As a specialist in Machine Learning, Deep Learning, and Data Mining ,Computer Vision ,..., I am passionate about transforming complex challenges into robust, data-driven solutions. This portfolio showcases my journey from foundational concepts to advanced deep learning architectures, featuring end-to-end projects, custom implementations, and a strong command of the underlying theory.

This roadmap provides a visual and textual overview of my expertise, covering a wide range of topics from mathematical foundations to emerging technologies in AI.

• Computer Vision: Proficient in designing architectures from foundational CNNs to advanced models like ResNet, YOLO, and U-Net for classification, object detection, and segmentation.
• Time Series & Sequential Data: Deep expertise in RNNs, LSTMs, and GRUs. Advanced skills in state-of-the-art Transformer-based models, including Attention mechanisms, N-BEATS, and the Temporal Fusion Transformer (TFT) for multivariate forecasting.
• Generative AI & LLMs: Experience with GANs, Diffusion Models, and Large Language Models (LLMs). Skilled in fine-tuning and implementing LLM applications using frameworks like LangChain.
• Specialized Models: Experience in building Siamese Networks for similarity learning, and Wide & Deep models for tabular data.

• Core Components: Mastery of deep learning building blocks, including custom layers, advanced activation functions (GELU, Swish), and sophisticated weight initializers (He, Glorot).
• Training & Optimization: In-depth knowledge of optimization algorithms (AdamW, Nadam, RMSProp). Expertise in preventing overfitting through regularization (L1/L2, Dropout) and normalization (Batch/Layer Normalization).
• Advanced Techniques: Skilled in managing vanishing/exploding gradients via Gradient Clipping and residual connections. Proficient in implementing learning rate schedulers (1cycle, Cosine Annealing) to accelerate convergence.
• Hyperparameter Tuning: Proficient with automated tools like KerasTuner and Optuna, and classical methods like GridSearch.

• API Mastery: Fluency in all three Keras APIs: Sequential for simple stacks, Functional for complex DAG models (e.g., multi-input/output), and Model Subclassing for creating fully customized, research-grade models.
• Low-Level Control: Expertise in building custom training loops with tf.GradientTape for unconventional regimes (e.g., GANs), providing complete control over the training process.
• High-Performance Data Pipelines: Designing and optimizing input pipelines using tf.data for massive datasets. Skilled in using TFRecords for efficient data storage and applying performance-tuning techniques like caching and prefetching.

• Supervised & Unsupervised Learning: Strong command of Regression, Classification (SVM, XGBoost), and Clustering (K-Means, DBSCAN, HDBSCAN).
• Data Preprocessing & Feature Engineering: Skilled in preparing data for modeling, including advanced encoding, feature scaling, and dimensionality reduction (PCA, UMAP).
• Recommender Systems: Solid understanding of Collaborative Filtering, Content-Based, and hybrid engines like Neural Collaborative Filtering.
• Automation, MLOps & Development: Experience with PyCaret for rapid prototyping and foundational MLOps knowledge (DVC, MLflow, Docker). Proficient in developing automation scripts and integrating with REST APIs (e.g., GitHub API) to streamline workflows, manage projects, and bridge the gap between development and deployment.

• Description: Developed and benchmarked a suite of advanced models including DeepAR, N-BEATS, and the Temporal Fusion Transformer (TFT),Temporal Convolutional Network (TCN) to forecast complex financial (stock market) and climate time series data.
• Technologies: TensorFlow, Darts, GluonTS, PyTorch Lightning
• Achievements: Significantly enhanced forecast accuracy by architecting a TFT model that effectively integrated external covariates. Implemented robust backtesting and historical forecasting to validate model performance and reliability in real-world scenarios.
• ➡️ View Project on GitHub

• Description: Engineered a comprehensive computer vision pipeline for object detection and semantic segmentation. This project implements and evaluates modern architectures to accurately identify, localize, and classify objects at the pixel level within complex scenes.
• Technologies: TensorFlow, Keras, OpenCV, YOLO, U-Net, Transfer Learning
• Achievements: Achieved high accuracy in object localization using fine-tuned YOLO models. Implemented U-Net for precise pixel-level semantic segmentation. Leveraged transfer learning and advanced data augmentation to optimize model performance and generalization on custom datasets.
• ➡️ View Project on GitHub

• Description: Designed a deep learning model with Hybrid Transformer Model,RNN,Ensemble Methods and others to classify heartbeat signals from the MIT-BIH Arrhythmia dataset, a challenging task due to severe class imbalance.
• Technologies: TensorFlow, Keras, Pandas, Matplotlib
• Achievements: Successfully tackled the class imbalance problem by implementing a custom Focal Loss function, which significantly improved the model's ability to detect and classify rare but critical arrhythmia classes.
• ➡️ View Project on GitHub

Description: This repository showcases deep TensorFlow proficiency by moving beyond high-level APIs. It focuses on architecting custom models from the ground up using Model Subclassing and controlling the entire training process with tf.GradientTape. The goal is to build flexible, research-ready models by mastering every component of the training loop.

