Veriyi çözümleyen,
doğayı keşfeden.Decoding data,
exploring the land.

Python’da, ticari çiçek düzenlemeleri için çoklu-modlu bir fiyat tahmin hattı kurdum: 3 farklı metin temsili, 4 regresyon algoritması ve 2 bilgisayarlı görü modelini bir araya getirdim. Erken füzyon ve geç füzyon stratejilerini karşılaştırmalı olarak değerlendirdim.

Yöntem. Çalışma, Türkiye’de faaliyet gösteren bir e-ticaret platformu üzerinden web kazıma yoluyla toplanan ürün metinleri ve görselleriyle başladı. Görsel analizde YOLOv8 Nano ve YOLOv11 nesne tespit modelleriyle gül sayısı, gül/aranjman oranı ve büyüklük gibi öznitelikler çıkarıldı; metin analizinde ise TF-IDF, Word2Vec ve BERT temsilleri karşılaştırıldı. Ridge, Random Forest, XGBoost ve LightGBM regresyon algoritmaları hem erken hem geç füzyon stratejileriyle birleştirildi; model karşılaştırması Nested Cross-Validation ve Out-of-Fold (OOF) tahminleriyle veri sızıntısı olmadan yapıldı.

Sonuç. En iyi sonucu (R² = 0.7764), TF-IDF metin özniteliklerini YOLOv11 tabanlı görüntü özniteliklerine erken füzyonla birleştiren bir Random Forest modeli verdi. SHAP analizi, gül sayısının ve belirli anahtar kelimelerin (ör. “like”, “powder”) fiyat tahminindeki baskın etkisini doğruladı.

Built a multimodal price prediction pipeline in Python combining 3 text representations, 4 regression algorithms, and 2 computer vision models; benchmarked early fusion and late fusion strategies for commercial flower arrangement pricing.

Method. The study began with product texts and images collected via web scraping from a Turkish e-commerce platform. For image analysis, YOLOv8 Nano and YOLOv11 object detection models extracted features such as rose count, rose-to-arrangement ratio, and size; for text analysis, TF-IDF, Word2Vec, and BERT representations were compared. Ridge, Random Forest, XGBoost, and LightGBM regression algorithms were combined through both early and late fusion strategies, with model comparison carried out leak-free via Nested Cross-Validation and Out-of-Fold (OOF) predictions.

Result. The best result (R² = 0.7764) came from a Random Forest model combining TF-IDF text features with YOLOv11-based image features through early fusion. SHAP analysis confirmed the dominant effect of rose count and specific keywords (e.g., “like”, “powder”) on price prediction.

Yöntem. Roboflow üzerinde etiketlenen badem görselleriyle bir YOLOv11 nesne tespit modeli eğitildi. Ürün, kağıda basılı 4 ArUco işaretçisiyle birlikte fotoğraflanıyor; bu işaretçiler hem piksel–milimetre ölçek kalibrasyonunu hem de perspektif hizalamayı sağlıyor. Tespit edilen bademler ürün yüzeyine bindirilen bir ızgara üzerine haritalanarak hücre bazında doluluk oranı, toplam badem sayısı ve badem büyüklüğü (mm cinsinden ortalama/minimum/maksimum) hesaplanıyor.

Sonuç. Doluluk oranı ve dağılımın homojenliğine göre ürün otomatik olarak İyi, Orta veya Kötü şeklinde sınıflandırılıyor; ön ve arka yüz ayrı ayrı değerlendiriliyor.

Method. A YOLOv11 object detection model was trained on almond images labeled in Roboflow. Each product is photographed alongside 4 printed ArUco markers, which provide both pixel-to-millimeter scale calibration and perspective alignment. Detected almonds are mapped onto a grid overlaid on the product surface to compute per-cell fill rate, total almond count, and almond size (average/min/max, in millimeters).

Result. Based on the fill rate and the homogeneity of the distribution, each product is automatically classified as Good, Medium, or Bad; the front and back faces are evaluated separately.

