brown Ch 10-11 + Khan Academy
Hafta 6	SVD	3Blue1Brown Ch 14 + 'Mathematics for ML' kitabı Ch 4
Hafta 7	Orthogonality, projections	Strang Lecture 15-17
Hafta 8	PCA pratik (uygulama)	Coursera Andrew Ng ML — PCA bölümü

Ay 1-2 milestone: PCA scratch'tan numpy ile implement (Iris veri seti üzerinde) — GitHub'a push.

4.2 Ay 3: Calculus

Ay 3 Calculus Planı

Hafta	Konu	Kaynak
Hafta 9	Türev temel	3Blue1Brown 'Essence of Calculus' Ch 1-3 + Khan Academy
Hafta 10	Partial derivative + gradient	3Blue1Brown Multivariable Calculus + Khan Academy
Hafta 11	Chain rule + backpropagation	Andrej Karpathy 'micrograd' YouTube + paper okuma
Hafta 12	Multi-variable optimization	Mathematics for ML Ch 5

Ay 3 milestone: micrograd-tarzı autograd engine scratch'tan implement (Python). Backprop derinden anlama.

4.3 Ay 4-5: Olasılık + İstatistik

Ay 4-5 Plan

Hafta	Konu	Kaynak
Hafta 13	Olasılık temel + conditional	Khan Academy Statistics + Probability
Hafta 14	Bayes theorem	StatQuest YouTube Bayesian playlist (TR altyazı)
Hafta 15	Distributions (Normal, Binomial, Poisson)	Khan Academy + StatQuest
Hafta 16	Expected value, variance	StatQuest + 'Think Stats' kitabı (ücretsiz)
Hafta 17	MLE + MAP	StatQuest MLE + MAP videos
Hafta 18	Hypothesis testing	Khan Academy + 'Think Stats'
Hafta 19	A/B testing	Coursera 'A/B Testing' (Google) + Eppo blog
Hafta 20	Bayesian inference temel	'Bayesian Statistics: The Fun Way' kitabı

Ay 4-5 milestone: Naive Bayes classifier scratch'tan implement + spam detection projesi.

4.4 Ay 6: Optimization + Bilgi Teorisi

Ay 6 Plan

Hafta	Konu	Kaynak
Hafta 21	Gradient descent + SGD	Mathematics for ML Ch 7
Hafta 22	Adam optimizer + momentum	Andrew Ng Deep Learning Specialization (optim bölümü)
Hafta 23	Entropy + cross-entropy	StatQuest Information Theory + Andrew Ng
Hafta 24	KL divergence	StatQuest KL + paper okuma (VAE'de KL)

Ay 6 milestone: Logistic regression + neural network scratch'tan implement, cross-entropy loss + SGD ile eğit. Math'in NN'de nasıl çalıştığını derinden anla.

5.1 YouTube Kanalları

AI Matematik YouTube Kanalları

Kanal	Konu	Dil	Özelliği
3Blue1Brown (Grant Sanderson)	Lineer cebir, calculus, ML	İngilizce (TR altyazı)	Sezgi şampiyonu, görsel
StatQuest (Josh Starmer)	İstatistik, ML algoritmaları	İngilizce	Şarkı + sezgi
Khan Academy (Sal Khan)	Genel matematik	İngilizce + TR	Interactive exercises
Andrej Karpathy	Neural network deep	İngilizce	Scratch implementation
MIT OpenCourseWare (Strang)	Lineer Cebir 18.06	İngilizce	Akademik klasik
Yannic Kilcher	AI paper okumaları	İngilizce	Modern paper analysis
Two Minute Papers	AI/ML paper özetleri	İngilizce	Kısa pratik
BTK Akademi (Türk)	Matematik temel	Türkçe	Tam ücretsiz
Atıl Samancıoğlu	Python + AI	Türkçe	Türkçe AI eğitim

5.2 Ücretsiz Online Kurslar

Ücretsiz AI Matematik Kursları

Kurs	Platform	Süre
Mathematics for Machine Learning Specialization	Coursera (Imperial College)	3 ay (Financial Aid free)
Linear Algebra for ML	DeepLearning.AI Coursera	1 ay
Calculus for ML and Data Science	DeepLearning.AI	1 ay
Probability and Statistics for ML	DeepLearning.AI	1 ay
MIT 18.06 Linear Algebra	MIT OCW	12 hafta
MIT 18.01 Single Variable Calculus	MIT OCW	12 hafta
Khan Academy Statistics & Probability	Khan Academy	Self-paced
BTK Akademi Lineer Cebir	BTK	Türkçe ücretsiz

5.3 Kitaplar — Sıralı Tavsiye

AI Matematik Kitapları (Sıralı)

