Bilgisayar Mühendisliği, Lisans
İstanbul Ticaret Üniversitesi
Son sınıf · Şubat 2027 mezuniyet beklentisi · %30 İngilizce müfredat. Veri yapıları, algoritmalar, veritabanı yönetimi ve nesne yönelimli programlama üzerine temel dersler.
Bilgisayar Mühendisliği · Son Sınıf · Veri Analitiği & Makine Öğrenmesi
Hakkımda
İstanbul Ticaret Üniversitesi Bilgisayar Mühendisliği son sınıf öğrencisiyim; tek dönemim kaldı ve Şubat 2027'de mezun olmayı planlıyorum. SoftITO Veri Analistliği eğitimini tamamlayarak yazılım geliştirme temelim üzerine veri analitiği ve makine öğrenmesi alanında uzmanlaşıyorum.
Python ve SQL ile milyon satır ölçeğinde veri temizleme, keşifçi veri analizi ve öznitelik mühendisliği yapıyorum; scikit-learn ile sınıflandırma modelleri kuruyor, dengesiz veri setlerinde metrik seçimi ve aşırı öğrenme kontrolü gibi konulara özellikle dikkat ediyorum. Modelleri Streamlit ile etkileşimli uygulamalara dönüştürerek teknik olmayan kullanıcının da deneyebileceği hâle getiriyorum.
Analiz sonuçlarını anlaşılır biçimde aktarmayı önemsiyor, çalışmalarımı Medium'da yazıya döküyorum. ABD'de Work and Travel programına katılarak uluslararası bir ortamda çalışma deneyimi edindim.
Eğitim
İstanbul Ticaret Üniversitesi
Son sınıf · Şubat 2027 mezuniyet beklentisi · %30 İngilizce müfredat. Veri yapıları, algoritmalar, veritabanı yönetimi ve nesne yönelimli programlama üzerine temel dersler.
SoftITO
Python (pandas, NumPy, matplotlib), SQL ve Excel ile veri analizi; veri temizleme, keşifçi veri analizi (EDA), istatistiksel yorumlama, veri görselleştirme ve makine öğrenmesi ile sınıflandırma üzerine uygulamalı program. Bireysel ve grup projeleriyle tamamlandı.
University of Cincinnati — ABD
Work and Travel programı kapsamında ABD'de dil eğitimi ve uluslararası çalışma deneyimi.
İstanbul Ticaret Üniversitesi
B2 seviyesinde tamamlandı.
Bitirme Projesi
Kaza anındaki çevresel koşullardan (hava durumu, yol tipi, saat, kentsel/kırsal yapı) kazanın trafiğe etki şiddetini tahmin eden uçtan uca makine öğrenmesi çalışması. 7,7 milyon satırlık ham veri parçalı okuma yöntemiyle işlendi; Florida, New York ve Minnesota seçilerek 1.278.270 satırlık çalışma veri seti oluşturuldu.
Veri hazırlama. Kaza sonrasında ölçülen ve hedefi doğrudan ele veren sütunlar hedef sızıntısı gerekçesiyle çıkarıldı. Census nüfus, Gazetteer alan ve CDC kentsel/kırsal verileri FIPS kodu üzerinden birleştirilerek nüfus yoğunluğu ve kentsel/kırsal sınıfı türetildi (%99,99 eşleşme). Zaman damgasından yedi, yol adından düzenli ifadelerle bir değişken üretildi; sınıflandırılamayan yol oranı kural seti iyileştirilerek %27,2'den %3,0'a düşürüldü.
Keşifsel analiz. IQR yöntemi, sıfır ağırlıklı değişkenlerde verinin %15'ini hatalı biçimde aykırı işaretlediği için terk edildi; yerine fiziksel sınır kırpması uygulanarak yalnızca 128 sensör hatası satır kaybı olmadan düzeltildi. Hava durumu değişkenindeki 101 kategori sekiz gruba indirildi ve yıllar arasında terminoloji değişikliği tespit edildi. Korelasyon analizinde hedefle tüm doğrusal ilişkiler |r| < 0,09 çıkarken kategori kırılımlarında iki katına varan farklar bulundu — bu, ilişkilerin doğrusal olmadığını gösterdi.
Modelleme. Sınıf dağılımı ileri derecede dengesiz olduğundan (%81,69 tek sınıfta) başarım ölçütü olarak macro-F1 seçildi ve tüm modellerde sınıf ağırlıklandırması kullanıldı. Üç yaklaşım karşılaştırıldı: referans model 0,2248, lojistik regresyon 0,3099, Random Forest 0,4331. Ağaç tabanlı modelin doğrusal modele %39,8 üstünlüğü, keşifsel analizde kurulan hipotezi doğruladı. Eğitim–test farkı 0,019 ile aşırı öğrenme görülmedi. Model Streamlit ile etkileşimli bir demo uygulamasına dönüştürüldü.
Teknik Beceriler
Diller