Recommender Engineer Kimdir? Yetkinlik Atlası ve Junior → Staff Kariyer Haritası
Recommender Engineer = Data Engineer + ML Engineer + ML Researcher + Backend Engineer'ın belirli bir kesişimi. 8 yetkinlik kategorisinde tam atlas, junior → senior → staff yolculuğu, görüşmelerde sorulan tipik sorular ve T-şeklinde uzmanlık stratejisi.
Şükrü Yusuf KAYA
24 dakikalık okuma
Başlangıç
🎯 Bu dersin amacı
İlk derste 'neden bu disiplin önemli?' sorusunu cevapladık. Bu derste 'bu disiplini kim, nasıl yapar?' sorusuna iniyoruz. Sonunda — kendine ait bir öğrenme rotanı çizebileceksin: zayıf yönlerini bilen, hangi modüllerde fazladan zaman harcaması gerektiğini anlayan bir mühendis olarak.
Recommender Engineer Tanımı#
Sektörün gerçek hayattaki konuşulan tanımı şudur:
Tanım
- Recommender Engineer
- Büyük ölçekte (genelde 10M+ kullanıcı ve 1M+ item üzerinde), kişiselleştirilmiş eşleştirme/sıralama/öneri problemlerini uçtan uca çözen mühendistir. Veri pipeline'ından, model eğitimine; offline değerlendirmeden online A/B testine; düşük-latency serving'e kadar olan tüm sürece dahildir.
Bu tanımdaki uçtan uca kelimesi kritik. Bir Recommender Engineer salt ML researcher değildir (paper yazıp ablation çalışması yapmaz); salt data engineer değildir (sadece pipeline çalıştırmaz); salt backend engineer değildir (sadece servis yazmaz). Hepsinin kesişimindedir.
8 Kategoride Yetkinlik Atlası#
İşte bir Recommender Engineer'ın bilmesi gereken her şey — 8 kategoride. Bu atlas aynı zamanda bu kursun da iskeletidir. Her kategorinin yanında "kurs karşılığı" not düşülmüştür.
Konular: Lineer cebir (matris çarpımı, SVD, eigendecomp, dot product, cosine similarity), olasılık (Bayes, conditional probability, MLE, KL divergence), kalkulus (gradient, chain rule, partial derivatives), bilgi teorisi (entropy, cross-entropy), optimizasyon (SGD, Adam, lr scheduling).
Neden kritik? SVD'yi anlamadan matrix factorization'ı; KL divergence'i anlamadan BPR loss'unu; chain rule'u anlamadan neural ranking'i çözemezsin. Recommender özelinde — neredeyse her algoritma "matris ayrıştırma + benzerlik + olasılık" üçgeninin bir köşesinden çekiştirir.
Kurs karşılığı: Modül 3 (Evaluation metrik matematiği), Modül 6 (MF tüm türetim), Modül 7 (BPR/WARP), Modül 11 (Graph spektral analizi).
Hangi seviyede olmalı? Mid-level için "okuyup anlayan", senior için "yeni varyasyonunu türetebilen", staff için "yeni problem için yeni formülasyon icat edebilen".
T-Şeklinde Uzmanlaşma Stratejisi#
8 kategorinin hepsinde uzman olamazsın — kimse olamaz. Pratik strateji: T-şeklinde ol.
- Yatay bar (genişlik): 8 kategorinin tamamında çalışan bilgi — atlas'taki orta seviye.
- Dikey bar (derinlik): 2-3 kategoride derin uzmanlık — yeni paper'ları çıktığı gün okuyup eleştirebilen seviye.
En sık görülen T-şekilleri:
Recommender Engineer Arketipleri#
| Arketip | Derin Olduğu Alan | Tipik Şirket | Maaş Premium |
|---|---|---|---|
| The Modeler | Math + DL Engineering + Rec-specific | Netflix, YouTube, Pinterest | Yüksek (paper okuyup implement edebilir) |
| The Systems Engineer | Distributed + Serving + MLOps | Meta, Google, Stripe | Çok yüksek (kıt beceri seti) |
| The Experimenter | A/B + Causal + Rec-specific | Booking, Airbnb, Spotify | Yüksek (CEO'ya konuşabilir) |
| The Data Wizard | Python+Data + Distributed + Pipeline | Trendyol, Hepsi, Insider | Orta-yüksek (kavşak noktası) |
| The Full-Stack | Backend + Serving + Math + DL | Erken aşama startup'lar | Yüksek (tek başına ürün kurar) |
Bu kurs sana The Modeler + The Systems Engineer karması verir. Sonra 2-3 yıl iş tecrübesiyle hangi yönde derinleşeceğini seçersin.
