E
TREN
Yapay Zekâ & Backend Pozisyonları için Değerlendirmeye Açık

Yapay Zekâ & Backend Geliştirici

Yapay zekâyıgüvenli backendmimarileriylehayata geçiriyorum.

Yapay zekâ ve bilgisayarlı görü modellerini güvenli, ölçeklenebilir backend mimarileriyle hayata geçiriyorum.

Gazi Üniversitesi Bilgisayar Mühendisliği mezunuyum. Projelerimde yapay zekâ modellerini ve veri altyapılarını uçtan uca, çalışan backend sistemleriyle birleştirmeye odaklanıyorum. Sadece kod yazmak yerine; problemin ihtiyacını anlamayı, sistem mimarisini planlamayı ve geliştirdiğim işi teknik metriklerle doğrulamayı önemsiyorum.

GitHubLinkedInMailİletişim

Computer Vision

Backend Systems

LLM Products

Search & Data

Scroll

01

Hakkımda

Ben Kimim?

Lisans eğitimim boyunca ve stajlarımda yapay zekâ, bilgisayarlı görü ve veri sistemlerinin backend entegrasyonu üzerine yoğunlaştım. Gazi Bilişim Enstitüsü'nde kısmi zamanlı olarak yüz tanıma ve sınav planlama projelerinde görev alırken; TRT, Ramsa Defence ve Neokod Arge bünyesindeki stajlarımda OCR, LLM fizibilitesi ve büyük veri indeksleme süreçlerinde yer aldım. Öğrendiğim teorik bilgileri demo seviyesinde bırakmayıp; veri tabanı tasarımı, API güvenliği ve model servisleme adımlarını kapsayan çalışan ürünlere dönüştürmeyi hedefliyorum. Gazi Yapay Zekâ Topluluğu'ndaki gönüllü faaliyetlerim sayesinde de teknik süreçlerin yanı sıra ekip içi koordinasyon ve ortak çalışma kültürüne önem veriyorum.

02

Uzmanlık

AI ve Computer Vision

01

YOLO, OpenCV, PyTorch ve takip algoritmalarıyla gerçek zamanlı algılama, tanıma ve karar destek sistemleri geliştiriyorum.

YOLOOpenCVPyTorchObject Tracking

Backend Sistemleri

02

API tasarımı, veri modeli, servis ayrımı ve entegrasyon katmanlarında okunabilir, sürdürülebilir ve genişletilebilir yapılar kuruyorum.

FastAPIPostgreSQLMongoDBREST

LLM ve Ürün Geliştirme

03

Yerel ve bulut LLM iş akışlarını güvenli, dayanıklı ve izlenebilir ürün mimarilerine dönüştürüyorum.

OllamaLlamaRAGAgents

Veri ve Arama Altyapısı

04

Elasticsearch, veri temizleme ve analitik boru hatlarıyla kullanıcıya hızlı, anlamlı ve izlenebilir sonuçlar sunan sistemler tasarlıyorum.

ElasticsearchPandasKibanaAnalytics

03

Projeler

01KariyerKoçCV analizi, ATS simülasyonu, mülakat provası, iş ilanı arama ve ön yazı üretimini tek platformda birleştiren yapay zeka destekli kariyer koçluğu uygulaması.Detayları görDetayları kapat
LLM Product2026io.net Hackathon 2025 Birincilik Ödülü
Rolüm

Full-stack geliştirmeyi, FastAPI servis mimarisini, LLM entegrasyonunu, CV/ATS/mülakat modüllerini ve Docker tabanlı çalıştırma yapısını geliştirdim.

Mimari

React + TypeScript frontend -> FastAPI REST API -> PostgreSQL -> io Intelligence Llama 3.3 70B, Groq Whisper, Edge-TTS ve JobSpy entegrasyonları.

Problem

İş arayan kullanıcıların CV kalitesini, pozisyon uyumunu, mülakat hazırlığını ve başvuru materyallerini ayrı araçlarla yönetmesi süreci dağınık ve yorucu hale getiriyordu.

Çözüm

LLM destekli analiz servislerini FastAPI backend altında modüler hale getirip React tabanlı tek bir kullanıcı deneyimiyle CV yükleme, analiz, mülakat, iş arama ve ön yazı akışlarını birleştirdim.

