İçeriğe geç

Kanıta dayalı portföy

Kişisel marka

Karmaşık verilerden akıllı sistemlere.

Makine öğrenmesi, veri mühendisliği ve yapay zekâ projelerini; kaynakları, ölçümleri ve sınırlamalarıyla sunuyorum.

Projeleri inceleİletişime geçCV'yi görüntüle
Deneyim ve yetkinlikler

10 seçili proje · 16 kaynaklı vaka · EN/TR

Doğru yerden başlayın

Ne için buradasınız?

Rol odaklı teknik kanıtları veya kapsamı belirli veri hizmetlerini doğrudan inceleyin.

İşe alım uzmanları ve ekipler

Bir rol için değerlendirme

Makine öğrenmesi doğrulaması, veri mühendisliği ve yapay zekâ uygulamaları için üç kanıt odaklı değerlendirme yolu. CV ve kaynak depolarına erişim.

Rol bazlı inceleme CV dosyasını aç

Bu sayfa portföy vaka çalışmalarını gösterir. Sentetik demonstrasyonlar, gerçek müşteri teslimatları veya gerçek tesis kayıtları olarak sunulmaz.

30 saniyelik inceleme

Başlamak için üç proje.

Role göre incele Pozisyon veya proje hakkında görüşelim
  1. 01Sahtekârlık analitiğiFraud Risk IntelligenceZaman temelli doğrulama ve uzman incelemesi
  2. 02Finansal tahminMSCapital Market ForecastingAyrılmış test verisi ve yarışma sıralaması karşılaştırması
  3. 03Bilgisayarlı görüVisual QC ProjectKusur tespiti ve operatör iş akışları

NEXUS / INTELLIGENCE ATLAS

Projelerin birbirine bağlandığı nokta.

Sahtekârlık analitiğinden bilgisayarlı görüye: gerçek kaynaklara bağlı altı vaka çalışmasını perspektifli, etkileşimli bir haritada keşfedin. Üç boyutlu deneyim isteğe bağlıdır.

Ortak ölçüm yaklaşımı

Bir ekip sınırlı inceleme kapasitesiyle hataların ne kadarını yakalayabilir?

Sonuçlar eğitim dışında tutulan verilerde ölçülmüştür. Kesikli köşegen rastgele incelemeyi gösterir; üzerindeki her nokta modelin inceleme önceliklendirmesiyle sağladığı kazanımdır.

  • Smart Factory (failures)
  • Visual QC (misclassifications)
  • Fraud Risk (fraud)
  • Rastgele inceleme
İncelenen vaka oranına karşı yakalanan pozitif vaka oranıSmart Factory: vakaların 10% oranı incelendiğinde arızaların 94.1% oranı yakalanır; rastgele incelemeye kıyasla 9.4× kazanım. Fraud Risk: vakaların 9.4% oranı incelendiğinde sahtekârlıkların 69.8% oranı yakalanır; rastgele incelemeye kıyasla 7.5× kazanım. Visual QC: vakaların 20% oranı incelendiğinde yanlış sınıflandırmaların 81.8% oranı yakalanır; rastgele incelemeye kıyasla 4.1× kazanım.0%10%20%30%40%50%0%25%50%75%100%İncelenen vaka oranı →↑ Yakalanan oranRastgele incelemeSmart FactoryVisual QCFraud Risk
Smart Factory94.1%arızaların yakalanan oranı; incelenen: 10%9.4× rastgele incelemeye kıyasla · teknik vakaFraud Risk69.8%sahtekârlıkların yakalanan oranı; incelenen: 9.4%7.5× rastgele incelemeye kıyasla · teknik vakaVisual QC81.8%yanlış sınıflandırmaların yakalanan oranı; incelenen: 20%4.1× rastgele incelemeye kıyasla · teknik vaka
Noktalar, her kaynak deponun yayımladığı ve eğitim dışında tutulan verilerle ölçülmüş inceleme bütçeleridir. Sahtekârlık projesinde 16 eşikten yüzde 50 bütçe sınırının altında kalan yedisi, Smart Factory ve Visual QC projelerinde ise üçer eşik gösterilir. Çizgiler ölçülen noktaları doğrusal olarak birleştirir; aradaki değerler için tahmin yapılmaz. Bu üç problem farklı taban oranlarına sahiptir. Bu nedenle modelleri birbiriyle değil, her birini rastgele inceleme köşegeniyle karşılaştırın.
Eğitim dışında tutulan veride ölçülen inceleme bütçeleri
Projeİncelenen oranYakalanan oranRastgele incelemeye göre kazanım
Smart Factory5%89.7%17.9×
Smart Factory10%94.1%9.4×
Smart Factory15%95.6%6.4×
Visual QC10%45.5%4.5×
Visual QC15%50%3.3×
Visual QC20%81.8%4.1×
Fraud Risk9.4%69.8%7.5×
Fraud Risk12.8%76.5%6.0×
Fraud Risk18.1%82.9%4.6×
Fraud Risk22.2%86.2%3.9×
Fraud Risk27.9%89.4%3.2×
Fraud Risk36.2%92.5%2.6×
Fraud Risk49.4%95.7%1.9×

Yayımlanmış demo dizini

6 projenin yayımlanmış demo bağlantısı var.

