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

> Source: https://sukruyusufkaya.com/blog/ai-muhendisi-matematik-rehberi
> Updated: 2026-08-23T23:53:52.789Z
> Type: blog
> Category: yapay-zeka
**TLDR:** AI/ML mühendisliği için gerekli matematik bilgisi detaylı rehberi: 5 ana alan (Lineer Cebir, Calculus, Olasılık + İstatistik, Optimization, Bilgi Teorisi), her alan için iş tipi'ne göre gereken derinlik (AI Engineer / ML Engineer / Research Scientist farklı), 50+ kavram detayı (vektör/matris/türev/gradient/eigenvalue/SVD/lambda/expected value/MLE/MAP/Adam/Lagrange/KL divergence), Türkçe + İngilizce öğrenme kaynakları (3Blue1Brown / Gilbert Strang / Khan Academy / BTK Akademi), Andrew Ng vs Andrej Karpathy yaklaşımı farkı, 6 aylık matematik öğrenme planı, hangi formülleri ezberlemek hangileri sezgi ile yeterli, AI mühendisliği için praktik matematik vs teorik akademi matematik, mühendislik mülakatında sorulan matematik soruları, sıfırdan başlayanlar için ders sırası, sıralı kitap önerileri.

<tldr data-summary="[&#34;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).&#34;,&#34;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).&#34;,&#34;ANDREW NG yaklaşımı: pratik sezgi + &#39;görseller&#39;, formul ezber min, ML/DL uygulamasına direkt geçiş. ANDREJ KARPATHY yaklaşımı: derinden anlama, scratch&#39;tan implement, matematik biraz daha çok.&#34;,&#34;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.&#34;,&#34;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.&#34;,&#34;Ezber vs sezgi: Çoğu formul EZBERLEMEYE GEREK YOK — Python kütüphaneleri (numpy.linalg, scipy.optimize) işi yapar. Sezgi (NE yapar, NEDEN yapar) önemli.&#34;,&#34;Mühendislik mülakatlarında matematik: temel ML kavramlar (bias-variance, regularization, gradient descent), %5&#39;lik soru. Research scientist mülakat: derin matematik %50+ soru.&#34;]" data-one-line="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."></tldr>

## 1. Giriş: Matematik Sorusu — Türk AI Toplumunun En Yaygın Sorusu

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

<callout-box data-variant="answer" data-title="Net cevap: İŞ TİPİNE göre değişir">

**3 farklı kariyer yolu, 3 farklı matematik gereksinimi:**

(1) **AI Engineer (LLM, RAG, agentic, ürün-odaklı)** — Matematik %30. Sezgi yeterli. Formul ezberlemek gerekmez. Python kütüphaneleri (PyTorch, LangChain) heavy lifting yapar.

(2) **ML Engineer (production ML, fine-tuning, custom model)** — Matematik %60. Orta-derin sezgi. Bazı formülleri implementation seviyesinde anlamak gerek (backpropagation, optimizer).

(3) **Research Scientist (paper yazımı, novel method)** — Matematik %95. Matematiksel rigor + paper okuma + scratch implementation. PhD seviyesi.

**Türkiye 2026 iş dağılımı:** AI Engineer %50, ML Engineer %35, Research Scientist %15. Yani çoğu kişi için "AI Engineer matematik" yeterli.

</callout-box>

<stat-callout data-value="%30" data-context="AI Engineer pozisyonu için gereken matematik bilgi yüzdesi (sezgi seviyesinde)" data-source="{&#34;label&#34;:&#34;Sektör tecrübe + Anthropic / OpenAI iş ilanı analizi 2026&#34;}"></stat-callout>

<stat-callout data-value="%95" data-context="Research Scientist için gereken matematik bilgi yüzdesi" data-source="{&#34;label&#34;:&#34;DeepMind, OpenAI Research, Anthropic Research iş ilanları&#34;}"></stat-callout>

<stat-callout data-value="6 ay" data-context="Sıfırdan AI matematik temel öğrenme süresi (haftada 7-14 saat)" data-source="{&#34;label&#34;:&#34;DeepLearning.AI Math for ML kurs + Mathematics for ML kitabı tipik tüketim süresi&#34;}"></stat-callout>

## 2. 5 Ana Matematik Alanı

### 2.1 Lineer Cebir

<definition-box data-term="Lineer Cebir (Linear Algebra)" data-definition="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."></definition-box>

**AI/ML için kritik konular:**

<comparison-table data-caption="Lineer Cebir — AI/ML Konuları" data-headers="[&#34;Konu&#34;,&#34;Ne için Lazım&#34;,&#34;Önem&#34;]" 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"]}]'></comparison-table>

**Pratik AI'da nasıl kullanılır:**

- **Vektör:** Word embedding 768 boyutlu vektör (BERT). Cosine similarity ile semantic search.
- **Matrix multiplication:** Neural network'te <code>output = activation(W @ input + b)</code>. 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)

<definition-box data-term="Calculus" data-definition="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'."></definition-box>