Sonuç

io.net Hackathon 2025'te birincilik ödülü aldım.
57 endpoint içeren auth, CV, analiz, mülakat, ses, chatbot, iş arama ve ön yazı modüllerini geliştirdim.
PostgreSQL, FastAPI backend ve React frontend'i Docker Compose ile tek komutta ayağa kalkacak şekilde yapılandırdım.
FastAPIReactTypeScriptPostgreSQLDockerLlama 3.3 70BGroq WhisperEdge-TTSJobSpy
GitHub

01 / 03

Proje görselleri

02AI WorkbenchYerel sohbeti, kaynak destekli toplu veri üretimini, model ve RAM yönetimini ve kontrollü kod geliştirme akışını tek macOS uygulamasında birleştiren yapay zekâ çalışma ortamı.Detayları görDetayları kapat
Local AI Platform2026
Rolüm

Ürün kapsamını ve güvenlik sınırlarını tasarladım; Tauri/Rust backend, React arayüz, SQLite iş motoru, Ollama entegrasyonu, kaynak arama hattı ve Aider çalışma akışını geliştirdim.

Mimari

React/TypeScript arayüz -> tipli Tauri komut sınırı -> Rust servisleri -> SQLite WAL ve FTS5 -> Ollama; tek-AI kaynak planlayıcısı chat, batch ve Aider rollerini model/RAM durumuna göre koordine ediyor.

Problem

Binlerce eğitim kaydını yerel LLM ile işlerken yarım kalan işleri kaybetmemek, modelin dosya ve shell yetkisini sınırlandırmak ve 16 GB bellekte sohbet, batch ve kod modelini güvenli biçimde sıraya koymak gerekiyordu.

Çözüm

Her kaydı bağımsız ve transaction tabanlı işleyen dayanıklı bir batch motoru kurdum. Ders notlarını kayıpsız parçalayıp yerel aramayla ilgili kaynakları seçen üretim hattını; pilot onayı, retry/resume, insan incelemesi ve kaynak kimlikleriyle izlenebilir hale getirdim.

Sonuç

Streaming yerel sohbet, kaynak destekli batch üretimi ve kontrollü Aider oturumlarını tek masaüstü deneyiminde birleştirdim.
Kayıt bazlı transaction, retry, pause/resume, crash recovery, pilot onayı ve JSONL/CSV/Markdown export akışlarını tamamladım.
Bellek baskısında modeli doğrulayarak boşaltan ve sistem %30 güvenli alana ulaştığında batch işini otomatik sürdüren kaynak koruması geliştirdim.
RustTauri 2ReactTypeScriptSQLiteFTS5OllamaQwenAiderxterm.js
03DroDetKamera veya video kaynağından alınan görüntülerde küçük drone hedeflerini tespit eden, takip eden ve tehdit kararını zaman içinde stabilize eden gerçek zamanlı nesne tespit sistemi.Detayları görDetayları kapat
Computer Vision2026
Rolüm

YOLO model eğitimi ve fine-tune süreci, TrackBoost karar stabilizasyonu, PyQt arayüzü, diagnostik raporlama ve MQTT alarm akışı üzerinde çalıştım.

Mimari

Video/Kamera -> YOLOv26s-P2 -> Temperature Scaling -> Duplicate Merge -> BIoUTracker -> TrackBoost -> Threat Evaluator -> PyQt UI + MQTT alarm.

Problem

Uzak mesafedeki drone hedefleri bazı sahnelerde 10-20 piksel seviyesine düşüyordu. Eski YOLOv8s modeli ve tek kareye dayalı karar akışı, aynı hedefi video boyunca drone/bird arasında değiştirebiliyor ve operatör arayüzünde kararsız alarm davranışı oluşturuyordu.

Çözüm

İlk YOLOv8s tabanlı yaklaşık 30K görsellik veri setinin ardından model hattını YOLOv26s-P2 mimarisine taşıyıp iki fine-tune aşaması uyguladım. Ham model çıktısını doğrudan ürün kararı olarak kullanmadım; Temperature Scaling, Duplicate Merge ve TrackBoost katmanlarıyla track seviyesinde tehdit kararı ürettim.

