VB10
commented
3 weeks ago Merhaba @thealper2, staj başvurun başarı ile taglendi.. Lütfen staj bulduktan sonra buraya gelip kapatmayı unutma. Şimdiden bol şans ve sakın unutma staj ne başlangıç ne son çok çalışmak lazım.
Kişisel:
Kendin Hakkında (kendini anlatmak istersen):
Ben Alper, bilgisayar mühendisliği son sınıf öğrencisiyim ve veri bilimi ile siber güvenlik alanlarında tutkulu bir araştırmacıyım. Bilgisayar bilimlerindeki derin bilgi birikimim ve pratik deneyimlerimle, veri odaklı projeler geliştiriyor ve siber tehditlerin analizini yaparak etkin çözümler üretiyorum. Python, R ve SQL gibi araçlarla sıkı çalışıyorum ve makine öğrenimi, veri madenciliği ve yapay zeka gibi alanlarda uzmanlaşıyorum. Bu becerilerimi endüstri standartlarına uygun olarak uygulayarak, işletmelerin veri güvenliği konusundaki ihtiyaçlarını karşılamak ve siber tehditlerle mücadele etmek için çözümler sunmayı hedefliyorum. İşbirliğine ve sürekli öğrenmeye her zaman açığım, bu nedenle yeni projelerde yer almak ve sektördeki gelişmeleri takip etmek için heyecan duyuyorum.
Teknik (Örnek projeler, linkleri ve detayları)
[GATOR-SEC](), Jetson Nano üzerinde çalışan derin öğrenme tabanlı bir güvenlik duvarı uygulamasıdır. Arayüzü AdminLTE şeması kullanılarak Flask ile geliştirilmiştir. Yakalan her bir istek, mesaj ve paket MongoDB üzerinde depolanmıştır. CNN, DenseNet, RNN, LSTM, GRU, Bi-LSTM modelleri eğitilerek başarılı sonuç verenler uygun görev için kullanılmıştır. İçerisinde 3 görev için model bulunmaktadır; Zararlı Web Sorgularının Tespiti, Spam Tespiti ve Web Paketlerinin Sınıflandırılması. Şuan bir makale hazırladığım için kodları paylaşamıyorum.
G4T0R, TEKNOFEST 2023 Türkçe Doğal Dil İşleme yarışmasında 15 bin adet sosyal medya yorumundan oluşan veri seti kullanılarak bu yorumlar 5 sınıfta etiketlenmiştir. BERT-Base modeli kullanılarak %92.5 doğruluk skoru elde edilmiştir. Oluşturulan model bir gradio uygulaması HuggingFace platformu üzerinde canlıya alınmıştır.
pescanner, Zararlı PE (Portable Executable) dosyalarını tespit eden makine öğrenmesi tabanlı bir uygulamadır. Parametre olarak verilen dosyayı veya verilen dizindeki dosyaları "pefile" kütüphanesi kullanarak çıkardığı özelliklerle sınıflandırır. 20 bin adet PE dosya başlığından oluşan veri seti kullanılmıştır. RandomOverSampler ile sentetik veri üretilmiş, özellik seçimi yapılarak 63 adet özellik kullanılmıştır. LGMB modeli ile %99 doğruluk oranı elde edilmiştir. Geliştirilen uygulama Streamlit Cloud platformu üzerinden canlıya alınmıştır.
TTV-Analyzer, Deloitte firmasının 2014 yılındaki Türk televizyonu hakkındaki makalesinden yola çıkılarak türk televizyon dizilerini devamlılığının tespiti sağlanmıştır. Wikipedia üzerinden türk televizyon dizilerini çekilerek 1205 adet veriden oluşan veri seti oluşturulmuştur. Bu veriler için 53 adet özellik çıkarılmıştır. 1977-2024 yılı arasındaki her bir yıl için ayrı bir model eğitilmiştir. Eğitilen modeller bir Streamlit uygulaması ile HuggingFace üzerinden canlıya alınmıştır
[Menutag](), Restoranlar için bir dijital menü uygulaması geliştirilmiştir. Backend tarafında .NET 6, Frontend tarafında React.JS, veritabanı olarak da MongoDB kullanılmıştır. Daha sonra bir VPS üzerindeki Windows Server 2022 ile yayınlanmıştır.
İlgilendiklerim (diller, frameworkler vs): Python, R, JavaScript, SQL, Numpy, Pandas, Polars, Scikit-learn, TensorFlow, TensorFlow.js