Sedef Alkan

Bu proje, YOLOv8 modeli kullanılarak gerçek zamanlı araç tespiti, araç takibi ve araç türü sınıflandırması yapan bir bilgisayarla görme uygulamasıdır. ByteTrack tabanlı takip algoritması ile her aracın kimliği korunur, yoğunluk analizi ile trafikteki araç sayısı ve yoğunluk değişimi hesaplanır. Sistem hem video dosyaları hem de canlı kamera akışı üzerinde çalışabilir ve sonuçları işlenmiş çerçeveler (annotated frames) hâlinde gösterir. Proje, gerçek zamanlı video analitiği için modern ve optimize edilmiş bir AI pipeline örneği sunar.

Bu proje, finansal işlemlerde gerçekleşen sahtekarlıkları tespit etmek için makine öğrenmesi tabanlı bir analiz ve sınıflandırma sistemi oluşturur. Veri setindeki işlem özelliklerini kullanarak sahte (fraud) ve gerçek (non-fraud) işlemleri ayırt eden modeller eğitilir ve performans metrikleri (accuracy, precision, recall, F1-score) değerlendirilir. Proje, veri ön işleme, dengesiz veri ile çalışma, özellik analizi ve farklı ML algoritmalarının karşılaştırılması gibi finans sahtekarlığı tespitinde kritik olan süreçleri içerir.

Bu proje, bir restoranın çalışma mantığını çoklu iş parçacığı (multithreading) yapısı ile simüle eden bir C# uygulamasıdır. Müşterilerin restorana gelişi, sipariş verme süreci, garsonların siparişleri hazırlaması ve servis etmesi gibi işlemler eşzamanlı (concurrent) olarak yönetilir. Thread’ler sayesinde aynı anda birden fazla müşteri ve garsonun çalışması sağlanır ve restoranın yoğunluk yönetimi gerçekçi bir şekilde modellenir. Proje, senkronizasyon, kritik bölgeler ve thread-safe veri yapıları gibi çoklu iş parçacığı programlamasının temel kavramlarını uygulamalı olarak göstermektedir.

Bu proje, DeepFace kütüphanesindeki farklı yüz tanıma modelleri (ArcFace, VGG-Face, Facenet, Dlib, GhostFaceNet) ile yüz algılama yöntemlerini (RetinaFace, MTCNN, Dlib, SSD) karşılaştırarak doğruluk performanslarını ölçen kapsamlı bir test ve analiz uygulamasıdır. Sistem, master.csv dosyasındaki yüz görüntüsü çiftlerini her model–algılayıcı kombinasyonu ile doğrular, sonuçları deepface_comparison_results.csv dosyasına kaydeder ve daha sonra bu verileri pivot tablo hâline getirip matplotlib ile görselleştirir. Böylece hangi model + detector kombinasyonunun en yüksek doğruluğu sağladığı kolayca analiz edilebilir.

Bu proje, video akışlarından yüz ifadelerini tespit ederek gerçek zamanlı duygu sınıflandırması yapan bir derin öğrenme sistemidir. MTCNN ile yüzler otomatik olarak algılanır, her yüz için zaman serisi oluşturmak amacıyla ardışık frame’ler kaydedilir ve bu sekanslar 3D-CNN tabanlı modele verilerek duygu tahmini yapılır. Model, mutluluk, üzüntü, şaşkınlık ve öfke gibi temel duyguları sınıflandırır. VideoMAE tabanlı embedding yapısı, zaman boyutundaki hareket bilgisini yakalayarak tahmin doğruluğunu artırır. Sistem hem canlı kamera akışı hem de video dosyaları üzerinde çalışır.

Bu proje, iki popüler yüz tespit modeli olan RetinaFace ve MTCNN’i hız, doğruluk ve görüntü koşullarına dayanıklılık açısından karşılaştırmak için hazırlanmış bir Python uygulamasıdır. Aynı görüntü seti üzerinde her iki modelin yüz algılama performansı ölçülmüş, tespit edilen yüz sayısı, algılama kalitesi ve işlem süresi değerlendirilmiştir. Proje, yüz tanıma sistemleri için hangi tespit modelinin daha uygun olduğunu analiz etmek isteyen geliştiriciler ve araştırmacılar için temel bir karşılaştırma ortamı sağlar.