Sonuç

YOLOv26s-P2 FT2 modelinde validation precision 0.928, recall 0.887, mAP50 0.914 ve mAP50-95 0.608 ölçtüm.
BoxPR değerlendirmesinde drone AP 0.976, all classes mAP@0.5 0.918 seviyesini raporladım.
PythonYOLOv26s-P2PyTorchOpenCVBIoUTrackerTrackBoostPyQtMQTTDocker
GitHubDemo

01 / 01

Proje görselleri

04YDS Kelime6.100'den fazla kelime kartını, binlerce alıştırmayı ve kişiye özel tekrar planını tek mobil öğrenme akışında birleştiren YDS/YÖKDİL odaklı Flutter uygulaması.Detayları görDetayları kapat
Mobile EdTech2026
Rolüm

Ürün fikrinden veri modeline, içerik hazırlama ve doğrulama hattından Flutter arayüzüne, öğrenme algoritmasına, Supabase altyapısına ve Android yayın hazırlığına kadar uygulamanın tamamını kişisel projem olarak geliştirdim.

Mimari

Flutter/Riverpod arayüz -> Drift/SQLite yerel veritabanı ve çevrimdışı çalışma -> planlayıcı + FSRS öğrenme motoru -> Supabase Auth, PostgreSQL, RLS ve cihazlar arası senkronizasyon.

Problem

YDS öğrencileri büyük kelime listelerini çoğunlukla bağlamdan kopuk biçimde çalışıyor; hangi kelimeyi ne zaman tekrar edeceğini, günlük hedefini ve gerçek ilerlemesini aynı yerde takip edemiyordu.

Çözüm

Kelime anlamı, örnek cümle, çeviri, eş-zıt anlam, kelime ailesi ve kullanım kalıplarını çoklu soru türleriyle birleştirdim. Hedef bazlı planlayıcı yeni kelime yükünü belirlerken FSRS motoru her kelimenin tekrar zamanını bireysel performansa göre hesaplıyor.

Sonuç

6.100'den fazla aranabilir kelime kartını ve binlerce alıştırmayı tek uygulamada kullanıma açtım.
Öğrenme psikolojisi literatüründeki aktif hatırlama, aralıklı tekrar ve kademeli zorluk ilkelerini hedef bazlı planlayıcı ve FSRS ile çalışan bir ürün akışına dönüştürdüm.
Google ile giriş, hesap silme, RLS veri izolasyonu, yerel öncelikli çalışma, cihazlar arası senkronizasyon ve Android release imzalama süreçlerini tamamladım.
FlutterDartRiverpodDriftSQLiteFSRSSupabasePostgreSQLGoogle OAuth
05DDSGörsel yükleme üzerinden gerçek/deepfake sınıflandırması yapan full-stack deepfake tespit prototipi.Detayları görDetayları kapat
Deepfake Detection2025
Rolüm

MobileNetV2 tabanlı model entegrasyonunu, backend inference servisini, React arayüzünü ve Docker Compose çalıştırma yapısını geliştirdim.

Mimari

React frontend -> Python API -> PyTorch MobileNetV2 inference -> Docker Compose.

Problem

Görüntü manipülasyonlarını manuel olarak ayırt etmek zor olduğu için kullanıcıdan gelen görselin hızlı ve anlaşılır biçimde sınıflandırılması gerekiyordu.

Çözüm

PyTorch modelini API katmanına bağladım; frontend tarafında görsel yükleme, sınıflandırma sonucu, güven skoru ve işlem süresini gösterdim.

Sonuç

README'de validation doğruluğunu yaklaşık %90 olarak raporladım.
Model ağırlığını, inference servisini, training pipeline'ı ve Docker Compose yapısını repo içinde tuttum.
PythonPyTorchMobileNetV2OpenCVScikit-learnFlaskFastAPIReactDocker
06EXAMBEÜniversite sınav planlama süreçlerinde ders, öğrenci, oturum ve salon kısıtlarını CP-SAT ile çözen sınav yönetim sistemi.Detayları görDetayları kapat
Optimization2026
Rolüm

Ekip arkadaşımla geliştirdiğim projenin her aşamasında yer aldım; ürün yönlendirmesini ve sistem mimarisini oluşturdum, FastAPI backend, CP-SAT planlama motoru, React/TypeScript arayüz ve evrak üretimi süreçlerine katkı sağladım.

