PhD and Data & Cloud Architect with over a decade of hands-on experience in data science, cloud architecture, and business intelligence. I hold a Doctorate degree along with a Master's in Engineering and industry certifications including PMP®, Microsoft Azure, Cisco CCNA, and ISC² CC.

I'm driven by the power of technology to solve real-world problems and enable organizations to achieve their objectives through smart, data-driven strategies. My proficiency extends across leading cloud platforms (Azure, AWS, GCP), virtualization technologies (Docker, Kubernetes, VMware, KVM), and open-source systems (Linux, FreeBSD, Unix). I specialize in building secure, scalable infrastructures that drive operational efficiency and innovation.

My doctoral research focused on financial crisis prediction using a multi-modal approach that combines Natural Language Processing, time series analysis, machine learning, deep learning, and transformer architectures. By analyzing sentiment in financial texts and forecasting economic indicators, I developed models that provide early warning signals for potential market disruptions.

I also maintain active research in network security — my Master's thesis "Network Monitoring System using Machine Learning: Comparative Analysis of Classification Techniques for Network Traffic Monitoring" (2019) compared 6 different algorithms on the NSL-KDD dataset, demonstrating that context matters more than any single "best" model when classifying DoS, Probe, R2L, and U2R attacks.

Whether through advanced analytics with BI tools like Power BI and Tableau, or virtualization and cloud integration, my focus is on delivering transformative results that support business re-engineering efforts.

📂 Current Focus
├── ☁️ Cloud & Data Architecture
│   ├── Designing scalable enterprise solutions on Azure, AWS, GCP
│   ├── Building data pipelines and ETL processes
│   └── Infrastructure as Code with Terraform
│
├── 📊 Business Intelligence
│   ├── Advanced analytics with Power BI and Tableau
│   ├── Data visualization and executive dashboards
│   └── Data-driven decision support systems
│
├── 🐧 Open Source & DevOps
│   ├── Container orchestration with Docker & Kubernetes
│   ├── Linux/FreeBSD system administration
│   └── Virtualization solutions (KVM, VMware, Proxmox)
│
└── 🔬 Research & Innovation
    ├── Machine learning applications in finance
    ├── Network security and anomaly detection
    └── Deep learning model optimization

Python	TensorFlow	PyTorch	Scikit-learn	Keras	Pandas
NumPy	Azure	AWS	GCP	OpenCV	Matplotlib

Linux	Unix/BSD	Docker	Kubernetes	Terraform
VMware	KVM	Cisco	Proxmox	Bash

Cloud Platforms     : Microsoft Azure · AWS · Google Cloud Platform
Virtualization      : Docker · Kubernetes · VMware · KVM · Proxmox
Operating Systems   : Linux · FreeBSD · Unix · Open Source Systems
Deep Learning       : Keras · TensorFlow · Neural Networks · MLP
Machine Learning    : Scikit-learn · SVM · Decision Trees · Random Forest · Naive Bayes
Data Processing     : Pandas · NumPy · Feature Engineering · PCA
BI & Visualization  : Power BI · Tableau · Matplotlib · Seaborn
NLP & Transformers  : Hugging Face · Sentiment Analysis · Text Classification

Git

GitHub

VS Code

Jupyter

Power BI

Tableau

Doctoral dissertation — An interdisciplinary project combining natural language processing, time series analysis, and transformer models to predict financial crises. This work demonstrates the application of cutting-edge ML techniques to real-world economic challenges.

Key Features:

• NLP Pipeline: Sentiment analysis of financial news, reports, and social media
• Time Series: Economic indicator forecasting with LSTM and advanced architectures
• Transformers: State-of-the-art sequence modeling for pattern recognition
• Ensemble Methods: Combining multiple methodologies for robust predictions
• Real-world Application: Early warning system for market disruptions

Tech Stack: Python Transformers Hugging Face TensorFlow LSTM NLP Time Series

Master's thesis project (2019) — A comprehensive network monitoring system that classifies network traffic into 5 categories using the NSL-KDD dataset. This research compared multiple machine learning classification techniques for network traffic monitoring and anomaly detection.

