Web ve mobil uygulamalar, REST API'ler ve yapay zekâ entegreli ürünler geliştiriyorum. LLM, RAG ve AI agents sistemleriyle ilgileniyor, bu alanlara yoğunlaşıyorum.
Yazılım Mühendisliği mezunuyum. React ve React Native arayüzlerinden Spring Boot, Node.js ve FastAPI servislerine; PostgreSQL, JWT ve Docker altyapısına uzanan uçtan uca uygulamalar geliştiriyorum. Google Play'de yayınladığım uygulamada Gemini ve RAG teknolojilerini kullandım. LLM'ler, RAG ve AI agents alanlarına odaklanıyor, takım çalışmasına ve sürekli öğrenmeye önem veriyorum.
Full-stack geliştirme, yapay zekâ ve otomasyon alanlarındaki seçili projeler.
KİŞİSEL PROJEÖNE ÇIKANGOOGLE PLAY'DE YAYINLANDI
EksperSiz
Google Play'de yayınladığım, React Native istemcisi, Spring Boot API'leri ve FastAPI tabanlı yapay zekâ servisiyle geliştirdiğim araç hasar değerlendirme ve yönetim uygulaması. Gemini multimodal LLM ile fotoğraf analizi, hasar özetleri, onarım ve tahmini maliyet yönlendirmeleri ile PDF raporları sunar. Araç ve bakım takibi, RAG asistanı, JWT kimlik doğrulama ve RevenueCat abonelikleri içerir.
Gemini ile fotoğraftan hasar analiziAraç ve bakım yönetimiOnarım ve maliyet rehberliğiPDF raporlarıRAG destekli araç asistanıJWT kimlik doğrulamaRevenueCat abonelikleri
Hasar analizi başlatın, aracınızı takip edin ve bakım bilgilerine tek bir yerden ulaşın.
01 / 06
KİŞİSEL PROJEBAĞIMSIZ GELİŞTİRME
Investing Hub
React web ve React Native/Expo mobil istemcileri, Node.js/Express API, isteğe bağlı MongoDB hesapları ve simüle portföy yönetimi içeren kripto para araştırma uygulaması. Sekiz coin için geçmiş dakika verileriyle eğitilmiş modeller, 1/15/60 dakikalık deneysel yön olasılıkları, gerçekleşen volatilite ve isteğe bağlı fiyat öngörüleri üretir. Modeller kronolojik testler ve referans karşılaştırmalarıyla değerlendirilir; uygulama Windows'ta yerel çalışır.
GELİŞTİRME DURUMU
Mobil istemci, backend servisleri ve veri akışları üzerinde çalıştım; yerel ML tahmin sisteminin geliştirilmesine katkı sağladım. Yön için Log Loss, volatilite için MAE öncelikli model seçimi, zaman serisi doğrulaması ve performans raporlaması kullanılıyor. Tahminler deneysel; gelecekteki başarı veya kârlılık iddiası yoktur.
Node.js + ExpressREST API · Kimlik doğrulama · Uygulama mantığı
→
MongoDBKullanıcılar · Portföy verileri
BACKEND ENTEGRASYONLARI
ML ForecastingYön olasılıkları · gerçekleşen volatilite · deneysel fiyat öngörüsü
LLM Market AnalysisPiyasa verileri ve haber analizi
MAKİNE ÖĞRENMESİ / VERİ ANALİTİĞİYEREL KARAR DESTEK PROTOTİPİ
GridGuard AI
Elektrik tüketim verilerinden riskli müşteri örüntülerini analiz eden ve inceleme önceliği oluşturan ML karar destek prototipi. Random Forest ile risk sıralaması, veri kalitesi ve anomali analizi, denetim kapasitesi planlaması ve Türkçe/İngilizce Streamlit paneli içerir. Sentetik kesinti, sayaç ve abonelik kayıtları ayrı bir operasyonel doğrulama katmanında değerlendirilir.
42.372 müşterilik tüketim verisi analiziNihai testte Precision@100: %43 · rastgele seçime göre 5,03× liftROC-AUC: 0,7883 · Average Precision: 0,3228Denetim kapasitesi planlama ve açıklanabilir raporlama
NİHAİ TEST SONUCUEn yüksek riskli 100 müşterinin 43'ü geçmiş veride pozitif etiketli (Precision@100: %43).
KULLANIM SINIRIYerel araştırma prototipi; sentetik operasyonel kayıtlar ML başarısını artırmak için kullanılmaz. Risk puanı doğrulanmış kaçak kanıtı değildir.
RAG / YAPAY ZEKÂ MÜHENDİSLİĞİYEREL PROTOTİP
Knowledge Retrieval Engine
Dokümanlardan güvenilir bilgiye erişim için geliştirdiğim uçtan uca RAG uygulaması. Semantik ve anahtar kelime tabanlı aramayı birleştirerek ilgili içerikleri bulur, Gemini ile kaynak gösteren yanıtlar üretir. Tekrarlanabilir indeksleme, rol tabanlı erişim, yönetim paneli, MCP arama aracı ve kalite değerlendirme akışları içerir.
Semantik + anahtar kelime tabanlı aramaKaynak referanslı ve kısmi yanıtlarArtımlı doküman indekslemeRol tabanlı yetkilendirme ve yönetim paneliRetrieval kalite değerlendirmeleriMCP üzerinden arama erişimi
Potansiyel müşterilerin sisteme girişinden satışa dönüşümüne kadar süreci izleyen; reklam maliyetleri, gelir ve kârlılık arasındaki ilişkiyi gösteren çalışan bir satış otomasyonu demosu. Etkileşimli panel üzerinden raporlama akışını deneyebilirsiniz.
Potansiyel müşteri ve satış takibiOtomatik raporlamaÖrnek kârlılık ve yatırım getirisi analiziEtkileşimli kontrol paneli
Canlı kontrol paneliDönüşüm · Kâr · Yatırım getirisi
DEMO VERİLERİSimüle edilmiş potansiyel müşteri ve sentetik satış verileri kullanılır; canlı Meta Ads bağlantısı yoktur.
FULL-STACK CASE ÇALIŞMASICANLI DEMO
FlowPilot
İş otomasyonu hizmetlerini tanıtan ve müşteri taleplerini toplayan full-stack web uygulaması. Responsive arayüzde oluşturulan talepler istemci ve sunucu tarafında doğrulanır, hız sınırlama uygulanır ve PostgreSQL'e güvenli biçimde kaydedilir. Açık/koyu tema, kullanıcı geri bildirimleri ve otomatik testler içerir.
Responsive arayüz ve açık/koyu temaİstemci ve sunucuda form doğrulamaPostgreSQL'de kalıcı talep kayıtlarıHız sınırlama ve otomatik testler
Keyfî beceri yüzdeleri kullanmıyorum; teknolojileri hangi alanlarda kullandığıma göre grupluyorum.
05DENEYİM / EĞİTİM
2024
Yazılım Mühendisliği Stajyeri · GDZ Elektrik Dağıtım A.Ş.
Ağustos–Eylül 2024: Python ve SQL kullanarak kurum içi masaüstü uygulamaya yeni özellikler ekledim, mevcut işlevleri geliştirdim; BT donanım, ağ operasyonları ve teknik dokümantasyona destek verdim.
2020 — 2025
Yazılım Mühendisliği Lisans · Yaşar Üniversitesi
2020–2025 · %100 burslu.
06 / İLETİŞİM
Bir sonraki projeyi birlikte geliştirelim.
Full-stack geliştirme, backend ve AI entegrasyonlarını kapsayan yazılım mühendisliği fırsatlarına açığım.