Bu bağlantılar çalışma süresi garantisi değildir. Bazı servisler kullanılmadığında uyku moduna geçebilir veya geçici olarak erişilemeyebilir. Kaynaklar ve değerlendirme koşulları teknik vaka sayfasında yer alır.

Yayımlanmış demo

Fraud Risk Intelligence

590,540 transactions

Demoyu açYayımlanmış demo

MSCapital Market Forecasting

804.5M raw rows reduced to 292 features, 264 distinct

Demoyu açYayımlanmış demo

GS Quant Risk Analytics

VaR backtested with Kupiec, Christoffersen and Basel traffic light

Demoyu açYayımlanmış demo

Smart Factory App

10,000 AI4I records

Demoyu açYayımlanmış demo

Visual QC Project

1,800 NEU-CLS images across 6 classes

Demoyu açYayımlanmış demo

Diabetic Retinopathy Grading (APTOS-2019)

3,662 fundus images; five-fold ensemble QWK 0.9091

Demoyu aç

Freelance çözümler · teslim örneği

Dağınık tablolardan doğrulanabilir raporlamaya.

Güvenilir veri hazırlama ve raporlama desteği isteyen iş zekâsı ve yazılım ajansları için kapsamı belirli, Python ve SQL uyumlu bir iş akışı. Bu, gerçek müşteri işi değil, herkese açık ve sentetik verili bir demonstrasyondur.

Excel/CSV Reporting Automation

Tekrarlanabilir iş akışı. Denetlenebilir çıktılar.

Tutarsız dosyaları temizleyip birleştirin, hatalı kayıtları ayırın, üzerinde anlaşılan KPI’ları hesaplayın ve doğrulama testleriyle yeniden kullanılabilir Python kodunu teslim alın. Canlı HTML paneli örnek çıktıyı gösterir.

Canlı paneli aç Kaynak kod ve teslim CI testleriPilot kapsamı ve kabul ölçütleri

Doğrulanmış sentetik örnek

200

Girdi satırı

192

Geçerli satır

8

İşaretli satır

9

Otomatik test

Kaynak satırlarıyla mutabakat kontrolü başarılıdır. CI, Python 3.11 ve 3.12 üzerinde çalışır.

01

İçe aktar

İki örnek veri kaynağı: satış CSV dosyası ve müşteri Excel çalışma kitabı.

02

Doğrula

Geçersiz değerleri, çakışan siparişleri ve eşleşmeyen müşterileri belirle.

03

Mutabakat yap

Kabul edilen ve dışlanan kayıtların bütün kaynak satırlarını kapsadığını denetle.

04

Teslim et

Temiz verileri, kalite günlüklerini, KPI tablolarını ve bağımsız raporu dışa aktar.

Yayımlanan sayfa statik bir rapordur; müşteri dosyası yüklemesi kabul etmez. Kapsam, ücret, gizlilik ve teslim tarihleri anonimleştirilmiş örnek veriler değerlendirildikten sonra kararlaştırılır.

Kapsamı belirli pilot çalışmayı görüşelim

Role göre inceleme yolları

Pozisyona en uygun teknik kanıtlardan başlayın.

Her rota, aynı doğrulanabilir proje arşivini kullanır; yalnızca önerilen inceleme sırasını role göre değiştirir.

Yapay Zekâ Mühendisi

Ölçülmüş davranışa sahip LLM uygulamaları: anahtar kelime tabanlı yöntem ve erişimsiz kontrolle karşılaştırılan embedding-RAG yardımcısı; algılayıcısı açık saldırı kıyaslamasında değerlendirilen, LLM bileşeni ise yalnızca açıklama yapan anomali inceleme panosu; kaynaklara dayalı yanıtlar ve çok modlu şema çözümlemesi için yayımlanan Gemini ve Genkit uygulamaları.

Bu inceleme rehberini aç
  1. 01Visual QC Project
  2. 02Ops-Copilot
  3. 03Vision2DCS
  4. 04OT-Sentinel

Yetkinlikler

Modelleme, ölçüm ve bunları destekleyen veri katmanı.

Makine öğrenmesi, derin öğrenme, LLM, model doğrulama, kalibrasyon, istatistik, veri ambarı ve BI çalışmalarının ortak ilkesi aynıdır: her ölçümün nasıl hesaplandığı geriye dönük izlenebilir olmalıdır.

Proje arşivini incele

Makine öğrenmesi ve modelleme

Pythonscikit-learnLightGBMXGBoostHistGradientBoostingRandom ForestSHAPFeature engineeringImbalanced classificationComputer visionOpenCVscikit-image

LLM'ler, yapay zekâ mühendisliği ve derin öğrenme

Gemini APIGenkitRAGLangChainMultimodal promptingTransformersTensorFlowKerasRNNs

Doğrulama, kalibrasyon ve ölçüm

Time-based holdoutWalk-forward with embargoGroupKFoldROC-AUCPR-AUCCalibrationThreshold simulation

İstatistik ve analiz

PandasNumPySciPyHypothesis testingT-testANOVAChi-squareCohort analysisRFM

Veri mühendisliği ve otomasyon

SQLBigQuerydbtDuckDBPostgreSQLMongoDBETL/ELTFivetrann8nZapierData quality testing

İş zekâsı, MLOps ve teslim

Power BIDAXLooker StudioGA4Google Tag ManagerDockerMLflowFastAPIFlaskStreamlitGitHub Actions