İstatistik okuyorum, işim veriyle bir soruyu cevaplanabilir hâle getirmek. Python ve SQL ile çalışıyorum; regresyon ve sınıflandırma problemlerinde LightGBM, XGBoost ve scikit-learn kullanıyorum.
Model kurmakla bitmiş saymıyorum: kurduğum modelleri Streamlit ile yayına aldım, birini CoreML'e çevirip bir iOS uygulamasının içine koydum. Aşağıdaki çalışmaların tamamı GitHub ve Kaggle'da açık.
Şekil 01 — Koyu bant tamamlanan dönemi, açık bant kalan dönemi gösterir. Eksen takvim yılıdır, aralıklar ölçeklidir.
Bir iOS uygulamasının spam tespit altyapısını kurdum.
Metin verisini temizleyip FastText ile sınıflandırma modeli eğittim, çıkan ağırlıkları CoreML formatına çevirerek uygulamanın içine gömdüm. Model sunucuda değil, telefonun kendisinde çalışıyor — internet bağlantısı ve mesajın dışarı çıkması gerekmiyor.
Brezilya e-ticaret verisi üzerine uçtan uca SQL analizi.
Dokuz tablolu şemayı kurdum, RFM ile müşteri segmentasyonu ve cohort retention analizi yaptım. Sorgular CTE ve window function üzerine kurulu — asıl iş modelde değil, soruyu doğru sorguya çevirmekteydi.
Bisiklet paylaşım talebini saatlik tahmin eden model — R² ≈ 0,90.
LightGBM ile kurdum, istatistiksel feature engineering ağırlıklı bir çalışma oldu. Streamlit ile canlıya aldım: not defterinde kalan bir model değil, girdi verip çıktı alınabilen bir arayüz.
Oracle veritabanı üzerinde SQL sorguları yazarak ve Excel ile raporlama yaparak veri analitiği süreçlerine destek verdim.