Kitap	Yazar	Seviye	Ücret
Mathematics for Machine Learning	Deisenroth, Faisal, Ong	Başlangıç-Orta	ÜCRETSİZ PDF (mml-book.github.io)
Linear Algebra Done Right	Sheldon Axler	Orta	$45
The Matrix Cookbook	Petersen, Pedersen	Reference	ÜCRETSİZ PDF
Think Stats	Allen Downey	Başlangıç	ÜCRETSİZ PDF
Pattern Recognition and Machine Learning	Bishop	Orta-İleri	$80 (klasik)
Deep Learning	Goodfellow, Bengio, Courville	İleri	ÜCRETSİZ (deeplearningbook.org)
Convex Optimization	Boyd, Vandenberghe	İleri	ÜCRETSİZ PDF
Bayesian Statistics: The Fun Way	Will Kurt	Başlangıç	$25
Statistical Rethinking	Richard McElreath	Orta	$80 + ÜCRETSİZ video
Elements of Statistical Learning	Hastie, Tibshirani, Friedman	İleri	ÜCRETSİZ PDF

5.4 Türkçe Kaynaklar

İki ünlü AI eğitmen, iki farklı pedagojik yaklaşım:

Ng vs Karpathy Yaklaşımı

Boyut	Andrew Ng	Andrej Karpathy
Felsefe	Pratik sezgi + minimum formul	Derinlik + scratch implementation
Matematik derinlik	Orta — yeterli minimum	Yüksek — her detay
Hedef öğrenci	AI Engineer, ML Engineer	Research Scientist, ML Engineer derinleşen
İlk kurs	Coursera ML Specialization	YouTube Zero to Hero serisi
Süre	3 ay (120 saat)	12+ saat (yoğun)
Format	Slide + lecture + quiz + lab	Live coding + paper deep-dive
Dil	İngilizce + TR altyazı	İngilizce
Avantaj	Yapılandırılmış müfredat	Derinden anlama, scratch çalışma
Dezavantaj	Bazı detay kaçırılır	Steep learning curve

6.1 Önerilen Hibrit Yol

8.1 AI Engineer Mülakatı (Matematik %5)

Tipik sorular:

• "Bias-variance tradeoff anlat"
• "Cosine similarity ne, neden L2 yerine?"
• "Overfitting nasıl tespit edilir?"

Bu seviyede sezgi yeterli, derin formul yok.

8.2 ML Engineer Mülakatı (Matematik %20-30)

Tipik sorular:

• "Gradient descent vanishing gradient problemini nasıl çözer?"
• "Adam optimizer vs SGD momentum farkı"
• "L1 vs L2 regularization geometrik yorumu"
• "Cross-entropy vs MSE neden classification için CE?"
• "Logistic regression hangi loss'u minimize eder?"
• "Random forest neden overfitting'e dirençli?"

Orta derinlik gerek, formul detay gerek değil.

8.3 Research Scientist Mülakatı (Matematik %50+)

Tipik sorular:

• "Transformer attention formülünü derive et + complexity analizi"
• "VAE KL divergence + reparameterization trick"
• "Convergence proof gradient descent for convex function"
• "Information bottleneck principle"

PhD-seviyesi, paper okuma + derive etme.

8.4 Pratik Mülakat Hazırlık

Nasıl Yapılır

ML Mülakat Matematik Hazırlık

1. 1

   Pattern Recognition and Machine Learning (Bishop) Ch 1-3 oku

   Klasik ML temelleri — linear models, probability

2. 2

   100-page ML Book (Burkov) oku

   Hızlı özet referans

3. 3

   StatQuest 'Bias-Variance Tradeoff' + 'Cross-Validation' izle

   İki kritik kavram

4. 4

   Karpathy 'micrograd' implement

   Backprop derinden anlama

5. 5

   Andrew Ng DL Specialization Quiz'ler

   Math sorularla pratik

6. 6

   Glassdoor Trendyol/Getir mülakat soruları

   Türk şirket mülakat tarz

7. 7

   Mock interview

   Arkadaşla pratik (Pramp, interviewing.io platformları)

9.1 "Bias-Variance Tradeoff Nedir?"

9.2 "Gradient Descent Nasıl Çalışır?"

9.3 "Backpropagation Nasıl Çalışır?"

9.4 "L1 vs L2 Regularization Farkı?"

Soru: Matematik olmadan AI öğrenebilir miyim?

Soru: Calculus ne kadar derin öğrenmeliyim?

Türev + gradient + chain rule sezgi şart. Hessian (second derivative) opsiyonel. Integration (integral) AI/ML'de az lazım. Multivariable calculus orta. Real analysis (proof) gerek yok.

Soru: PhD'siz Research Scientist olabilir miyim?

Çok zor. Big tech research labs (DeepMind, OpenAI, Anthropic) çoğunlukla PhD ister. Industry research (Meta, Microsoft Research) MS + güçlü paper olabilir. AI Engineer / ML Engineer için PhD gerek değil.

Soru: Lineer cebir mi calculus mu önce?