**AI/ML için kritik konular:**

<comparison-table data-caption="Calculus — AI/ML Konuları" data-headers="[&#34;Konu&#34;,&#34;Ne için Lazım&#34;,&#34;Önem&#34;]" data-rows="[{&#34;feature&#34;:&#34;Türev (derivative)&#34;,&#34;values&#34;:[&#34;Gradient — neural network eğitiminin TEMELI&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;Partial derivative&#34;,&#34;values&#34;:[&#34;Multi-variable function — NN parametreleri&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;Gradient (∇)&#34;,&#34;values&#34;:[&#34;Steepest ascent direction&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;Chain rule&#34;,&#34;values&#34;:[&#34;Backpropagation TEMEL formülü&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;Jacobian&#34;,&#34;values&#34;:[&#34;Vector-valued function derivative&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Hessian&#34;,&#34;values&#34;:[&#34;Second-order optimization (Newton method)&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Limit&#34;,&#34;values&#34;:[&#34;Sezgi düzeyinde&#34;,&#34;Düşük&#34;]},{&#34;feature&#34;:&#34;Integral&#34;,&#34;values&#34;:[&#34;Probability density, expected value&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Multiple integrals&#34;,&#34;values&#34;:[&#34;Multi-variable probability&#34;,&#34;Düşük&#34;]},{&#34;feature&#34;:&#34;Taylor series&#34;,&#34;values&#34;:[&#34;Approximation, optimization analysis&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Lagrange multipliers&#34;,&#34;values&#34;:[&#34;Constrained optimization (SVM)&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Differential equations&#34;,&#34;values&#34;:[&#34;Çok özel uygulamalar&#34;,&#34;Çok düşük&#34;]}]"></comparison-table>

**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

<definition-box data-term="Olasılık + İstatistik (Probability + Statistics)" data-definition="Belirsizlik altında karar verme matematiği. AI/ML'de İKİNCİ büyük alan: tüm probabilistic models, Bayes inference, sampling, hypothesis testing bu alandadır."></definition-box>

**AI/ML için kritik konular:**

<comparison-table data-caption="Olasılık + İstatistik — AI/ML Konuları" data-headers="[&#34;Konu&#34;,&#34;Ne için Lazım&#34;,&#34;Önem&#34;]" data-rows="[{&#34;feature&#34;:&#34;Olasılık aksiyomları&#34;,&#34;values&#34;:[&#34;Temel sezgi&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;Conditional probability + Bayes&#34;,&#34;values&#34;:[&#34;Bayesian inference, classification&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;Independence&#34;,&#34;values&#34;:[&#34;Naive Bayes, feature independence&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Random variable&#34;,&#34;values&#34;:[&#34;ML modelleri probabilistic&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;PDF + CDF&#34;,&#34;values&#34;:[&#34;Distribution sampling&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Expected value (E[X])&#34;,&#34;values&#34;:[&#34;Loss function (cross-entropy E[log p])&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;Variance + std&#34;,&#34;values&#34;:[&#34;Uncertainty, regularization&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;Covariance + correlation&#34;,&#34;values&#34;:[&#34;Feature relationship, PCA&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Normal dağılım&#34;,&#34;values&#34;:[&#34;Çok yaygın ML modellerinde&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;Bernoulli + Binomial&#34;,&#34;values&#34;:[&#34;Binary classification&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Multinomial&#34;,&#34;values&#34;:[&#34;Multi-class classification&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Poisson&#34;,&#34;values&#34;:[&#34;Sayma verisi, Poisson regression&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Exponential&#34;,&#34;values&#34;:[&#34;Survival analysis&#34;,&#34;Düşük&#34;]},{&#34;feature&#34;:&#34;Beta + Gamma&#34;,&#34;values&#34;:[&#34;Conjugate priors&#34;,&#34;Orta (Bayesian)&#34;]},{&#34;feature&#34;:&#34;Maximum Likelihood Estimation (MLE)&#34;,&#34;values&#34;:[&#34;Tüm probabilistic model eğitimi&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;MAP (Maximum a Posteriori)&#34;,&#34;values&#34;:[&#34;MLE + prior (regularization)&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Hipotez testi&#34;,&#34;values&#34;:[&#34;A/B testing&#34;,&#34;Yüksek (Data Scientist için)&#34;]},{&#34;feature&#34;:&#34;Confidence interval&#34;,&#34;values&#34;:[&#34;Belirsizlik tahmini&#34;,&#34;Orta-yüksek&#34;]},{&#34;feature&#34;:&#34;p-value&#34;,&#34;values&#34;:[&#34;İstatistiksel anlamlılık&#34;,&#34;Yüksek (DS)&#34;]},{&#34;feature&#34;:&#34;Cohens d / effect size&#34;,&#34;values&#34;:[&#34;Pratik anlamlılık&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Type 1 / Type 2 hatası&#34;,&#34;values&#34;:[&#34;Hipotez testi yorumlama&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Central Limit Theorem&#34;,&#34;values&#34;:[&#34;Sampling teorisi&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Markov chain&#34;,&#34;values&#34;:[&#34;MCMC, language models&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Bayesian networks&#34;,&#34;values&#34;:[&#34;Probabilistic graphical models&#34;,&#34;Düşük (specialized)&#34;]}]"></comparison-table>

### 2.4 Optimization

<definition-box data-term="Optimization (En İyileme)" data-definition="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'."></definition-box>

**AI/ML için kritik konular:**

<comparison-table data-caption="Optimization — AI/ML Konuları" data-headers="[&#34;Konu&#34;,&#34;Ne için Lazım&#34;,&#34;Önem&#34;]" data-rows="[{&#34;feature&#34;:&#34;Convex vs Non-convex&#34;,&#34;values&#34;:[&#34;Function özellikleri, local vs global minimum&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Gradient Descent (vanilla)&#34;,&#34;values&#34;:[&#34;Temel NN eğitim algoritması&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;SGD (Stochastic GD)&#34;,&#34;values&#34;:[&#34;Mini-batch eğitim&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;Momentum&#34;,&#34;values&#34;:[&#34;Hızlandırılmış GD&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Adam optimizer&#34;,&#34;values&#34;:[&#34;Modern NN için varsayılan&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;AdamW&#34;,&#34;values&#34;:[&#34;Adam + weight decay&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Learning rate scheduling&#34;,&#34;values&#34;:[&#34;Cosine, step decay&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Newton method&#34;,&#34;values&#34;:[&#34;Second-order optimization&#34;,&#34;Düşük (pratik kullanım)&#34;]},{&#34;feature&#34;:&#34;L-BFGS&#34;,&#34;values&#34;:[&#34;Quasi-Newton&#34;,&#34;Düşük (pratik)&#34;]},{&#34;feature&#34;:&#34;Constrained optimization&#34;,&#34;values&#34;:[&#34;SVM, linear programming&#34;,&#34;Düşük&#34;]},{&#34;feature&#34;:&#34;Lagrange multipliers&#34;,&#34;values&#34;:[&#34;SVM kernel trick&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Convex optimization&#34;,&#34;values&#34;:[&#34;Linear/logistic regression&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Stochastic optimization&#34;,&#34;values&#34;:[&#34;Reinforcement learning&#34;,&#34;Düşük (RL specialized)&#34;]}]"></comparison-table>

