Kendimi ve yeteneklerimi keşfedin
Eskişehir Teknik Üniversitesi Bilgisayar Mühendisliği 4. sınıf öğrencisiyim. Yapay zeka, makine öğrenmesi ve bilgisayarla görü alanlarında kendimi geliştirmeye odaklanmaktayım.
Derin öğrenme mimarileri, model yönetimi ve MLOps süreçlerine ilgi duyuyorum. Sürekli araştıran, yeni teknolojileri takip eden ve öğrendiklerini projelere dönüştüren biriyim. Takım çalışmasına ve sürekli gelişime önem veriyorum.
OOP, Fonksiyonel Programlama, Hata Yakalama, File I/O
NumPy, Pandas, Veri Önişleme/Temizleme, Veri Görselleştirme, Matplotlib, Seaborn
Scikit-learn, TensorFlow, PyTorch, Derin Öğrenme Mimarileri
OpenCV, Görüntü Sınıflandırma/Segmentasyon, Nesne Tespiti
MLflow, DVC, DAGsHub, Docker, Model Dağıtımı, MinIO
Flask, FastAPI, RESTful API, Swagger, JSON, Model Serving, Docker Compose
Akademik yolculuğum
Yapay Zeka ve Makine Öğrenmesi Yandal Programı | 2023 - Devam Ediyor
GPA: 4.00 / 4.00
Bazı Aldığım Dersler:
Bilgisayar Mühendisliği | 2022 - Devam ediyor
4. Sınıf
GPA: 3.86 / 4.00
Bazı Aldığım Dersler:
Profesyonel kariyerim
ACD Veri Mühendisliği | Temmuz 2025 - Ağustos 2025
Makine öğrenmesi ve bilgisayarla görme projelerinde literatür araştırması yaptım, hiperspektral görüntüler üzerinde çalıştım. Ayrıca bir proje kapsamında kapsamında veri analizi, model eğitimi ve backend geliştirme süreçlerinde görev aldım.
TÜBİTAK Projesi (Akademik) | Haziran 2025 - Devam Ediyor
Araç hareketlerinin anlamlandırılması üzerine yürütülen projede bursiyer olarak çalışıyorum. Projede veri etiketleme ve yapay zeka modellerinin eğitilmesi süreçlerinde görev alıyorum.
Yapmış olduğum veya üzerine çalıştığım projelerimi keşfedin
Fisheye kamera görüntülerinde nesne tespitiyle ilgili zorlukları ele alan derin öğrenme tabanlı bir bilgisayarla görü projesidir. FishEye8K veri seti kullanılarak; araç, yaya, kamyon, otobüs ve bisiklet sınıflarının tespiti için YOLOv8, Faster R-CNN, RetinaNet ve YOLOv8-Seg gibi son teknoloji birçok model değerlendirilmiştir. Proje kapsamında ayrıca, görüntüler, videolar ve toplu veri üzerinde gerçek zamanlı tespit yapabilen, segmentasyon bindirme desteği sunan bir Flask web uygulaması geliştirilmiştir.
Bu proje, Vision Transformer (ViT) mimarisinin tamamen sıfırdan PyTorch ile gerçekleştirilmiş bir uygulamasını sunmakta ve çöp sınıflandırma problemine uygulanmaktadır. "An Image is Worth 16x16 Words" başlıklı çığır açıcı çalışmadan ilham alınarak geliştirilen model, görüntüleri parçalara ayırarak bu yamaları birer dizi (sequence) olarak işler ve transformer tabanlı öğrenme gerçekleştirir. Projede; standart eğitim, gradyan kırpma (gradient clipping) ve öğrenme oranı zamanlayıcısı (scheduler) gibi çeşitli eğitim stratejileriyle birlikte Adam, SGD ve RMSprop gibi farklı optimizer karşılaştırmaları da yapılmış, ViT modelinin eğitim dinamiklerine dair derinlemesine bir bakış sunulmuştur.
Bu proje, tıbbi görüntü sınıflandırmasına odaklanan bir çalışmadır. X-ray beyin taramalarını Sağlıklı ve Tümörlü olarak sınıflandırmayı amaçlayan projede hem özel tasarlanmış CNN mimarileri hem de ResNet50, MobileNetV2 ve DenseNet121 gibi önceden eğitilmiş modeller kullanılmıştır. Model başarımını artırmak amacıyla histogram eşitleme ve veri artırma (data augmentation) gibi ön işleme tekniklerine özellikle önem verilmiştir. En yüksek başarıyı sağlayan model olan Basic CNN 1, %95 doğruluk elde ederek, hafif yapılı CNN mimarilerinin medikal uygulamalardaki potansiyelini ortaya koymuştur.
Bu proje, kredi kartı dolandırıcılığını tespit etmek amacıyla sıfırdan Python ile geliştirilmiş tam kapsamlı bir Self-Organizing Map (SOM) uygulamasıdır. Denetimsiz öğrenmeye dayanan bu yaklaşım, SOM'ların etiketli verilere ihtiyaç duymadan başvuruları kümeleyerek anormal davranışları nasıl işaretleyebileceğini göstermektedir. Notebook ortamında, dolandırıcılığa yatkın bölgeler winner map aracılığıyla görselleştirilmiştir. Ayrıca, SOM'un temel işlevlerini doğrulamak için özel olarak geliştirilmiş bir test altyapısı da projeye entegre edilmiştir.
Bu proje, Lucas-Kanade yöntemiyle gerçek zamanlı optik akış (optical flow) tahminini gerçekleştirmektedir. Kareler arasındaki nesne hareketlerini yönü renkle, hızı ise parlaklıkla gösteren renk kodlamalı hareket vektörleriyle görselleştirir. Hem webcam akışlarını hem de görüntü çiftlerini desteklemektedir. Yumuşatma, adım boyu (stride) ve çözünürlük gibi parametreler özelleştirilebilir şekilde sunulmuştur. Sahne içindeki dinamik hareketlerin anlaşılması açısından ideal bir uygulamadır.
1800'den fazla ISUF konferans katılımcısına ait veri kümesi temizlenmiş ve analiz edilmiştir. Eksik veri tamamlama, kategorik normalizasyon ve benzer kayıtların tespiti için RapidFuzz ile bulanık eşleştirme gibi veri düzenleme (data wrangling) teknikleri uygulanmıştır. Keşifsel veri analizi (EDA) gerçekleştirilmiş; cinsiyet, ülke, unvan ve katılım yılına göre eğilimleri ortaya koyan görselleştirmeler oluşturulmuştur.
Yazılarım ve düşüncelerim
Benimle iletişime geçin
