مهندس هوش مصنوعی و یادگیری ماشین با تجربه عملی در توسعه راهکارهای مبتنی بر یادگیری عمیق، بینایی ماشین، پردازش داده و هوش مصنوعی مولد هستم. زمینه اصلی فعالیت من شامل طراحی و پیاده‌سازی مدل‌های یادگیری ماشین، دسته‌بندی و تحلیل تصاویر، تشخیص و ردیابی اشیا، پردازش تصویر و ویدئو، مدل‌های Transformer، مدل‌های زبانی بزرگ و توسعه پایپ‌لاین‌های کامل هوش مصنوعی است.

در اجرای پروژه‌ها می‌توانم از مرحله بررسی مسئله، آماده‌سازی و پاک‌سازی داده و مهندسی ویژگی تا انتخاب مدل، آموزش، تنظیم ابرپارامترها، ارزیابی، بهینه‌سازی، مصورسازی نتایج و استقرار اولیه سامانه را انجام دهم. ابزارهای اصلی من Python، PyTorch، TensorFlow، Scikit-learn، OpenCV، YOLO، Pandas، NumPy، Hugging Face Transformers، LangChain، SQL، Docker، Streamlit، Git و Linux هستند.

سوابق حرفه‌ای

در مرکز سیستم‌های اطلاعاتی و علوم داده شریف، روی پروژه‌های هوش مصنوعی مرتبط با نگهداری و تعمیرات پیش‌بینانه و پایش سلامت باتری‌ها و یاتاقان‌ها فعالیت کرده‌ام. مسئولیت‌های من شامل آماده‌سازی داده، پیاده‌سازی و ارزیابی مدل‌ها، طراحی آزمایش‌ها، تنظیم ابرپارامترها و تحلیل نتایج بوده است. در این پروژه‌ها از معماری‌های مبتنی بر Transformer، یادگیری مقابله‌ای، شبکه‌های عصبی آگاه از فیزیک و مدل‌های انتشار استفاده شده است. نتایج این فعالیت پژوهشی به انتشار یک مقاله داوری‌شده در مجله Q1 منجر شد.

در آزمایشگاه بینایی ماشین دانشگاه صنعتی شریف، راهکارهای بینایی ماشین برای پلتفرم‌های کوادکوپتر را توسعه داده‌ام. این فعالیت شامل تشخیص و ردیابی اشیا، بهبود کیفیت تصویر، بازشناسی بصری، آماده‌سازی داده‌های تصویری و ویدئویی، آموزش مدل‌های یادگیری عمیق و ارزیابی عملکرد آن‌ها بوده است.

همچنین در دانشکده هوش مصنوعی دانشگاه صنعتی شریف، روی تحلیل داده‌های نوروتصویربرداری و تخمین وضعیت‌های ذهنی کار کرده‌ام. در این پروژه، داده‌های fMRI، الگوهای اتصال عملکردی مغز و کاربرد شبکه‌های عصبی گرافی برای یادگیری بازنمایی‌های مغزی بررسی شدند.

در بوت‌کمپ علوم داده شرکت فناپ نیز پس از پذیرش از طریق مسابقه حافظ کوئرا، پروژه‌های عملی در زمینه Python، SQL، یادگیری ماشین و یادگیری عمیق انجام داده‌ام و در میان شرکت‌کنندگان برتر دوره قرار گرفته‌ام. در طول این دوره با معماری‌هایی مانند CNN، RNN، GAN و Transformer کار کردم.

پروژه‌های منتخب

در پروژه دسته‌بندی ضایعات پوستی صورت، یک سامانه تحلیل تصاویر پزشکی برای تشخیص پنج گروه از ضایعات پوستی توسعه دادم. برای مدیریت محدودیت داده‌های پزشکی از ResNet-18 و یادگیری انتقالی استفاده شد. مدل به دقت آزمون ۸۰ درصد و Macro F1-score برابر با ۰٫۸۰ رسید. برای تفسیر پیش‌بینی‌ها و بررسی نواحی مؤثر تصویر نیز از Grad-CAM استفاده کردم.

در پروژه تشخیص بلادرنگ اشیا با YOLO، یک پایپ‌لاین کامل شامل آماده‌سازی داده، برچسب‌گذاری تصاویر، آموزش و تنظیم دقیق مدل، ارزیابی عملکرد، اجرای مدل و مصورسازی نتایج توسعه دادم. همچنین تجربه ایجاد و پردازش مجموعه‌داده‌های اختصاصی برای آموزش مدل‌های تشخیص اشیا را دارم.

در پروژه پایپ‌لاین کامل یادگیری ماشین، مراحل پیش‌پردازش داده، مهندسی ویژگی، آموزش، ارزیابی و استقرار مدل را پیاده‌سازی کردم. برای استفاده تعاملی از مدل، رابط پیش‌بینی با Streamlit ساختم و برنامه را با Docker کانتینرسازی کردم تا اجرای آن قابل تکرار و استقرار آن ساده‌تر باشد.

حوزه‌های همکاری

آماده همکاری در پروژه‌های یادگیری ماشین و یادگیری عمیق، تحلیل و آماده‌سازی داده، دسته‌بندی تصاویر، تشخیص و ردیابی اشیا، پردازش تصویر و ویدئو، مدل‌های YOLO و CNN، پروژه‌های پزشکی مبتنی بر تصویر، مدل‌های Transformer و LLM، سامانه‌های RAG، ساخت رابط‌های پیش‌بینی با Streamlit و کانتینرسازی پروژه‌ها با Docker هستم.

در همکاری‌های پروژه‌ای، به درک دقیق نیاز کارفرما، ارتباط منظم و شفاف، کدنویسی ساختاریافته، ارزیابی قابل‌اندازه‌گیری مدل، مستندسازی مناسب و تحویل مرحله‌ای اهمیت می‌دهم. هدف من ارائه راهکاری است که علاوه بر عملکرد فنی مناسب، قابل استفاده، قابل توسعه و متناسب با نیاز واقعی پروژه باشد.