### 2.5 Bilgi Teorisi (Information Theory)

<definition-box data-term="Bilgi Teorisi (Information Theory)" data-definition="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."></definition-box>

**AI/ML için kritik konular:**

<comparison-table data-caption="Bilgi Teorisi — AI/ML Konuları" data-headers="[&#34;Konu&#34;,&#34;Ne için Lazım&#34;,&#34;Önem&#34;]" data-rows="[{&#34;feature&#34;:&#34;Entropy (H(X))&#34;,&#34;values&#34;:[&#34;Belirsizlik ölçümü&#34;,&#34;Yüksek&#34;]},{&#34;feature&#34;:&#34;Cross-entropy&#34;,&#34;values&#34;:[&#34;Classification loss function&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;KL divergence&#34;,&#34;values&#34;:[&#34;Distribution farkı, VAE, GAN&#34;,&#34;Çok yüksek&#34;]},{&#34;feature&#34;:&#34;JS divergence&#34;,&#34;values&#34;:[&#34;KL&#39;in simetrik versiyonu&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Mutual information&#34;,&#34;values&#34;:[&#34;Feature selection&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Conditional entropy&#34;,&#34;values&#34;:[&#34;Decision tree, info gain&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Information gain&#34;,&#34;values&#34;:[&#34;Decision tree splitting&#34;,&#34;Orta&#34;]},{&#34;feature&#34;:&#34;Channel capacity&#34;,&#34;values&#34;:[&#34;Akademik, az pratik&#34;,&#34;Düşük&#34;]}]"></comparison-table>

## 3. İş Tipine Göre Matematik Derinliği

### 3.1 AI Engineer Matematik Gereksinimi (%30)

<callout-box data-variant="info" data-title="AI Engineer için yeterli matematik">

**Ne yapacaksın günde günde:**
- LangChain/LlamaIndex ile RAG kurma
- Prompt engineering
- Vector DB (Pinecone, Chroma) işlemleri
- API entegrasyonu (OpenAI, Claude)
- Streamlit / FastAPI deploy

**Hangi matematik LAZIM:**
- Vektör ne demek (sezgi seviyesinde)
- Embedding kavramı + cosine similarity
- Olasılık temel (token probability)
- Bazı istatistik (A/B test sonuçları)

**Hangi matematik LAZIM DEĞİL:**
- Backpropagation türev hesabı (zaten eğitilmiş model kullanıyorsun)
- Eigenvalue / SVD detayları (numpy yapıyor)
- Optimization theory (Adam optimizer'ı kullanıyorsun ama implement etmiyorsun)
- Bayesian networks
- Information theory derinliği (cross-entropy ne yaptığını biliyorsan yeterli)

**Toplam matematik öğrenme süresi:** 1-2 ay (haftada 5 saat).

</callout-box>

### 3.2 ML Engineer Matematik Gereksinimi (%60)

<callout-box data-variant="info" data-title="ML Engineer için gereken matematik">

**Ne yapacaksın günde günde:**
- Custom model eğitim (PyTorch/TF)
- Feature engineering
- Hyperparameter tuning
- Model deployment + monitoring
- Fine-tuning (LoRA, full)

**Hangi matematik LAZIM:**
- Lineer cebir orta seviye (matrix mult, eigenvalue intuition, SVD)
- Calculus orta seviye (gradient, chain rule, derivative)
- Olasılık + istatistik orta-derin (dağılımlar, MLE, hypothesis testing)
- Optimization (GD, SGD, Adam — nasıl çalıştıklarını anla)
- Bilgi teorisi temel (cross-entropy, KL)

**Hangi matematik LAZIM DEĞİL:**
- Real analysis (matematiksel temelin formal proof)
- Measure theory (probability'nin teorik temeli)
- Functional analysis
- Çok ileri optimization (interior point, semidefinite programming)

**Toplam matematik öğrenme süresi:** 4-6 ay (haftada 10 saat).

</callout-box>

### 3.3 Research Scientist Matematik Gereksinimi (%95)

<callout-box data-variant="info" data-title="Research Scientist için gereken matematik">

**Ne yapacaksın günde günde:**
- Yeni metod/algoritma geliştirme
- Paper yazma + matematiksel ispat
- Önceki paper'ları okuma + reproduce
- Akademi/sektör konferanslarına submit
- PhD seviyesinde detay

**Hangi matematik LAZIM:**
- Lineer cebir DERIN (functional analysis seviyesi)
- Calculus DERIN (real + complex analysis)
- Olasılık + istatistik DERIN (measure theory)
- Optimization DERIN (convex analysis, stochastic processes)
- Bilgi teorisi
- Spesifik: differential geometry (manifold learning), topological data analysis, category theory (graph NN)