Key Features:

• Dataset: NSL-KDD with 125,973 training and 25,192 test samples
• Classification: 5-class (Normal, DoS, Probe, R2L, U2R attacks)
• Algorithms: Neural Networks (MLP), SVM, Decision Tree, Random Forest, Logistic Regression, Gaussian Naive Bayes
• Preprocessing: LabelEncoder, MinMax Scaling, PCA dimensionality reduction
• Validation: 5-Fold Cross Validation for robust performance estimation
• Documentation: Bilingual (English/Turkish)

Tech Stack: Python Keras TensorFlow Scikit-learn Pandas NumPy

Deep dive into neural network-based traffic classification using Multi-Layer Perceptron architecture. This project explores the effectiveness of deep learning for network security applications.

Key Features:

• Custom MLP architecture for traffic classification
• Performance benchmarking and optimization
• Detailed analysis of hidden layer configurations

Tech Stack: Python TensorFlow Keras Neural Networks

A practical networking tool for IP subnet calculations, demonstrating applied knowledge of network fundamentals.

Tech Stack: C# .NET

I'm always interested in discussing network security, intrusion detection systems, machine learning applications, or potential collaborations. Whether you have questions about my research, want to explore joint projects, or just want to talk about the latest developments in AI/ML for cybersecurity — feel free to reach out!

Veri bilimi, bulut mimarisi ve iş zekası alanlarında on yılı aşkın uygulamalı deneyime sahip Doktor ve Veri & Bulut Mimarıyım. Doktora derecesinin yanı sıra Mühendislik Yüksek Lisansı ve PMP®, Microsoft Azure, Cisco CCNA ve ISC² CC sertifikalarına sahibim.

Teknolojinin gerçek dünya problemlerini çözme gücü beni motive ediyor. Organizasyonların akıllı, veri odaklı stratejilerle hedeflerine ulaşmasını sağlamak için çalışıyorum. Uzmanlığım önde gelen bulut platformları (Azure, AWS, GCP), sanallaştırma teknolojileri (Docker, Kubernetes, VMware, KVM) ve açık kaynak sistemleri (Linux, FreeBSD, Unix) kapsıyor. Operasyonel verimliliği ve inovasyonu artıran güvenli, ölçeklenebilir altyapılar inşa etmede uzmanlaşıyorum.

Doktora araştırmamda, Doğal Dil İşleme, zaman serisi analizi, makine öğrenmesi, derin öğrenme ve transformer mimarilerini birleştiren çok modlu bir yaklaşımla finansal kriz tahminine odaklandım. Finansal metinlerdeki duyguları analiz ederek ve ekonomik göstergeleri tahmin ederek, potansiyel piyasa bozulmaları için erken uyarı sinyalleri sağlayan modeller geliştirdim.

Ayrıca ağ güvenliği alanında aktif araştırmalarımı sürdürüyorum — "Makine Öğrenmesi Kullanarak Ağ İzleme Sistemi: Ağ Trafiği İzleme için Sınıflandırma Tekniklerinin Karşılaştırmalı Analizi" başlıklı Yüksek Lisans tezimde (2019) NSL-KDD veri seti üzerinde 6 farklı algoritmayı karşılaştırdım ve DoS, Probe, R2L ve U2R saldırılarını sınıflandırırken tek bir "en iyi" modelden ziyade bağlamın önemli olduğunu gösterdim.

Power BI ve Tableau gibi BI araçlarıyla gelişmiş analitikten sanallaştırma ve bulut entegrasyonuna kadar odak noktam, iş süreçlerinin yeniden yapılandırılmasını destekleyen dönüştürücü sonuçlar sunmak.

📂 Mevcut Odak Alanları
├── ☁️ Bulut & Veri Mimarisi
│   ├── Azure, AWS, GCP üzerinde ölçeklenebilir kurumsal çözümler tasarlama
│   ├── Veri pipeline'ları ve ETL süreçleri oluşturma
│   └── Terraform ile Kod Olarak Altyapı
│
├── 📊 İş Zekası
│   ├── Power BI ve Tableau ile gelişmiş analitik
│   ├── Veri görselleştirme ve yönetici dashboard'ları
│   └── Veri odaklı karar destek sistemleri
│
├── 🐧 Açık Kaynak & DevOps
│   ├── Docker ve Kubernetes ile container orkestrasyonu
│   ├── Linux/FreeBSD sistem yönetimi
│   └── Sanallaştırma çözümleri (KVM, VMware, Proxmox)
│
└── 🔬 Araştırma & İnovasyon
    ├── Finans alanında makine öğrenmesi uygulamaları
    ├── Ağ güvenliği ve anomali tespiti
    └── Derin öğrenme model optimizasyonu

