Diller değişir. Bağlam kalır.
Üç dilde destek taleplerini anlayan, sınıflandıran ve önceliklendiren çok görevli bir pipeline.
Projeyi inceleMakine öğrenmesi, doğal dil işleme ve güvenilir backend sistemleri üzerine çalışıyorum. Amacım, modelleri gerçek hayatta işe yarayan ürünlere dönüştürmek.
Her proje, farklı bir soruya cevap.
Üç dilde destek taleplerini anlayan, sınıflandıran ve önceliklendiren çok görevli bir pipeline.
Projeyi inceleÇok depolu stok ve varlık yönetimi. Stok hareketinden yetkilendirmeye, veri bütünlüğü odağında.
Projeyi inceleAI destekli, hepsi-bir-arada PDF asistanı. Belgelerle çalışmayı daha anlamlı bir deneyime dönüştürme hedefi.
Projeyi inceleKTO Karatay Üniversitesi Bilgisayar Mühendisliği son sınıf öğrencisiyim. Deva Yazılım’da üç staj dönemi boyunca çok dilli destek talebi sınıflandırma, sel erken uyarı ve full-stack uygulamalar geliştirdim. Veriyi anlamaktan model değerlendirmeye ve servise almaya uzanan sürecin tamamıyla ilgileniyorum.
AI, makine öğrenmesi, veri bilimi ve otomasyon
Haziran – Ağustos 2026
Deva Yazılım Entegre Çözümler
İngilizce, Almanca ve Türkçe destek talepleri için uçtan uca NLP pipeline’ı.
Eylül – Aralık 2025
Deva Yazılım Entegre Çözümler
Simülasyondan makine öğrenmesine sel erken uyarı sistemi.
Temmuz – Eylül 2025
Deva Yazılım Entegre Çözümler
InternTracker: görev, hedef ve günlük takibi için staj yönetimi platformu.
Probleme göre araç seçerim.
Öğrenirken paylaşıyorum.
Katkı takvimi bu görünümde henüz kullanılamıyor. Güncel çalışmalar için GitHub profilimi ziyaret edebilirsin.
Build a system that automatically classifies incoming support requests (email, form, chat) into categories (Technical Issue, Billing, Refund, Account, General Info), predicts priority (Low/Medium/High/Critical), and explains decisions using SHAP/LIME, deployed as an observable service with CI/CD on Docker + Kubernetes.
Developed a deep learning–based image classification system to automatically detect tomato plant diseases from leaf images. The project utilizes transfer learning with MobileNetV2 to achieve high accuracy while reducing computational cost.
An Ensemble Machine Learning pipeline (Keras DNN + XGBoost) predicting video game hits using sales and review │ data, featuring SMOTE, target encoding, and automated hyperparameter tuning.
An end-to-end Machine Learning pipeline using KNN, Decision Trees, and Random Forest to classify stars into 6 distinct types based on physical characteristics.
Son güncelleme: 13 Kas 2026
Bilgisayar Mühendisliği · Lisans, 4. sınıf
Beklenen mezuniyet: 2027
Makine Öğrenmesi, Derin Öğrenme, Veri Yapıları ve Algoritmalar, Olasılık ve İstatistik, Sinyaller ve Sistemler
AI, veri ve yazılım üzerine konuşmak istersen bir mesaj bırak.
arikanmustafa053@gmail.com