Lineer cebir önce. Matrix multiplication + eigenvalue temel olmadan calculus ML'de zor. 3Blue1Brown sırasında: Linear Algebra → Calculus.

Soru: Matematik öğrenmek için Python lazım mı?

Hayır ama beraber öğrenmek FAYDALI. NumPy ile matrix mult'u implement et — sezgi pekişir.

Soru: Türkçe matematik kaynakları İngilizce kadar iyi mi?

3Blue1Brown Türkçe altyazılı — İngilizce ile eşdeğer. Khan Academy Türkçe tam aynı. BTK Akademi Türkçe iyi. İngilizce kaynaklar bol; Türkçe kaynaklarla başlayıp İngilizce'ye geç.

Soru: Mathematics for ML kitabı yeterli mi?

Evet, AI Engineer / ML Engineer için %80 yeterli. 400 sayfa, ücretsiz PDF. Research için ek olarak Bishop, Goodfellow, Strang.

Soru: Lise matematik bilgim zayıf — başlangıç ne?

Khan Academy'de Algebra 1 + Algebra 2 + Pre-Calculus + Calculus 1 sırasıyla. 3-6 ay temel matematik refresh. Sonra AI matematik.

Soru: AI matematik öğrenirken Coursera Plus mı ücretsiz mi?

Coursera Financial Aid (Türkiye onaylar) DeepLearning.AI Math for ML serisini ücretsiz veriyor. Önce başvur, kabul edilirse 6 ay ücretsiz erişim.

Soru: Karpathy Zero to Hero ne kadar zor?

İlk video kolay (1 saat) AMA derinlemesine. Backprop derive ediyor. 6 saatlik tüm seri yoğun. Andrew Ng DL Specialization tamamlandıktan sonra zaten önerilir.

Soru: AI mülakatlarında "tahtaya yaz" matematik var mı?

Türk şirketlerinde nadir. ABD top tier'da var (Google, Meta research roles). Tahtaya backprop derive etmek istenebilir. AI Engineer için yok, ML Engineer için bazen.

Soru: Matematik öğrenmeyi sevmiyorum — kariyer mümkün mü?

AI Engineer rolünde mümkün. LangChain + prompt engineering + API odaklı. Matematik %30 sezgi yeterli. Ama uzun vadede senior olmak için en azından temel sezgi şart.

3 ana çıkarım:

1. AI matematik gereksinimi iş tipine bağlı: AI Engineer %30, ML Engineer %60, Research %95.
2. 6 ay disiplinli matematik öğrenme yeterli — günde 1-2 saat + doğru kaynaklar (3Blue1Brown + Mathematics for ML + Karpathy).
3. EZBERLEMEYE GEREK YOK — sezgi + Python kütüphaneleri yeterli. Çoğu formul numpy/PyTorch yapar.

30 günlük başlangıç planı:

Gün 1-7:

• 3Blue1Brown "Essence of Linear Algebra" Bölüm 1-7 (TR altyazı)
• Her gün 1 video + notes
• Mathematics for ML kitabı PDF indir

Gün 8-14:

• 3Blue1Brown "Essence of Linear Algebra" Bölüm 8-15
• Khan Academy Lineer Cebir practice problems
• Numpy ile matrix multiplication + eigenvalue scratch

Gün 15-21:

• 3Blue1Brown "Essence of Calculus" Bölüm 1-7
• Andrew Ng ML Specialization başla (Week 1-2)
• Her hafta GitHub'a notebook push

Gün 22-30:

• 3Blue1Brown Calculus Bölüm 8-12
• Andrew Ng ML Week 3-4
• StatQuest Bias-Variance + Cross-validation

6. ay sonu hedef: AI matematik %30 (AI Engineer için yeterli) + ilk ML proje GitHub'da + Kaggle Titanic submission.

Kaynaklar

1. Mathematics for Machine Learning (ücretsiz PDF) — Deisenroth, Faisal, Ong, Cambridge University Press · 2020
2. 3Blue1Brown — Grant Sanderson, YouTube · 2026
3. Khan Academy Math — Khan Academy, Khan Academy · 2026
4. MIT 18.06 Linear Algebra — Gilbert Strang, MIT OCW · 2010
5. StatQuest with Josh Starmer — Josh Starmer, YouTube · 2026
6. Andrej Karpathy YouTube — Andrej Karpathy, YouTube · 2026
7. DeepLearning.AI Math for ML Specialization — Luis Serrano, Coursera · 2024
8. BTK Akademi — BTK, T.C. Cumhurbaşkanlığı · 2026
9. Pattern Recognition and Machine Learning — Christopher Bishop, Springer · 2006
10. Think Stats — Allen Downey, Green Tea Press · 2014
11. Deep Learning Book — Goodfellow, Bengio, Courville, MIT Press · 2016
12. Convex Optimization — Boyd, Vandenberghe, Cambridge · 2004