MMehmet Ünlü
Ana SayfaHakkındaProjelerNotlarCVİletişim
EN

Mehmet Ünlü

İTÜ'de Elektronik ve Haberleşme Mühendisliği okuyorum; tahminleme, bilgisayarlı görü ve veri iş akışlarını hızlandıran uygulamalı projeler geliştiriyorum.

Ana SayfaHakkındaProjelerNotlarCVİletişim

İTÜ Elektronik ve Haberleşme Mühendisliği

Mehmet Ünlü

Elektronik ve Haberleşme Mühendisliği Öğrencisi

Uygulamalı projeler ve erken aşama ürün denemeleriyle tahminleme, bilgisayarlı görü ve veri odaklı sistemler geliştiriyorum.

Modelin tek başına yeterli olmadığı problemleri seviyorum: düzensiz veri, doğrulama stratejisi, süre kısıtları ve deneyi kullanılabilir hale getiren mühendislik kararları.

Projeleri GörCV'yi İndirGitHubLinkedInİletişim

Çalışma masası

İstanbul / İTÜ

Tahminleme, bilgisayarlı görü ve performans odaklı veri mühendisliği.

Buradaki projeler gerçek kısıtlardan doğuyor: sıfır ağırlıklı talep serileri, hassas hareket tahmini isteyen drone görüntüleri ve iterasyonu destekleyecek kadar hızlı olması gereken veri hatları.

Ürün

20k

Günlük ürün serileri

Geçmiş

3 yıl

Kayan zaman pencereleri

Sıfır talep

85%

Seyrek hedef kayıtları

Metrikler

WAPE / RMSSE

Tahmin kalitesi

Geliştirme notları

Doğrulamayı, ürünün gerçek çalışma koşullarına mümkün olduğunca yakın kur.
Sadece modeli değil; süre, bellek kullanımı, veri sızıntısı ve hata senaryolarını da ölç.
Ödünleşimleri görünür kılmak için projeleri vaka analizi formatında yaz.

Odak Alanlarım

Gerçek veriyle karşılaşınca ayakta kalan modellere odaklanıyorum.

Çoğu işim zor bir kısıtla başlıyor: sıfır ağırlıklı hedefler, yavaş özellik üretimi, gürültülü hareket verisi veya dikkatle kurgulanması gereken doğrulama planları.

Tahminleme

Seyrek talep, kayan pencere doğrulama ve geleceğe bakmadan özyinelemeli tahmin.

Doğrulama

Skora güvenmeden önce kurulumun adil ve gerçekçi olup olmadığını test etme.

Hız

Yavaş döngüleri ve tekrar eden işleri daha temiz, daha hızlı veri dönüşümleriyle sadeleştirme.

Veri Hatları

Projeyi uçtan uca kullanılabilir tutan backend ve veri akışı tasarımları.

Deneyler

Bilgisayarlı görü, konuşma işleme ve mobil fikirlerin çalışan prototipleri.

Seçili Çalışmalar

Ödünleşimleri açık bırakan proje anlatımları.

Her vaka analizi; problemi, denenen yaklaşımı, ölçümleri ve kısıtların uygulamayı nasıl şekillendirdiğini anlatır.

Tüm projeler

Ürün

20k

Geçmiş

3 yıl

Sıfır talep

85%

Öne ÇıkanTahminlemeLightGBMTweedie

Seyrek Talep Tahminleme Sistemi

Günlük ürün satış verileri üzerinde seyrek talep tahmini için iki aşamalı bir makine öğrenmesi sistemi.

Vaka analizi

Süre

40dk -> 4dk

Satır

3M

Veri

~1 GB

OptimizasyonNumPyPandas

ML Veri Hattı Performans Optimizasyonu

Gereksiz hesaplamaları, bellek şişmesini ve Python seviyesindeki darboğazları azaltarak büyük ölçekli bir ML özellik üretimi ve tahmin hattını optimize ettim.

Vaka analizi

Dal

2

Seçici

Güven

Çıktı

Pose

Bilgisayarlı GörüRAFTORB

Hibrit Görsel Odometri Sistemi

Derin öğrenme tabanlı optik akış ile klasik bilgisayarlı görüyü birleştiren, güven skoruna duyarlı bir görsel odometri sistemi.

Vaka analizi

Araçlar

Problemin ihtiyacına göre kullandığım araçlar.

PythonLightGBMNumPyPandasScikit-learnPyTorchHugging FaceWhisperTypeScriptNext.jsFlutterFirebasePrisma

Notlar

Geliştirme sürecinden kısa notlar.

Notları oku
WhisperNLPDağıtım

Kendi Sunucunda Whisper Veri Hatları Kurmak

Whisper, transkripsiyon daha büyük bir NLP sisteminin aşamalarından biri olarak ele alındığında daha kullanışlı hale gelir.

Bilgisayarlı GörüGörsel Odometri

Hibrit Görsel Odometri: RAFT + ORB

Güven seçici, derin ve klasik görsel odometri dallarını daha dayanıklı bir araştırma mimarisine dönüştürebilir.

OptimizasyonNumPyPandas

ML Veri Hatlarında Vektörleştirme ve Python Döngüleri

En hızlı iyileştirme çoğu zaman tekrarlanan Python seviyesindeki işleri vektörleştirilmiş array işlemlerine taşımaktır.