Polvoria'nın arkasında bir araştırmacı var. Tasarım ve geliştirme işinin yanında makine öğrenmesi, optimizasyon ve bilgisayarlı görüde akademik araştırma yapıyorum — aynı disiplin, ölçülebilir problemlere uygulanıyor.
Tanıtım filmi
Çalışmaya kısa bir giriş.
Makine öğrenmesi, metasezgisel optimizasyon ve uygulamalı veri biliminin kesişiminde çalışıyorum — araştırma yöntemlerini, ölçüm altında ayakta kalan sistemlere dönüştürerek.
Ortak çizgi disiplindir: açık bir hedef, belgelenmiş bir yöntem ve onu yargılayacak bir sayı.
Açık olduğum
→Araştırma iş birlikleri
→Serbest ML & veri bilimi
→Uluslararası roller — AB / Almanya, doktora
Seçili çalışmalar
İddia değil, ölçülmüş sonuçlar
Her proje bir metriğe dayanır. Optimizasyon, ölçülebilir değer kattığı yerde uygulanır — asla bir moda söz olarak değil.
Saldırı tespiti · CICIDS2017
Ağ saldırısı tespiti
GA özellik seçimi ve SHAP açıklanabilirliği ile LightGBM ve Random Forest.
98.14% doğruluk · 98.6% macro F1
Özellik seçimi · CIC-IDS2018
Genetik özellik seçimi
DEAP ile bir genetik algoritma, 360K satır üzerinde — doğruluk korunurken karmaşıklık azaltıldı.
78 → 45 özellik · 42% azalma
Hiperparametreler · CIC-IDS2018
PSO hiperparametre ayarı
Parçacık sürüsü optimizasyonu, bir LightGBM sınıflandırıcısını daha yüksek macro F1 için ayarlar.
+0.26% macro F1
Bölütleme · Uzaktan algılama
Uydu görüntüsü bölütleme
4 kanallı görüntülerde 6 arazi-örtüsü sınıfında GA çok-eşikli optimizasyon ile bir U-Net.
6 sınıf · IoU izlendi
Devam ediyor
Nesne tespiti · Otomotiv
Ford logo tespiti
Gerçek zamanlı logo tespiti için YOLO ya geçen bir evrişimli temel model.
CNN → YOLO
Araştırma & yaklaşım
Tek bir çerçeve: önce optimize et, sonra açıkla
Metasezgiseller, gradyan yöntemlerinin ulaşamadığı uzayları arar; makine öğrenmesi tahmini yapar; açıklanabilirlik her sonucu hesap verebilir kılar.
01 · GA
Genetik algoritmalar
Özellik alt kümelerini ve eşikleri evrimleştirir — ölçülebilir biçimde yardımcı olanı tutar, gerisini eler.
02 · PSO
Parçacık sürüsü
Model hiperparametrelerini sürekli bir uzayda tek ve açık bir hedefe doğru ayarlar.
03 · ML
Makine öğrenmesi
Gradyan-artırmalı ağaçlar ve derin ağlar (LightGBM, U-Net) tahmini yapar.
04 · XAI
Açıklanabilir AI
SHAP her tahmini girdilerine bağlar; böylece bir sonuç okunabilir, denetlenebilir ve güvenilir olur.
Doğruluk tek başına yeterli değildir. Güvenlik ve uzaktan algılamada bir karar savunulabilir olmalıdır — SHAP bir modeli kara kutudan, bir incelemecinin sorgulayabileceği bir şeye dönüştürür; sonucu pratikte kullanılabilir kılan da budur.