**Toplam matematik öğrenme süresi:** 2-5 yıl (PhD süresi).

</callout-box>

## 4. Sıfırdan 6 Aylık Matematik Planı

### 4.1 Ay 1-2: Lineer Cebir

<comparison-table data-caption="Ay 1-2 Lineer Cebir Planı" data-headers="[&#34;Hafta&#34;,&#34;Konu&#34;,&#34;Kaynak&#34;]" data-rows="[{&#34;feature&#34;:&#34;Hafta 1&#34;,&#34;values&#34;:[&#34;Vektör + skaler + operations&#34;,&#34;3Blue1Brown &#39;Essence of Linear Algebra&#39; Chapters 1-3 (TR altyazı) + Khan Academy&#34;]},{&#34;feature&#34;:&#34;Hafta 2&#34;,&#34;values&#34;:[&#34;Matrix multiplication&#34;,&#34;3Blue1Brown Ch 4-5 + Gilbert Strang MIT 18.06 Lecture 1-3&#34;]},{&#34;feature&#34;:&#34;Hafta 3&#34;,&#34;values&#34;:[&#34;Inverse, determinant&#34;,&#34;Khan Academy + Gilbert Strang Lecture 4-7&#34;]},{&#34;feature&#34;:&#34;Hafta 4&#34;,&#34;values&#34;:[&#34;Vector space, basis&#34;,&#34;3Blue1Brown Ch 6-7 + Strang Lecture 8-10&#34;]},{&#34;feature&#34;:&#34;Hafta 5&#34;,&#34;values&#34;:[&#34;Eigenvalue + eigenvector&#34;,&#34;3Blue1Brown Ch 10-11 + Khan Academy&#34;]},{&#34;feature&#34;:&#34;Hafta 6&#34;,&#34;values&#34;:[&#34;SVD&#34;,&#34;3Blue1Brown Ch 14 + &#39;Mathematics for ML&#39; kitabı Ch 4&#34;]},{&#34;feature&#34;:&#34;Hafta 7&#34;,&#34;values&#34;:[&#34;Orthogonality, projections&#34;,&#34;Strang Lecture 15-17&#34;]},{&#34;feature&#34;:&#34;Hafta 8&#34;,&#34;values&#34;:[&#34;PCA pratik (uygulama)&#34;,&#34;Coursera Andrew Ng ML — PCA bölümü&#34;]}]"></comparison-table>

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

### 4.2 Ay 3: Calculus

<comparison-table data-caption="Ay 3 Calculus Planı" data-headers="[&#34;Hafta&#34;,&#34;Konu&#34;,&#34;Kaynak&#34;]" data-rows="[{&#34;feature&#34;:&#34;Hafta 9&#34;,&#34;values&#34;:[&#34;Türev temel&#34;,&#34;3Blue1Brown &#39;Essence of Calculus&#39; Ch 1-3 + Khan Academy&#34;]},{&#34;feature&#34;:&#34;Hafta 10&#34;,&#34;values&#34;:[&#34;Partial derivative + gradient&#34;,&#34;3Blue1Brown Multivariable Calculus + Khan Academy&#34;]},{&#34;feature&#34;:&#34;Hafta 11&#34;,&#34;values&#34;:[&#34;Chain rule + backpropagation&#34;,&#34;Andrej Karpathy &#39;micrograd&#39; YouTube + paper okuma&#34;]},{&#34;feature&#34;:&#34;Hafta 12&#34;,&#34;values&#34;:[&#34;Multi-variable optimization&#34;,&#34;Mathematics for ML Ch 5&#34;]}]"></comparison-table>

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

### 4.3 Ay 4-5: Olasılık + İstatistik

<comparison-table data-caption="Ay 4-5 Plan" data-headers="[&#34;Hafta&#34;,&#34;Konu&#34;,&#34;Kaynak&#34;]" data-rows="[{&#34;feature&#34;:&#34;Hafta 13&#34;,&#34;values&#34;:[&#34;Olasılık temel + conditional&#34;,&#34;Khan Academy Statistics + Probability&#34;]},{&#34;feature&#34;:&#34;Hafta 14&#34;,&#34;values&#34;:[&#34;Bayes theorem&#34;,&#34;StatQuest YouTube Bayesian playlist (TR altyazı)&#34;]},{&#34;feature&#34;:&#34;Hafta 15&#34;,&#34;values&#34;:[&#34;Distributions (Normal, Binomial, Poisson)&#34;,&#34;Khan Academy + StatQuest&#34;]},{&#34;feature&#34;:&#34;Hafta 16&#34;,&#34;values&#34;:[&#34;Expected value, variance&#34;,&#34;StatQuest + &#39;Think Stats&#39; kitabı (ücretsiz)&#34;]},{&#34;feature&#34;:&#34;Hafta 17&#34;,&#34;values&#34;:[&#34;MLE + MAP&#34;,&#34;StatQuest MLE + MAP videos&#34;]},{&#34;feature&#34;:&#34;Hafta 18&#34;,&#34;values&#34;:[&#34;Hypothesis testing&#34;,&#34;Khan Academy + &#39;Think Stats&#39;&#34;]},{&#34;feature&#34;:&#34;Hafta 19&#34;,&#34;values&#34;:[&#34;A/B testing&#34;,&#34;Coursera &#39;A/B Testing&#39; (Google) + Eppo blog&#34;]},{&#34;feature&#34;:&#34;Hafta 20&#34;,&#34;values&#34;:[&#34;Bayesian inference temel&#34;,&#34;&#39;Bayesian Statistics: The Fun Way&#39; kitabı&#34;]}]"></comparison-table>

