Yapay Zekâ & Makine Öğrenmesi

Tahmin, sınıflandırma ve görüntü işleme problemleri için Python, TensorFlow ve scikit-learn ile makine öğrenmesi ve derin öğrenme modelleri geliştiriyorum. Önce verinin ne söylediğine bakıyor, problemi ölçülebilir bir hedefe çeviriyor, sonra işe yarayan en basit modelden başlayarak ilerliyorum.

Bu alandaki iki çalışmam yayımlandı: CNN ile GRU'yu birleştiren CGU modeli Egyptian Informatics Journal'da (Elsevier) yayımlandı; baraj su seviyesi tahmini çalışması ICHORA 2024'te sunuldu ve IEEE Xplore'da indekslendi. Bilgisayarlı görüde Faster R-CNN ile gerçek zamanlı nesne tespiti ve takibi, ayrıca VGG16/VGG19 ile histopatolojik görüntü sınıflandırması üzerinde çalıştım.

Neler dahil

• Problemin ve başarı ölçütünün birlikte tanımlanması
• Derin öğrenme mimarisi tasarımı (ör. CNN + GRU; NAS ve Bayesian optimizasyonla model arama)
• Az veride önceden eğitilmiş modellerle transfer öğrenme (ör. VGG16/VGG19)
• Model seçimi, eğitim ve hiperparametre optimizasyonu
• İşe uygun metriklerle değerlendirme (ör. F1, ROC-AUC, R²)
• Sonuçların ve modelin sınırlarının anlaşılır bir raporla paylaşılması

Süreç

1. Problemi tanımlıyoruz Neyi tahmin etmek ya da sınıflandırmak istediğinizi ve sonucun neye göre başarılı sayılacağını netleştiriyoruz.
2. Veriyi inceliyorum Keşifsel analizle verinin kalitesini, eksiklerini ve sonucu etkileyen değişkenleri ortaya çıkarıyorum.
3. Modelleri kurup karşılaştırıyorum Basit referans modellerden başlayıp daha güçlü yöntemleri aynı ölçütlerle karşılaştırıyorum.
4. Sonucu raporluyorum Modelin ne kadar iyi çalıştığını ve nerede yanılabileceğini açıkça paylaşıyorum.

Teknolojiler

Python, TensorFlow, Keras, PyTorch, scikit-learn, XGBoost, Pandas, OpenCV

Örnek projeler

• Zaman Serisi Modelleriyle Baraj Su Seviyesi Tahmini
• Müşteri Kaybı Analizi
• NAS Tabanlı Bayesian Optimizasyonlu CGU (CNN-GRU Birleşik) Modeli
• Gerçek Zamanlı Nesne Tespiti & Takibi (Faster R-CNN + RNN)

Sık sorulan sorular

Ne kadar veriye ihtiyaç var?

Probleme göre değişir. Elinizdeki veriyi gördükten sonra yeterli olup olmadığını açıkça söylüyorum. Veri azsa önceden eğitilmiş modellerle transfer öğrenme iyi bir başlangıç olabilir; histopatoloji projesinde ImageNet ile eğitilmiş VGG16 ve VGG19'u bu şekilde kullandım.

Doğruluk oranı tek başına yeterli mi?

Çoğu zaman değil. Dengesiz veride yüksek doğruluk yanıltıcı olabilir; bu yüzden F1, precision/recall ya da ROC-AUC gibi işe uygun ölçütlerle değerlendiriyorum.

Süre ve fiyat nasıl belirleniyor?

İşin kapsamına göre. Ne istediğinizi kısaca yazmanız yeterli; veriyi ve başarı ölçütünü gördükten sonra size süreyi ve fiyatı içeren bir teklif iletiyorum.