Mimari

React/Vite frontend -> FastAPI backend -> SQLModel/SQLite -> CP-SAT scheduling engine -> document generator.

Problem

Sınav çizelgelemede öğrenci çakışmaları, oturum yoğunluğu ve salon kapasitesi aynı anda yönetilmeliydi.

Çözüm

Excel import, veri yönetimi, CP-SAT tabanlı çizelgeleme ve Word/Excel evrak üretimini tek sistem altında topladık. Ben sürecin her aşamasında yer alarak ürün yönlendirmesini ve sistem mimarisini oluşturdum.

Sonuç

Geliştirdiğimiz sistem Gazi Üniversitesi Bilişim Enstitüsünde aktif olarak kullanılıyor.
Yaklaşık 45 dosya ve 5800 satırlık backend/frontend yapısı üzerinde planlama, veri içe aktarma ve evrak üretimi modüllerini geliştirdik.
Öğrenci yükü, oturum dengesi ve salon kapasitesi için CP-SAT tabanlı kısıt modelini kurduk.
FastAPIReactTypeScriptGoogle OR-ToolsCP-SATSQLModelSQLitePandaspython-docx
07NeoNurseTürkiye ilaç verileri üzerinde muadil ilaç bulma ve ilaç-ilaç etkileşimi sorgulama altyapısı.Detayları görDetayları kapat
Search & Data2026
Rolüm

Excel/CSV veri aktarımını, MongoDB veri modelini, Elasticsearch arama hattını ve sistem mimarisi dokümantasyonunu hazırladım.

Mimari

Excel/CSV import -> MongoDB collections -> Elasticsearch index -> equivalent and interaction query flow.

Problem

İlaç muadilleri ve etkileşimleri farklı kaynaklarda dağınık durduğu için hızlı ve sorgulanabilir bir yapı gerekiyordu.

Çözüm

TİTCK ilaç verilerini, ATC/etkin madde alanlarını ve DrugBank DDI verisini MongoDB/Elasticsearch hattına göre yapılandırdım.

Sonuç

Ana tabloda 23.045 ilaç kaydını, DrugBank tarafında 114 etkileşim tipini ve binlerce ilaç çiftini katalogladım.
Muadil bulma mantığını ATC kodu ve etkin madde eşleşmesi üzerine kurdum.
PythonPandasMongoDBElasticsearchKibanaDockerDrugBank DDIATC
08Video2TextVideo karelerinden metin alanlarını okuyup zaman bilgisiyle dışa aktaran GPU destekli OCR işleme prototipi.Detayları görDetayları kapat
OCR Pipeline2026
Rolüm

Video frame extraction, PaddleOCR wrapper, JSON/TXT çıktı üretimi ve kayıt katmanını geliştirdim.

Mimari

Video input -> FrameExtractor -> PaddleOCRWrapper -> JsonWriter + SimpleRowWriter -> grouped TXT output.

Problem

Video içindeki yazıların manuel çıkarılması zaman alıyordu; kare bazlı OCR ile metinlerin zaman bilgisiyle alınması gerekiyordu.

Çözüm

OpenCV ile belirli aralıklarla frame çıkardım, PaddleOCR 3.1.0 ile Türkçe OCR uyguladım ve sonuçları JSON/TXT çıktıya yazdım.

Sonuç

Frame extraction, OCR inference, JSON kayıt ve gruplanmış TXT export adımlarını uçtan uca çalıştıran pipeline'ı oluşturdum.
PaddleOCR 3.1.0 için Türkçe dil desteğini, angle classification'ı ve PP-OCRv5 model bilgisini wrapper içinde yönettim.
PythonOpenCVPaddleOCRPaddlePaddle GPUNumPyJSON
09Face Recognition SystemÇift kamera üzerinden personel giriş-çıkış hareketlerini yüz tanıma ve takip ile kaydeden masaüstü güvenlik sistemi.Detayları görDetayları kapat
Computer Vision2025
Rolüm

Ekip arkadaşımla geliştirdiğim projenin yönlendirme, entegrasyon ve uygulama aşamalarının tamamında yer aldım; yüz tespiti, yüz tanıma, kişi takibi, masaüstü arayüzü ve kayıt akışları üzerinde çalıştım.