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

### 4.4 Ay 6: Optimization + Bilgi Teorisi

<comparison-table data-caption="Ay 6 Plan" data-headers="[&#34;Hafta&#34;,&#34;Konu&#34;,&#34;Kaynak&#34;]" data-rows="[{&#34;feature&#34;:&#34;Hafta 21&#34;,&#34;values&#34;:[&#34;Gradient descent + SGD&#34;,&#34;Mathematics for ML Ch 7&#34;]},{&#34;feature&#34;:&#34;Hafta 22&#34;,&#34;values&#34;:[&#34;Adam optimizer + momentum&#34;,&#34;Andrew Ng Deep Learning Specialization (optim bölümü)&#34;]},{&#34;feature&#34;:&#34;Hafta 23&#34;,&#34;values&#34;:[&#34;Entropy + cross-entropy&#34;,&#34;StatQuest Information Theory + Andrew Ng&#34;]},{&#34;feature&#34;:&#34;Hafta 24&#34;,&#34;values&#34;:[&#34;KL divergence&#34;,&#34;StatQuest KL + paper okuma (VAE&#39;de KL)&#34;]}]"></comparison-table>

**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. En İyi Kaynaklar — Detaylı

### 5.1 YouTube Kanalları

<comparison-table data-caption="AI Matematik YouTube Kanalları" data-headers="[&#34;Kanal&#34;,&#34;Konu&#34;,&#34;Dil&#34;,&#34;Özelliği&#34;]" data-rows="[{&#34;feature&#34;:&#34;3Blue1Brown (Grant Sanderson)&#34;,&#34;values&#34;:[&#34;Lineer cebir, calculus, ML&#34;,&#34;İngilizce (TR altyazı)&#34;,&#34;Sezgi şampiyonu, görsel&#34;]},{&#34;feature&#34;:&#34;StatQuest (Josh Starmer)&#34;,&#34;values&#34;:[&#34;İstatistik, ML algoritmaları&#34;,&#34;İngilizce&#34;,&#34;Şarkı + sezgi&#34;]},{&#34;feature&#34;:&#34;Khan Academy (Sal Khan)&#34;,&#34;values&#34;:[&#34;Genel matematik&#34;,&#34;İngilizce + TR&#34;,&#34;Interactive exercises&#34;]},{&#34;feature&#34;:&#34;Andrej Karpathy&#34;,&#34;values&#34;:[&#34;Neural network deep&#34;,&#34;İngilizce&#34;,&#34;Scratch implementation&#34;]},{&#34;feature&#34;:&#34;MIT OpenCourseWare (Strang)&#34;,&#34;values&#34;:[&#34;Lineer Cebir 18.06&#34;,&#34;İngilizce&#34;,&#34;Akademik klasik&#34;]},{&#34;feature&#34;:&#34;Yannic Kilcher&#34;,&#34;values&#34;:[&#34;AI paper okumaları&#34;,&#34;İngilizce&#34;,&#34;Modern paper analysis&#34;]},{&#34;feature&#34;:&#34;Two Minute Papers&#34;,&#34;values&#34;:[&#34;AI/ML paper özetleri&#34;,&#34;İngilizce&#34;,&#34;Kısa pratik&#34;]},{&#34;feature&#34;:&#34;BTK Akademi (Türk)&#34;,&#34;values&#34;:[&#34;Matematik temel&#34;,&#34;Türkçe&#34;,&#34;Tam ücretsiz&#34;]},{&#34;feature&#34;:&#34;Atıl Samancıoğlu&#34;,&#34;values&#34;:[&#34;Python + AI&#34;,&#34;Türkçe&#34;,&#34;Türkçe AI eğitim&#34;]}]"></comparison-table>

### 5.2 Ücretsiz Online Kurslar

<comparison-table data-caption="Ücretsiz AI Matematik Kursları" data-headers="[&#34;Kurs&#34;,&#34;Platform&#34;,&#34;Süre&#34;]" data-rows="[{&#34;feature&#34;:&#34;Mathematics for Machine Learning Specialization&#34;,&#34;values&#34;:[&#34;Coursera (Imperial College)&#34;,&#34;3 ay (Financial Aid free)&#34;]},{&#34;feature&#34;:&#34;Linear Algebra for ML&#34;,&#34;values&#34;:[&#34;DeepLearning.AI Coursera&#34;,&#34;1 ay&#34;]},{&#34;feature&#34;:&#34;Calculus for ML and Data Science&#34;,&#34;values&#34;:[&#34;DeepLearning.AI&#34;,&#34;1 ay&#34;]},{&#34;feature&#34;:&#34;Probability and Statistics for ML&#34;,&#34;values&#34;:[&#34;DeepLearning.AI&#34;,&#34;1 ay&#34;]},{&#34;feature&#34;:&#34;MIT 18.06 Linear Algebra&#34;,&#34;values&#34;:[&#34;MIT OCW&#34;,&#34;12 hafta&#34;]},{&#34;feature&#34;:&#34;MIT 18.01 Single Variable Calculus&#34;,&#34;values&#34;:[&#34;MIT OCW&#34;,&#34;12 hafta&#34;]},{&#34;feature&#34;:&#34;Khan Academy Statistics & Probability&#34;,&#34;values&#34;:[&#34;Khan Academy&#34;,&#34;Self-paced&#34;]},{&#34;feature&#34;:&#34;BTK Akademi Lineer Cebir&#34;,&#34;values&#34;:[&#34;BTK&#34;,&#34;Türkçe ücretsiz&#34;]}]"></comparison-table>