Python	TensorFlow	PyTorch	Scikit-learn	Keras	Pandas
NumPy	Azure	AWS	GCP	OpenCV	Matplotlib

Linux	Unix/BSD	Docker	Kubernetes	Terraform
VMware	KVM	Cisco	Proxmox	Bash

Bulut Platformları  : Microsoft Azure · AWS · Google Cloud Platform
Sanallaştırma       : Docker · Kubernetes · VMware · KVM · Proxmox
İşletim Sistemleri  : Linux · FreeBSD · Unix · Açık Kaynak Sistemler
Derin Öğrenme       : Keras · TensorFlow · Sinir Ağları · MLP
Makine Öğrenmesi    : Scikit-learn · SVM · Karar Ağaçları · Random Forest · Naive Bayes
Veri İşleme         : Pandas · NumPy · Özellik Mühendisliği · PCA
BI & Görselleştirme : Power BI · Tableau · Matplotlib · Seaborn
NLP & Transformers  : Hugging Face · Duygu Analizi · Metin Sınıflandırma

Git

GitHub

VS Code

Jupyter

Power BI

Tableau

Doktora tezi — Finansal krizleri tahmin etmek için doğal dil işleme, zaman serisi analizi ve transformer modellerini birleştiren disiplinlerarası bir proje. Bu çalışma, en güncel ML tekniklerinin gerçek dünya ekonomik zorluklarına uygulanmasını gösteriyor.

Temel Özellikler:

• NLP Pipeline: Finansal haberler, raporlar ve sosyal medyanın duygu analizi
• Zaman Serisi: LSTM ve gelişmiş mimarilerle ekonomik gösterge tahmini
• Transformers: Örüntü tanıma için son teknoloji dizi modelleme
• Topluluk Yöntemleri: Güçlü tahminler için birden fazla metodolojinin birleştirilmesi
• Gerçek Dünya Uygulaması: Piyasa bozulmaları için erken uyarı sistemi

Teknoloji Stack'i: Python Transformers Hugging Face TensorFlow LSTM NLP Zaman Serisi

Yüksek Lisans tez projesi (2019) — NSL-KDD veri setini kullanarak ağ trafiğini 5 kategoriye sınıflandıran kapsamlı bir ağ izleme sistemi. Bu araştırma, ağ trafiği izleme ve anomali tespiti için birden fazla makine öğrenmesi sınıflandırma tekniğini karşılaştırdı.

Temel Özellikler:

• Veri Seti: 125.973 eğitim ve 25.192 test örneği içeren NSL-KDD
• Sınıflandırma: 5 sınıf (Normal, DoS, Probe, R2L, U2R saldırıları)
• Algoritmalar: Sinir Ağları (MLP), SVM, Karar Ağacı, Random Forest, Lojistik Regresyon, Gaussian Naive Bayes
• Ön İşleme: LabelEncoder, MinMax Ölçekleme, PCA boyut indirgeme
• Doğrulama: Güçlü performans tahmini için 5-Fold Çapraz Doğrulama
• Dokümantasyon: İki dilli (İngilizce/Türkçe)

Teknoloji Stack'i: Python Keras TensorFlow Scikit-learn Pandas NumPy

Çok Katmanlı Algılayıcı mimarisi kullanarak sinir ağı tabanlı trafik sınıflandırmasına derinlemesine bakış. Bu proje, ağ güvenliği uygulamaları için derin öğrenmenin etkinliğini araştırıyor.

Temel Özellikler:

• Trafik sınıflandırması için özel MLP mimarisi
• Performans kıyaslama ve optimizasyon
• Gizli katman konfigürasyonlarının detaylı analizi

Teknoloji Stack'i: Python TensorFlow Keras Sinir Ağları

IP alt ağ hesaplamaları için pratik bir ağ aracı, ağ temellerinin uygulamalı bilgisini gösteriyor.

Teknoloji Stack'i: C# .NET

Ağ güvenliği, saldırı tespit sistemleri, makine öğrenmesi uygulamaları veya potansiyel işbirlikleri hakkında konuşmak her zaman ilgimi çeker. Araştırmamla ilgili sorularınız varsa, ortak projeler keşfetmek istiyorsanız veya sadece siber güvenlik için yapay zeka/makine öğrenmesindeki son gelişmeler hakkında sohbet etmek istiyorsanız — çekinmeden ulaşın!