Bu çalışma, olimpiyat sporcularına ait büyük bir veri setini (athlete_events.csv) kullanarak veri okuma, veri temizleme, eksik değer doldurma, istatistiksel analiz ve görselleştirme işlemleri gerçekleştiren bir Python veri analizi projesidir. Veri setindeki sütunlar yeniden adlandırılmış, eksik boy–kilo–yaş değerleri etkinlik bazlı ortalamalara göre doldurulmuş ve madalya almayan sporcular veri setinden çıkarılmıştır. Sonuç olarak temizlenmiş veri yeni bir CSV dosyasına kaydedilmiş ve sayısal değişkenler için histogram ile kutu grafikleri oluşturularak görsel analiz yapılmıştır.

Bu proje, DeepFace’in ArcFace modelini kullanarak yüz doğrulama işlemi yapan bir Python uygulamasıdır. Sistem, bir CSV dosyasında belirtilen yüz görüntüsü çiftlerini otomatik olarak karşılaştırır, her çift için benzerlik skorunu hesaplar ve sonuçları Matplotlib kullanarak görselleştirir. ArcFace embedding’leri ile yüksek doğruluklu yüz benzerliği analizi sağlayan bu çalışma, kimlik doğrulama, güvenlik ve yüz karşılaştırma testleri için hızlı ve pratik bir çözüm sunar.

FaceRecognitionTest, OpenCV tabanlı bir yüz tanıma SDK’sı kullanarak kişi kaydı, yüz koleksiyon yönetimi ve yüz karşılaştırma işlemlerini gerçekleştiren bir Python projesidir. Kullanıcılar yeni koleksiyonlar oluşturabilir, kişileri birden fazla yüz görseli ile sisteme kaydedebilir ve verilen bir görüntü üzerinden arama yaparak en yüksek benzerlik oranına sahip kişiyi bulabilir. Sistem aynı zamanda kişiye ait olduğu koleksiyonları listeler ve SDK üzerinden yüz embedding’leri kullanarak hızlı ve güvenilir bir tanıma süreci sağlar.

ProductMatch, ürün isimlerini ve ürün açıklamalarını karşılaştırarak benzerlik analizi yapan bir metin işleme projesidir. Kullanıcıdan alınan iki ürün metni üzerinde kelime tabanlı ayrıştırma, ortak terim analizi ve benzerlik hesaplaması yapılır. Ürünlerin içerik bakımından ne kadar benzer olduğunu belirlemek için temel metin işleme (NLP) yöntemleri kullanılmıştır. Proje, özellikle e-ticaret sistemlerinde ürün eşleştirme, kategorileştirme ve duplicate detection gibi alanlarda çözümler üretmek için geliştirilmiştir.

Bu proje, öğrencilerin temel bilgilerini, aldıkları dersleri ve not durumlarını yöneten basit bir Öğrenci Bilgi Sistemi uygulamasıdır. Öğrenci ekleme, silme, güncelleme, ders tanımlama ve öğrenci–ders ilişkilerini yönetme gibi temel işlevleri içerir. Kullanıcı dostu bir konsol arayüzüyle öğrencilerin akademik kayıtlarının düzenli bir şekilde saklanmasını sağlar. Kod yapısı nesne yönelimli programlama (OOP) prensiplerine göre tasarlanmıştır.

Bu proje, Google Akademik üzerinden yapılan aramalar ile belirli makalelerin başlıklarını, yazar bilgilerini, alıntı sayısını ve yayın tarihlerini web kazıma (web scraping) tekniğiyle toplar. Veriler MongoDB veritabanına kaydedilir ve kullanıcı, web arayüzü aracılığıyla bu makalelere ulaşabilir. Ayrıca, makalelerin PDF bağlantıları da kazınarak kullanıcılara sağlanır. Kullanıcılar, makaleleri arayarak filtreleme yapabilir ve ilgili PDF dosyalarını indirebilir.