### 5.3 Kitaplar — Sıralı Tavsiye

<comparison-table data-caption="AI Matematik Kitapları (Sıralı)" data-headers="[&#34;Kitap&#34;,&#34;Yazar&#34;,&#34;Seviye&#34;,&#34;Ücret&#34;]" data-rows="[{&#34;feature&#34;:&#34;Mathematics for Machine Learning&#34;,&#34;values&#34;:[&#34;Deisenroth, Faisal, Ong&#34;,&#34;Başlangıç-Orta&#34;,&#34;ÜCRETSİZ PDF (mml-book.github.io)&#34;]},{&#34;feature&#34;:&#34;Linear Algebra Done Right&#34;,&#34;values&#34;:[&#34;Sheldon Axler&#34;,&#34;Orta&#34;,&#34;$45&#34;]},{&#34;feature&#34;:&#34;The Matrix Cookbook&#34;,&#34;values&#34;:[&#34;Petersen, Pedersen&#34;,&#34;Reference&#34;,&#34;ÜCRETSİZ PDF&#34;]},{&#34;feature&#34;:&#34;Think Stats&#34;,&#34;values&#34;:[&#34;Allen Downey&#34;,&#34;Başlangıç&#34;,&#34;ÜCRETSİZ PDF&#34;]},{&#34;feature&#34;:&#34;Pattern Recognition and Machine Learning&#34;,&#34;values&#34;:[&#34;Bishop&#34;,&#34;Orta-İleri&#34;,&#34;$80 (klasik)&#34;]},{&#34;feature&#34;:&#34;Deep Learning&#34;,&#34;values&#34;:[&#34;Goodfellow, Bengio, Courville&#34;,&#34;İleri&#34;,&#34;ÜCRETSİZ (deeplearningbook.org)&#34;]},{&#34;feature&#34;:&#34;Convex Optimization&#34;,&#34;values&#34;:[&#34;Boyd, Vandenberghe&#34;,&#34;İleri&#34;,&#34;ÜCRETSİZ PDF&#34;]},{&#34;feature&#34;:&#34;Bayesian Statistics: The Fun Way&#34;,&#34;values&#34;:[&#34;Will Kurt&#34;,&#34;Başlangıç&#34;,&#34;$25&#34;]},{&#34;feature&#34;:&#34;Statistical Rethinking&#34;,&#34;values&#34;:[&#34;Richard McElreath&#34;,&#34;Orta&#34;,&#34;$80 + ÜCRETSİZ video&#34;]},{&#34;feature&#34;:&#34;Elements of Statistical Learning&#34;,&#34;values&#34;:[&#34;Hastie, Tibshirani, Friedman&#34;,&#34;İleri&#34;,&#34;ÜCRETSİZ PDF&#34;]}]"></comparison-table>

### 5.4 Türkçe Kaynaklar

<callout-box data-variant="tip" data-title="Türkçe öğrenme kaynakları">

**Türkçe için altın kaynak:** 3Blue1Brown YouTube'da "ayarlar → altyazı → Türkçe" — sezgi şampiyonu serisi tamamı Türkçe.

**Khan Academy:** tr.khanacademy.org — temel matematik (calculus + lineer cebir + olasılık) tamamı Türkçe ücretsiz.

**BTK Akademi:** btkakademi.gov.tr — Lineer Cebir, İstatistik, Olasılık kursları Türk hocalar tarafından ücretsiz.

**Veri Bilimi Türkiye Discord:** matematik soru-cevap aktif.

**YouTube Türk hocalar:** Atıl Samancıoğlu Python + ML, MathDoesMagic Türkçe matematik.

**Türkçe kitap:** "Veri Bilimi için Lineer Cebir" (Buğra Kabakulak), "Yapay Zeka için Matematik" (çeviri kitaplar).

</callout-box>

## 6. Andrew Ng vs Andrej Karpathy — İki Yaklaşım

İki ünlü AI eğitmen, iki farklı pedagojik yaklaşım:

<comparison-table data-caption="Ng vs Karpathy Yaklaşımı" data-headers="[&#34;Boyut&#34;,&#34;Andrew Ng&#34;,&#34;Andrej Karpathy&#34;]" data-rows="[{&#34;feature&#34;:&#34;Felsefe&#34;,&#34;values&#34;:[&#34;Pratik sezgi + minimum formul&#34;,&#34;Derinlik + scratch implementation&#34;]},{&#34;feature&#34;:&#34;Matematik derinlik&#34;,&#34;values&#34;:[&#34;Orta — yeterli minimum&#34;,&#34;Yüksek — her detay&#34;]},{&#34;feature&#34;:&#34;Hedef öğrenci&#34;,&#34;values&#34;:[&#34;AI Engineer, ML Engineer&#34;,&#34;Research Scientist, ML Engineer derinleşen&#34;]},{&#34;feature&#34;:&#34;İlk kurs&#34;,&#34;values&#34;:[&#34;Coursera ML Specialization&#34;,&#34;YouTube Zero to Hero serisi&#34;]},{&#34;feature&#34;:&#34;Süre&#34;,&#34;values&#34;:[&#34;3 ay (120 saat)&#34;,&#34;12+ saat (yoğun)&#34;]},{&#34;feature&#34;:&#34;Format&#34;,&#34;values&#34;:[&#34;Slide + lecture + quiz + lab&#34;,&#34;Live coding + paper deep-dive&#34;]},{&#34;feature&#34;:&#34;Dil&#34;,&#34;values&#34;:[&#34;İngilizce + TR altyazı&#34;,&#34;İngilizce&#34;]},{&#34;feature&#34;:&#34;Avantaj&#34;,&#34;values&#34;:[&#34;Yapılandırılmış müfredat&#34;,&#34;Derinden anlama, scratch çalışma&#34;]},{&#34;feature&#34;:&#34;Dezavantaj&#34;,&#34;values&#34;:[&#34;Bazı detay kaçırılır&#34;,&#34;Steep learning curve&#34;]}]"></comparison-table>

### 6.1 Önerilen Hibrit Yol

<callout-box data-variant="answer" data-title="En etkili kombinasyon">

(1) **Önce Andrew Ng** ML + DL Specialization (3-4 ay) — yapılandırılmış başlangıç + sertifika

(2) **Sonra Andrej Karpathy** Zero to Hero serisi — micrograd → GPT scratch'tan implement, derinleşme

(3) **Paralel 3Blue1Brown** — matematik sezgi her hafta 1-2 video

Bu kombinasyon 6 ayda hem geniş hem derin temel sağlar.