• Technologies: TensorFlow 2.x, tf.GradientTape, tf.data API, Keras Model Subclassing, NumPy
• Achievements:
  • Unlocked the ability to implement and train novel, research-grade architectures (e.g., Siamese Networks, GANs) that require non-standard training logic.
  • Engineered fully customized training pipelines, providing complete control for advanced experimentation and debugging.
  • Mastered the tf.data API to build highly efficient and scalable input pipelines for large datasets.
• ➡️ View Project on GitHub

• Description: Developed a Python automation script to streamline GitHub portfolio management. The tool scans a local directory of Git projects, intelligently generates relevant topics from folder structures and README content, and applies these tags directly to the corresponding GitHub repositories via the API.
• Technologies: Python, GitHub API, Requests, Regex
• Achievements: Successfully automated a tedious manual process, ensuring consistent and comprehensive project tagging. The script features secure handling of credentials using getpass and includes a user confirmation step to prevent accidental updates, improving both efficiency and safety.
• ➡️ View Project on GitHub

1. Clone the Repository:

   git clone https://github.com/imehranasgari/imehranasgari.git

2. Create Environment: The recommended way is using the ai.yml file, which you can download here. This single environment is designed to work for all repositories, containing all necessary packages with GPU (CUDA) support, ensuring no package conflicts.

   conda env create -f ai.yml

3. Run Notebooks: Navigate to a project folder and run the .ipynb files in Jupyter or Google Colab.

من متخصص یادگیری ماشین، یادگیری عمیق و داده‌کاوی و بینایی ماشین و... هستم و با اشتیاق، مسائل پیچیده را به راه‌حل‌های هوشمند و داده‌محور تبدیل می‌کنم. این مجموعه، مسیر حرفه‌ای من از مفاهیم بنیادی تا معماری‌های پیشرفته را به نمایش می‌گذارد و شامل پروژه‌های کاربردی، پیاده‌سازی‌های اختصاصی و تسلط عمیق بر مبانی تئوری است.

این نقشه راه، دیدی کلی و جامع از تخصص من، از مبانی ریاضی تا فناوری‌های نوظهور در هوش مصنوعی را ارائه می‌دهد.

• بینایی کامپیوتر: مهارت در طراحی معماری‌ها از CNNهای بنیادین تا مدل‌های پیشرفته‌ای مانند ResNet، YOLO و U-Net برای طبقه‌بندی، تشخیص اشیاء و قطعه‌بندی.
• سری‌های زمانی و داده‌های ترتیبی: تخصص عمیق در RNN، LSTM و GRU. مهارت‌های پیشرفته در مدل‌های مبتنی بر Transformer، شامل مکانیزم Attention، N-BEATS و Temporal Fusion Transformer (TFT) برای پیش‌بینی‌های چندمتغیره.
• هوش مصنوعی مولد و LLM: تجربه کار با GAN، Diffusion Models و مدل‌های زبان بزرگ (LLM). مهارت در Fine-tuning و پیاده‌سازی اپلیکیشن‌های LLM با فریمورک‌هایی مانند LangChain.
• مدل‌های تخصصی: تجربه در ساخت Siamese Networks برای یادگیری شباهت و مدل‌های Wide & Deep برای داده‌های جدولی.

• اجزای اصلی: تسلط بر بلوک‌های سازنده یادگیری عمیق، شامل لایه‌های سفارشی، توابع فعال‌سازی پیشرفته (GELU, Swish) و مقداردهی اولیه وزن‌ها (He, Glorot).
• آموزش و بهینه‌سازی: دانش عمیق از الگوریتم‌های بهینه‌سازی (AdamW, Nadam, RMSProp). تخصص در جلوگیری از بیش‌برازش از طریق تنظیم (L1/L2, Dropout) و نرمال‌سازی (Batch/Layer Normalization).
• تکنیک‌های پیشرفته: مهارت در مدیریت چالش‌هایی مانند محو یا انفجار گرادیان با Gradient Clipping و اتصالات پسماند (Residual Connections). تسلط بر پیاده‌سازی زمان‌بندی نرخ یادگیری (1cycle, Cosine Annealing) برای تسریع همگرایی.
• تنظیم هایپرپارامترها: مهارت در استفاده از ابزارهای خودکار مانند KerasTuner و Optuna و روش‌های کلاسیک نظیر GridSearch.