Mimari

Giriş/Çıkış kameraları -> SCRFD -> ArcFace R100 -> BYTETracker -> PyQt arayüzü -> SQLite + Excel raporlama.

Problem

Personel hareketlerinin iki ayrı kamera akışında gerçek zamanlı tanınması, aynı kişinin kareler boyunca izlenmesi ve giriş-çıkış kayıtlarının düzenli tutulması gerekiyordu.

Çözüm

SCRFD ile yüz tespiti, ArcFace R100 ile kimlik eşleştirme ve BYTETracker ile takibi tek PyQt uygulamasında birleştirdik; olayları SQLite'a yazıp Excel raporlarına aktardık.

Sonuç

Personel tanımlama, canlı giriş-çıkış izleme, olay kaydı, günlük yedekleme ve Excel raporlama akışlarını tek masaüstü uygulamasında topladık.
PythonOpenCVPyTorchSCRFDArcFaceBYTETrackerPyQt5SQLitePandas
10Employee Attrition PredictionIBM HR veri seti üzerinde çalışan ayrılma riskini, sınıf dengesizliğini gözeterek tahmin eden veri madenciliği çalışması.Detayları görDetayları kapat
Data Mining2026
Rolüm

Ekip arkadaşımla geliştirdiğim projenin her aşamasında yer aldım; feature engineering, veri sızıntısını önleyen değerlendirme pipeline'ı, örnekleme/model karşılaştırması ve karar eşiği optimizasyonu üzerinde çalıştım.

Mimari

IBM HR verisi -> feature engineering -> preprocessing + sampler pipeline -> model karşılaştırması -> OOF threshold seçimi -> test ve sağlamlık analizi.

Problem

Ayrılan çalışanların veri setinin yalnızca %16,12'sini oluşturması nedeniyle yüksek accuracy üreten modeller riskli çalışanların çoğunu kaçırabiliyordu.

Çözüm

Örneklemeyi yalnızca eğitim fold'larında uyguladık; farklı model ve SMOTE ailesi kombinasyonlarını out-of-fold tahminler ve recall/F1 dengesi üzerinden karşılaştırdık.

Sonuç

XGB + SMOTEENN recall-final modelinde %80,27 accuracy, %42,86 precision, %70,21 recall ve %53,23 F1 ölçtük.
PythonPandasScikit-learnImbalanced-learnXGBoostSMOTEENNOptunaMatplotlib
11B2B Süreç OtomasyonuKamuya açık kurumsal verileri yapılandırarak B2B araştırma ve kullanıcı kontrollü iletişim hazırlığı süreçlerini tek masaüstü akışında birleştiren prototip.Detayları görDetayları kapat
Workflow Automation2025
Rolüm

Electron arayüzünü, tarayıcı otomasyonunu, Excel veri hattını, kurumsal e-posta formatı üretimini ve gönderim servisi entegrasyonunu geliştirdim.

Mimari

Electron arayüzü -> Node.js/Puppeteer araştırma akışı -> Excel/JSON veri hattı -> Python format üretimi -> Brevo API.

Problem

Şirket araştırması, iletişim listesi hazırlama ve kurumsal e-posta formatlarının oluşturulması farklı araçlarda tekrarlanan manuel işlemler gerektiriyordu.

Çözüm

Kullanıcının sağladığı şirket listesini tarayıcı otomasyonuyla işledim; kamuya açık kurumsal bilgileri Excel'de yapılandırdım ve olası kurumsal e-posta formatlarını kullanıcı kontrolüne sundum.

Sonuç

Şirket listesi, çalışan verisi, kurumsal e-posta formatı ve iletişim hazırlığı adımlarını tekrar çalıştırılabilir bir masaüstü iş akışında topladım.
ElectronNode.jsPuppeteerPythonPandasExcelJSBrevo API
12TraSimNagel-Schreckenberg trafik modelini sıralı ve çok iş parçacıklı çalıştıran, performans ve trafik davranışı analizi üreten Java simülasyonu.Detayları görDetayları kapat
Parallel Computing2026
Rolüm

Ekip arkadaşımla geliştirdiğim projede web arayüzünü ekip arkadaşım hazırladı; ben model ve algoritma tasarımını, sıralı ve paralel simülatörleri, doğrulama testlerini, benchmark altyapısını, sıkışıklık analizini ve raporlamayı geliştirdim.