</callout-box>

## 7. Ezber vs Sezgi — Pratik Tavsiye

<callout-box data-variant="warning" data-title="EZBERLEMEYE GEREK YOK olanlar">

Bu formülleri ezberlemekten önemli olan ne yaptığını anlamak. Python (numpy, scipy) işi yapar.

(1) **Matrix inverse formülü:** numpy.linalg.inv yapar
(2) **Eigenvalue hesabı:** numpy.linalg.eig yapar
(3) **SVD:** numpy.linalg.svd yapar
(4) **Normal dağılım PDF formülü:** scipy.stats.norm.pdf yapar
(5) **Bayesian inference math:** PyMC / Stan yapar
(6) **Gradient hesabı:** PyTorch autograd yapar
(7) **Backpropagation matematiksel detayı:** PyTorch backward yapar
(8) **Adam optimizer step formülü:** torch.optim.Adam yapar

</callout-box>

<callout-box data-variant="answer" data-title="SEZGİ İLE ANLAMAK ÖNEMLİ olanlar">

(1) **Embedding ne demek?** — Vektör temsil, neden similarity ölçülür
(2) **Gradient descent NE yapar?** — Loss'u minimize etmek için en dik iniş
(3) **Overfitting matematiği NE?** — Bias-variance tradeoff
(4) **Regularization NEDEN çalışır?** — L1/L2 weight magnitude'u sınırlar
(5) **Backprop NE yapar?** — Chain rule ile her parameter'ın gradient'i
(6) **Cross-entropy NE ölçer?** — İki distribution arası fark
(7) **KL divergence NEDEN simetrik değil?** — Information theory yorumu
(8) **MLE neden iyi estimator?** — Asymptotic properties

Bu kavramları sezgi seviyesinde anla, formul ezberlemekten önemli.

</callout-box>

## 8. Mülakat Matematik Soruları

### 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

<howto-steps data-name="ML Mülakat Matematik Hazırlık" data-steps="[{&#34;name&#34;:&#34;Pattern Recognition and Machine Learning (Bishop) Ch 1-3 oku&#34;,&#34;text&#34;:&#34;Klasik ML temelleri — linear models, probability&#34;},{&#34;name&#34;:&#34;100-page ML Book (Burkov) oku&#34;,&#34;text&#34;:&#34;Hızlı özet referans&#34;},{&#34;name&#34;:&#34;StatQuest &#39;Bias-Variance Tradeoff&#39; + &#39;Cross-Validation&#39; izle&#34;,&#34;text&#34;:&#34;İki kritik kavram&#34;},{&#34;name&#34;:&#34;Karpathy &#39;micrograd&#39; implement&#34;,&#34;text&#34;:&#34;Backprop derinden anlama&#34;},{&#34;name&#34;:&#34;Andrew Ng DL Specialization Quiz&#39;ler&#34;,&#34;text&#34;:&#34;Math sorularla pratik&#34;},{&#34;name&#34;:&#34;Glassdoor Trendyol/Getir mülakat soruları&#34;,&#34;text&#34;:&#34;Türk şirket mülakat tarz&#34;},{&#34;name&#34;:&#34;Mock interview&#34;,&#34;text&#34;:&#34;Arkadaşla pratik (Pramp, interviewing.io platformları)&#34;}]"></howto-steps>

## 9. Sık Sorulan Matematik Sorusu Cevapları

### 9.1 "Bias-Variance Tradeoff Nedir?"

<callout-box data-variant="answer" data-title="Cevap">

Model error'u 3 bileşene ayrılır:
- **Bias:** Modelin gerçek pattern'a sistematik uzaklığı (underfit göstergesi)
- **Variance:** Farklı eğitim verilerinde modelin değişkenliği (overfit göstergesi)
- **Irreducible error:** Verideki noise

**Trade-off:** Modeli daha karmaşık yaparsan bias azalır AMA variance artar. Optimal denge — generalization'ın anahtarı.

**Pratik:** Cross-validation ile ikisini ayrıştır. Train-test gap büyükse variance yüksek (over), ikisi de yüksekse bias yüksek (under).

</callout-box>

### 9.2 "Gradient Descent Nasıl Çalışır?"

<callout-box data-variant="answer" data-title="Cevap">

Loss function f(θ) için optimal θ* bulmak için:

**Adım:**
1. Rastgele θ ile başla
2. Gradient ∇f(θ) hesapla (parameter'lara göre türev)
3. θ ← θ - α × ∇f(θ) (α = learning rate)
4. Yakınsayana kadar tekrarla

**Neden çalışır:** Gradient — en dik yükseliş yönü. Tersi (-gradient) — en dik iniş. Her adımda loss azalır (uygun α ile).

**Varyantlar:**
- **SGD:** Tek örnekle gradient hesapla (gürültülü ama hızlı)
- **Mini-batch:** Küçük batch (32-256) ile gradient — modern standart
- **Adam:** Adaptive learning rate + momentum (önerilen default)

</callout-box>

### 9.3 "Backpropagation Nasıl Çalışır?"

<callout-box data-variant="answer" data-title="Cevap">

Neural network'ün her parametre'sinin loss'a göre gradient'ini chain rule ile hesaplamak.

**Sezgi:** Forward pass'te girdiden çıktıya doğru hesapla. Sonra çıktıdan girdiye doğru (geri) chain rule ile her gradient'i hesapla.