Üretim ortamındaki SQL veritabanları ve Azure Data Explorer gibi canlı veri kaynaklarına bağlanan Power BI çözümleri geliştiriyorum. Ham telemetriyi ve saha kontrol kayıtlarını analitik veri modellerine dönüştürüp kalite, süreç ve uygunluk göstergelerini gerçek zamanlıya yakın izlemeye açıyorum. Panolar yalnızca raporlama katmanı değil; tanımlı eşikler aşıldığında ya da beklenen kayıt oluşmadığında ilgili ekiplere otomatik e-posta uyarısı üreten aktif takip mekanizmaları da içeriyor.

Ratio Tracking — Hat Bazlı Kalite Performans Takibi. Üretilen ürünlerin tanımlı kalite standartlarına uygunluğunun hat bazında Green / Amber / Red oranlarıyla raporlanması. Her hat için en sık görülen ilk üç uygunsuzluk tipi ayrı bir kırılımda listeleniyor; vardiya, lokasyon ve hafta filtreleriyle fabrika genelinden tek hatta kadar inilebiliyor.

Control Tracking — Vardiya Bazlı Kontrol Takibi. Her vardiyada yapılması zorunlu periyodik kontrollerin gerçekleşip gerçekleşmediğinin izlenmesi. Tamamlanma oranı (% True / % False) hat, kontrol noktası, vardiya ve kontrolü yapan kullanıcı kırılımında raporlanıyor; beklenen kontrol kaydı oluşmadığında sistem otomatik e-posta uyarısı üretiyor.

Cp-Cpk — Proses Yeterlilik Raporu. Materyal ve analiz bazında yapılan ölçümlerin spesifikasyon limitleri içinde kalıp kalmadığının kontrolü. Ortalama, standart sapma ve Cp / Cpk değerleri otomatik hesaplanıyor; koşullu biçimlendirme ile yeterlilik eşiğinin altında kalan materyal–analiz kombinasyonları doğrudan öne çıkarılıyor.

Temperature Tracking — Sıcaklık Takibi. Azure Data Explorer üzerinden akan sensör verisiyle, tanımlı sıcaklık aralığında tutulması gereken bir depolama alanının bölge bazında ve gerçek zamanlıya yakın izlenmesi. Alan üç ayrı bölgeye ayrılarak ortalama sıcaklık, bölge kırılımı ve zaman serisi eğilimi üzerinden değerlendiriliyor; ölçümler belirlenen alt/üst limitlerin dışına çıktığında ilgili ekiplere otomatik e-posta uyarısı iletiliyor.

Aşağıdaki görseller, gizlilik gereği tüm tanımlayıcı bilgiler kaldırılarak yapı şeması hâline getirilmiştir.

I build Power BI solutions connected to live data sources such as production SQL databases and Azure Data Explorer. Raw telemetry and shop-floor control records are transformed into analytical data models, opening quality, process, and compliance indicators to near real-time monitoring. These dashboards are not only a reporting layer — they also act as active monitoring mechanisms that trigger automated e-mail alerts when defined thresholds are exceeded or an expected record is missing.

Ratio Tracking — Line-Level Quality Performance Tracking. Line-level reporting of product conformity to defined quality standards, expressed as Green / Amber / Red ratios. The top three recurring nonconformity types are listed per line in a separate breakdown, with shift, location, and week filters allowing drill-down from plant level to a single line.

Control Tracking — Shift-Based Control Tracking. Monitoring of mandatory periodic checks required in every shift. Completion rate (% True / % False) is reported by line, control point, shift, and operator; when an expected control record does not appear, the system generates an automated e-mail alert.

Cp-Cpk — Process Capability Report. Verification of whether measurements taken per material and analysis type remain within specification limits. Mean, standard deviation, and Cp / Cpk values are calculated automatically, with conditional formatting surfacing the material–analysis combinations that fall below the capability threshold.

Temperature Tracking. Near real-time, zone-based monitoring of a temperature-controlled storage area, driven by sensor data streamed from Azure Data Explorer. The area is divided into three zones and evaluated through average temperature, zone breakdown, and time-series trend; automated e-mail alerts are dispatched when readings fall outside the defined control limits.

All identifying information has been removed from the images below; they are presented as structural schematics for confidentiality.