/ai
Yapay Zekâ & Teknoloji
Model kurmak kadar, modelin sonucuna neden güvenilebileceğini göstermekle de ilgileniyorum. Bu sayfa yapay zekâ alanındaki çalışmalarımı, notlarımı ve yazılarımı bir araya getiriyor.
Çalışma alanları
Derin öğrenme & bilgisayarlı görü
Tıbbi görüntü sınıflandırma, transfer öğrenme ve segmentasyon (U-Net).
Doğal dil & RAG
Türkçe metinler için çok dilli gömmeler, madde bazlı parçalama ve kaynağa dayalı yanıt.
Yapay zekâ güvenliği
ML tabanlı web güvenlik duvarlarının LLM ile üretilen saldırılara karşı dayanıklılığı.
Otomasyon & ajanlar
n8n ile iş akışı otomasyonu; yapay zekâyı kurum içi süreçlere bağlamak.
Yapay zekâ projeleri
- 2026NeuroVision AIBeş mimari ile MR tabanlı beyin tümörü sınıflandırmasıComputer Vision
- 2026Türk Hukuku RAGTürk mevzuatı üzerinde madde bazlı parçalama ile çalışan soru-cevap sistemi.NLP · RAG
- 2026ML-WAF DayanıklılığıLLM ile üretilen saldırılar ve adversarial trainingSecurity
- 2026Segmentasyon (planlanan)BRISC2025 · U-Net + EfficientNetB0 kodlayıcıComputer Vision
Metodoloji notları
Deterministik veri hazırlığı
Tüm deneyler aynı tohum (SEED=42) ve aynı temizlenmiş bölmeyi paylaşır; karşılaştırmalar adil kalır.
Sızıntıyı ölçmek
SHA-256 + pHash ile tekrar temizliği, GroupShuffleSplit ve kodda sızıntı doğrulamaları.
Anatomiye saygılı veri artırma
Beyin MR'larında yatay çevirme kullanılmaz; simetri varsayımı bilgi kaybettirebilir.
Hata da bir bulgudur
EarlyStopping geri çağrısının durum taşıması, sonuçları etkileyen bir metodoloji notu olarak belgelendi.
Kullanılan teknolojiler
- Diller
- Python · Dart · C#
- Modeller
- ResNet50 · DenseNet121 · EfficientNetB0 · YOLOv8 · U-Net
- NLP
- sentence-transformers · paraphrase-multilingual-MiniLM-L12-v2
- Veri
- ChromaDB · pHash · SHA-256
- Altyapı
- Kaggle (Tesla P100 / T4) · Firebase
- Otomasyon
- n8n