**Chain rule:** ∂L/∂w = ∂L/∂y × ∂y/∂w

**Pratik:** PyTorch autograd otomatik yapar. Sen sadece forward pass'i yaz, <code>.backward()</code> çağır.

**Karpathy micrograd:** ~100 satır Python ile backprop scratch implement. Derinden anlama için altın.

</callout-box>

### 9.4 "L1 vs L2 Regularization Farkı?"

<callout-box data-variant="answer" data-title="Cevap">

İkisi de weight'lere ceza ekler.

- **L1 (Lasso):** ∑|w| — weight'leri TAM SIFIR yapma eğilimi (sparse model)
- **L2 (Ridge):** ∑w² — weight'leri KÜÇÜK yapma eğilimi (smooth shrinkage)

**Geometrik:** L1 contour diamond, L2 contour circle. Loss + L1 → corner'da kesişme → sparse. Loss + L2 → smooth solution.

**Pratik:** Feature selection için L1. Genel regularization için L2 (daha yaygın). Elastic net: ikisi karışım.

</callout-box>

## 10. Sık Sorulanlar

**Soru: Matematik olmadan AI öğrenebilir miyim?**

<callout-box data-variant="answer" data-title="AI Engineer için: kısmen evet">

LangChain + RAG + agent kuran AI Engineer rolü için matematik %30 (sezgi seviyesinde) yeterli. ML Engineer veya Research için yetmez. Pratik yaklaşım: önce AI Engineer olarak iş bul (3-6 ay), sonra paralel olarak matematik öğren ML Engineer'a geçiş için.

</callout-box>

**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.

## 11. Sonuç ve 30 Günlük Eylem Planı

**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.

<references-list data-items="[{&#34;title&#34;:&#34;Mathematics for Machine Learning (ücretsiz PDF)&#34;,&#34;url&#34;:&#34;https://mml-book.github.io&#34;,&#34;author&#34;:&#34;Deisenroth, Faisal, Ong&#34;,&#34;publishedAt&#34;:&#34;2020&#34;,&#34;publisher&#34;:&#34;Cambridge University Press&#34;},{&#34;title&#34;:&#34;3Blue1Brown&#34;,&#34;url&#34;:&#34;https://www.3blue1brown.com&#34;,&#34;author&#34;:&#34;Grant Sanderson&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;YouTube&#34;},{&#34;title&#34;:&#34;Khan Academy Math&#34;,&#34;url&#34;:&#34;https://www.khanacademy.org/math&#34;,&#34;author&#34;:&#34;Khan Academy&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;Khan Academy&#34;},{&#34;title&#34;:&#34;MIT 18.06 Linear Algebra&#34;,&#34;url&#34;:&#34;https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010&#34;,&#34;author&#34;:&#34;Gilbert Strang&#34;,&#34;publishedAt&#34;:&#34;2010&#34;,&#34;publisher&#34;:&#34;MIT OCW&#34;},{&#34;title&#34;:&#34;StatQuest with Josh Starmer&#34;,&#34;url&#34;:&#34;https://www.youtube.com/c/joshstarmer&#34;,&#34;author&#34;:&#34;Josh Starmer&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;YouTube&#34;},{&#34;title&#34;:&#34;Andrej Karpathy YouTube&#34;,&#34;url&#34;:&#34;https://www.youtube.com/@AndrejKarpathy&#34;,&#34;author&#34;:&#34;Andrej Karpathy&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;YouTube&#34;},{&#34;title&#34;:&#34;DeepLearning.AI Math for ML Specialization&#34;,&#34;url&#34;:&#34;https://www.coursera.org/specializations/mathematics-for-machine-learning-and-data-science&#34;,&#34;author&#34;:&#34;Luis Serrano&#34;,&#34;publishedAt&#34;:&#34;2024&#34;,&#34;publisher&#34;:&#34;Coursera&#34;},{&#34;title&#34;:&#34;BTK Akademi&#34;,&#34;url&#34;:&#34;https://www.btkakademi.gov.tr&#34;,&#34;author&#34;:&#34;BTK&#34;,&#34;publishedAt&#34;:&#34;2026&#34;,&#34;publisher&#34;:&#34;T.C. Cumhurbaşkanlığı&#34;},{&#34;title&#34;:&#34;Pattern Recognition and Machine Learning&#34;,&#34;url&#34;:&#34;https://www.microsoft.com/en-us/research/people/cmbishop&#34;,&#34;author&#34;:&#34;Christopher Bishop&#34;,&#34;publishedAt&#34;:&#34;2006&#34;,&#34;publisher&#34;:&#34;Springer&#34;},{&#34;title&#34;:&#34;Think Stats&#34;,&#34;url&#34;:&#34;https://greenteapress.com/wp/think-stats-2e&#34;,&#34;author&#34;:&#34;Allen Downey&#34;,&#34;publishedAt&#34;:&#34;2014&#34;,&#34;publisher&#34;:&#34;Green Tea Press&#34;},{&#34;title&#34;:&#34;Deep Learning Book&#34;,&#34;url&#34;:&#34;https://www.deeplearningbook.org&#34;,&#34;author&#34;:&#34;Goodfellow, Bengio, Courville&#34;,&#34;publishedAt&#34;:&#34;2016&#34;,&#34;publisher&#34;:&#34;MIT Press&#34;},{&#34;title&#34;:&#34;Convex Optimization&#34;,&#34;url&#34;:&#34;https://web.stanford.edu/~boyd/cvxbook&#34;,&#34;author&#34;:&#34;Boyd, Vandenberghe&#34;,&#34;publishedAt&#34;:&#34;2004&#34;,&#34;publisher&#34;:&#34;Cambridge&#34;}]"></references-list>