Computer Engineer
Machine Learning ve Computer Vision alanlarına odaklanan bir bilgisayar mühendisiyim.
Deep Learning, Computer Vision ve Software Engineering alanlarında gerçek problemlere yönelik yazılımlar ve akıllı sistemler geliştiriyorum.
ODTÜ Kuzey Kıbrıs Kampüsü Bilgisayar Mühendisliği mezunuyum. Özellikle Machine Learning, Deep Learning ve Computer Vision ile bu modelleri kullanılabilir ürünlere dönüştüren yazılım sistemleri üzerine çalışıyorum.
Kişisel projelerim, stajlarım ve öğrenci asistanlığı deneyimim boyunca object detection, image processing, neural networks, SVM, computer graphics ve Embedded Software konularında çalıştım. Gerçek ürünlere katkı verirken teknik yetkinliklerimi ileri taşıyabileceğim junior mühendislik rollerine açığım.
Mart 2026 - Haziran 2026
Orta Doğu Teknik Üniversitesi Kuzey Kıbrıs Kampüsü
Eylül 2025
VISEA
Temmuz 2025 - Ağustos 2025
HAVELSAN
Ağustos 2024 - Eylül 2024
Desird Ar-Ge A.Ş.
Computer Vision, neural networks, multimodal learning ve klasik Machine Learning üzerine geliştirdiğim projeler.
Yaya ve araçları gerçek zamanlı algılayıp takip eden, konumlarını kullanıcı tarafından tanımlanan ROI bölgesine göre değerlendiren ve araç geçişlerini sayan bir video analysis sistemi.
YOLOv8 detection ile ByteTrack tracking birlikte kullanılarak nesnelerin video frameleri boyunca tutarlı ID'lerle izlenmesi sağlandı. Kullanıcının belirlediği dört köşeli ROI sayesinde yayalar alanın içinde veya dışında sınıflandırılıyor; araçlar tekrar sayılmadan takip ediliyor.
Uygulama webcam, tek video ve batch processing senaryolarını destekliyor. Model ayarları, renk kodlu overlayler, tracking ID'leri, araç sayacı ve FPS monitoring kullanıcıya gösteriliyor.
Uydu görüntülerinde gemi sınıflandırması yapan MobileNetV4 modelini Leaky Integrate-and-Fire tabanlı bir Spiking Neural Network'e dönüştüren çalışma.
ReLU yerine calibrated LIF neuron kullanıldı, BatchNorm parametreleri convolution katmanlarına fold edildi ve classification biriken output spike değerleri üzerinden gerçekleştirildi. Channel-wise threshold kullanımı farklı activation aralıklarını dengeledi.
ANN baseline modelinde %95,88 accuracy elde edildi. Dönüştürülen SNN, 128 timestep için %95,00 ve 256 timestep için %95,75 accuracy'ye ulaştı. Model çıktıları hardware-oriented implementation için ayrıca export ediliyor.
Ertesi günün enerji tüketimi ve hava kirliliği seviyelerini sınıflandırmak için end-to-end Machine Learning pipeline ve custom SVM geliştirdiğim çalışma.
Saatlik ölçümler günlük time-series feature setlerine dönüştürüldü ve SVM dual optimization problemi quadratic programming solver ile uygulandı. Linear, RBF, polynomial ve trend-aware custom kernel türleri cross-validation ile karşılaştırıldı.
Imbalanced hava kirliliği datasetinde accuracy tek başına yanıltıcı olduğu için model karşılaştırmalarında recall ve F1 score da değerlendirildi.
Birleştirilmiş MNIST rakam görüntülerini İngilizce text description'larla eşleştiren kompakt bir Vision-Language Model.
Üç rakam görüntüsü birleştirilip “one hundred twenty-three” gibi captionlarla eşleştirildi. Pretrained ViT-Tiny image encoder ve DistilBERT text encoder, iki modality için SigLIP contrastive loss ile eğitilen ortak bir embedding space oluşturuyor.
Proje; multimodal dataset generation, frozen pretrained encoderlar, trainable projection headler, contrastive training ve Top-1/Top-5 retrieval evaluation adımlarını kapsıyor.
2021 - 2026
Orta Doğu Teknik Üniversitesi Kuzey Kıbrıs Kampüsü
Genel Not Ortalaması: 3,722024 - 2026
Orta Doğu Teknik Üniversitesi Kuzey Kıbrıs Kampüsü
Genel Not Ortalaması: 3,68Machine Learning, Computer Vision, Software Engineering ve Embedded Software alanlarındaki junior pozisyonlarla ilgileniyorum. Deneyimimin ekibiniz veya projenizle örtüştüğünü düşünüyorsanız benimle iletişime geçebilirsiniz.