Mimari

NaSch model çekirdeği -> sequential/ExecutorService simülatörleri -> doğrulama ve benchmark -> CSV/Markdown raporları + web paneli.

Problem

Trafik modelinin paralelleştirilirken araç korunumu, çarpışmasız hareket ve sıralı sonuçlarla deterministik eşitlik özelliklerini koruması gerekiyordu.

Çözüm

Dairesel yolu hücrelere böldüm; senkron adımları double buffering ile korudum ve sıralı/paralel sonuç eşitliğini otomatik testlerle doğruladım.

Sonuç

Bir milyon hücreli benchmark senaryolarında sekiz iş parçacığıyla en fazla 5,214x hızlanma raporladım.
Java 17Java ThreadsExecutorServiceWeb WorkersLeafletChart.jsOpenStreetMap
13BLE AlarmESP32 üzerindeki alarm girişini BLE ile Android uygulamasına ileten ve kullanıcıya yerel bildirim sunan IoT prototipi.Detayları görDetayları kapat
IoT Prototype2025
Rolüm

ESP32 BLE iletişimini, Android istemci bağlantısını, yerel bildirimleri ve Telegram uyarı akışını geliştirdim.

Mimari

Alarm sensörü -> ESP32 BLE server -> Android BluetoothGatt istemcisi -> yerel bildirim + Telegram Bot API.

Problem

Fiziksel bir alarm tetiklenmesinin yakın çevredeki telefona düşük maliyetli kablosuz bağlantıyla iletilmesi gerekiyordu.

Çözüm

ESP32 tarafında alarm pinindeki değişimi BLE characteristic bildirimi olarak yayınladım; Android istemcide mesajı dinleyip yerel bildirim ve Telegram uyarısı oluşturdum.

Sonuç

Alarm sinyalini ESP32'den Android istemciye taşıyan ve kullanıcı bildirimi üreten uçtan uca prototip akışını kurdum.
ESP32Arduino C++Bluetooth Low EnergyAndroidJavaTelegram Bot API

04

Deneyim / Eğitim

Eylül 2021 - Haziran 2026

Bilgisayar Mühendisliği Mezunu

Gazi Üniversitesi

Lisans eğitimim boyunca yapay zekâ, bilgisayarlı görü ve backend mimarileri üzerine yoğunlaştım. Aldığım teorik eğitimi pratik projelerle hayata geçirdim.

Kasım 2024 - Haziran 2026

Kısmi Zamanlı Yazılım Geliştirici

Gazi Bilişim Enstitüsü

Yüz tanıma tabanlı giriş-çıkış kontrol sisteminin geliştirilmesini ve ekip yönetimini üstlendim. Ayrıca sınav planlama süreçlerini optimize eden EXAMBE projesinin yazılım ve koordinasyon süreçlerinde aktif rol aldım.

Ocak 2026 - Şubat 2026

Stajyer Yazılım Geliştirici

Neokod Arge Yazılım

Büyük ölçekli katalog verilerini MongoDB'ye aktarıp, Elasticsearch entegrasyonu için Python tabanlı veri aktarım ve indeksleme süreçlerini otomatikleştirdim. LLM entegrasyonları için fizibilite çalışmaları yürüttüm.

Haziran 2025 - Ağustos 2025

Stajyer Yazılım Geliştirici

TRT & Ramsa Defence

TRT bünyesinde Python/OCR tabanlı video transkript uygulaması geliştirirken; Ramsa Defence'te savunma sanayii projeleri için Java ve Python kullanarak farklı yazılım modülleri ve API tasarımları üzerinde çalıştım.

05

Teknoloji

AI / Vision

PythonPyTorchYOLOOpenCVSCRFDArcFaceByteTrack

Backend

FastAPIRustREST APIPostgreSQLMongoDBSQLiteDocker

Data / Search

PandasElasticsearchKibanaScikit-learnXGBoost

Frontend / Product

ReactTypeScriptTauriAstroTailwindElectron

İletişim

AI, backend veya ürün odaklı bir rol için konuşabiliriz.

Proje case study’leri eklendikçe bu site teknik kanıtlarla genişleyecek. Şimdilik en hızlı temas için aktif profiller üzerinden ulaşabilirsin.

GitHubLinkedInMail