Junior → Senior → Staff: Somut Yetkinlik Eşiklerİ#
Çoğu kariyer rehberi "fazla soyut" — biz somut konuşalım. Bir mühendisin hangi seviyede ne yapabilmesi gerektiğini görelim.
Yetkinlik eşiği:
- Paper'ı verirsen, PyTorch'ta çalışan kod yazabilir.
- MovieLens-1M'de NCF eğitir, HR@10 metriğini doğru rapor eder.
- Mentor'ün verdiği task'ı sprintte tamamlar.
- Pull request'ler küçük, net ve test'li.
Olamayacağı:
- Mimari kararlar veremez (henüz).
- Trade-off'ları net göremez (bilmediği şeyleri bilmiyor).
Bu kursun çıktısı için yeterli: Modül 0-12 (Part I-III) seni güçlü bir junior yapar. Modül 13-25 seni mid'e taşır.
Görüşme stili: Coding test + sistem tasarımı (1 soru, basit).
Türkiye'deki tipik unvan: "ML Engineer", "Junior Data Scientist", "AI Engineer".
Görüşme Hazırlığı: Tipik Sorular#
Recommender pozisyonu görüşmeleri 4 kategoride sorular içerir. Bu kursu bitirdiğinde hepsine rahatlıkla cevap verebilir hale geleceksin.
Tipik sorular:
- "MovieLens-100K verisi verildi. Pandas'ta yükleyip, user-item sparse matrix'e çevir. Sonra item-item cosine similarity hesapla. Top-5 öneri ver."
- "1M kullanıcının click log'u var. Implicit ALS yaz (sıfırdan, sadece NumPy). 5 epoch eğit, NDCG@10 ölç."
- "Two-tower retrieval modeli yaz (PyTorch). In-batch negative sampling kullan."
- "FAISS index oluştur, IVF-PQ ile 10M vektörde nearest neighbor ara, p99 latency 10ms altı."
Bu kursun karşılığı: Modül 2, 5, 6, 12, 23. Hepsini geçtiğinde bu sorular önemsiz hale gelir.
🎁 Kurs sonrası portfolyon
Bu kursu sonuna kadar yaparsan elinde şunlar olacak: (1) Kendi GitHub repo'larında 25 modülün notebook'ları + temiz kod, (2) MovieLens, RetailRocket, H&M ve MIND News üzerinde 4 capstone projesi, (3) Sertifikan ve quiz sonuçların. Bu portfolyo bir Türkiye Big Tech şirketinde mid-level offer almak için yeterlidir. Yurt dışına remote için 1-2 sistem tasarımı çalışması daha eklersin.
Bir Sonraki Ders#
Bir sonraki derste (0.3) bu kursun öğretme felsefesini anlatacağım: neden her modülde "matematik → manuel kod → kütüphane → benchmark → üretim" sırasını izliyoruz, bu sıra neden seni başka kurslara kıyasla 3x daha hızlı götürür. Sonra 0.4'te elini taşa vur — atölyeyi kuracağız. 🛠️
Sık Sorulan Sorular
Data Scientist 'modeli niye kuruyoruz?' ve 'sonuç ne anlama geliyor?' sorularına odaklanır — istatistik + iş anlayışı ağırlıklıdır. Recommender Engineer 'bu modeli nasıl 50M kullanıcıya 50ms altında sunarız?' sorusuna odaklanır — sistem mühendisliği + ML + üretim ağırlıklıdır. İkisi sıkça birlikte çalışır.
Yorumlar & Soru-Cevap
(0)Yorum yazmak için giriş yap.
Yorumlar yükleniyor...
İlgili İçerikler
Modül 0: Kurs Çerçevesi ve Atölye Kurulumu
Öneri Sistemleri Neden Bu Kadar Önemli? Bir Disiplinin Doğuşu, Bugünü ve Yarını
Öğrenmeye BaşlaModül 0: Kurs Çerçevesi ve Atölye Kurulumu
Kurs Felsefesi: Matematik → Manuel Kod → Kütüphane → Benchmark → Üretim
Öğrenmeye BaşlaModül 0: Kurs Çerçevesi ve Atölye Kurulumu