• تسلط بر APIها: مهارت کامل در هر سه API کراس: Sequential برای مدل‌های ساده، Functional برای گراف‌های پیچیده (مانند چند ورودی/خروجی) و Model Subclassing برای ساخت مدل‌های کاملاً سفارشی و پژوهش‌محور.
• کنترل سطح پایین: تخصص در ساخت حلقه‌های آموزش سفارشی با tf.GradientTape برای رژیم‌های آموزشی غیرمتعارف (مانند GANs) که کنترل کامل بر فرآیند آموزش را فراهم می‌کند.
• پایپ‌لاین‌های داده با کارایی بالا: طراحی و بهینه‌سازی پایپ‌لاین‌های ورودی با tf.data برای مجموعه داده‌های عظیم. مهارت در استفاده از TFRecords برای ذخیره‌سازی بهینه و اعمال تکنیک‌های بهبود عملکرد مانند کَش کردن و پیش‌واکشی.

• یادگیری نظارت‌شده و بدون نظارت: تسلط قوی بر رگرسیون، طبقه‌بندی (SVM, XGBoost) و خوشه‌بندی (K-Means, DBSCAN, HDBSCAN).
• پیش‌پردازش داده و مهندسی ویژگی: مهارت در آماده‌سازی داده برای مدل‌سازی، شامل کدگذاری پیشرفته، مقیاس‌بندی ویژگی‌ها و کاهش ابعاد (PCA, UMAP).
• سیستم‌های توصیه‌گر: درک عمیق از Collaborative Filtering، Content-Based و موتورهای ترکیبی مانند Neural Collaborative Filtering.
• اتوماسیون، MLOps و توسعه ابزار: تجربه کار با PyCaret برای نمونه‌سازی سریع و دانش پایه‌ای MLOps (DVC, MLflow, Docker). مهارت در توسعه اسکریپت‌های اتوماسیون و یکپارچه‌سازی با REST API (مانند API گیت‌هاب) برای بهینه‌سازی فرآیندها، مدیریت پروژه‌ها و اتصال دنیای توسعه به استقرار نهایی.

• شرح: توسعه و ارزیابی مجموعه‌ای از مدل‌های پیشرفته شامل DeepAR، N-BEATS و Temporal Fusion Transformer (TFT),Temporal Convolutional Network (TCN) برای پیش‌بینی سری‌های زمانی پیچیده مالی (بازار سهام) و اقلیمی.
• تکنولوژی‌ها: TensorFlow, Darts, GluonTS, PyTorch Lightning
• دستاورد: افزایش چشمگیر دقت پیش‌بینی با طراحی یک مدل TFT که متغیرهای کمکی خارجی را به طور مؤثر ادغام می‌کرد. پیاده‌سازی روش‌های اعتبارسنجی قدرتمند backtesting و historical forecasting برای تضمین عملکرد مدل در سناریوهای واقعی.
• ⬅️ مشاهده پروژه در گیت‌هاب

• شرح: مهندسی و پیاده‌سازی یک پایپ‌لاین جامع بینایی کامپیوتر برای تشخیص اشیاء (object detection) و قطعه‌بندی معنایی (semantic segmentation). در این پروژه، معماری‌های مدرن برای شناسایی، مکان‌یابی و طبقه‌بندی دقیق اشیاء در سطح پیکسل در صحنه‌های پیچیده پیاده‌سازی و ارزیابی شده‌اند.
• تکنولوژی‌ها: TensorFlow, Keras, OpenCV, YOLO, U-Net, یادگیری انتقال (Transfer Learning)
• دستاوردها: دستیابی به دقت بالا در مکان‌یابی اشیاء با استفاده از مدل‌های YOLO که Fine-tune شده‌اند. پیاده‌سازی مدل U-Net برای قطعه‌بندی دقیق در سطح پیکسل. بهره‌گیری از یادگیری انتقال و تکنیک‌های پیشرفته افزایش داده (data augmentation) برای بهینه‌سازی عملکرد و قدرت تعمیم مدل بر روی دیتاست‌های سفارشی.
• ⬅️ مشاهده پروژه در گیت‌هاب

• شرح: طراحی یک مدل یادگیری عمیق به همراه Hybrid Transformer Model,RNN,Ensemble Methods و غیره برای طبقه‌بندی سیگنال‌های قلبی از دیتاست MIT-BIH Arrhythmia که به دلیل عدم توازن شدید کلاس‌ها چالشی بزرگ محسوب می‌شود.
• تکنولوژی‌ها: TensorFlow, Keras, Pandas, Matplotlib
• دستاورد: حل موفقیت‌آمیز مشکل عدم توازن کلاس‌ها با پیاده‌سازی یک تابع هزینه سفارشی به نام Focal Loss که توانایی مدل در تشخیص و طبقه‌بندی کلاس‌های آریتمی نادر اما حیاتی را به طور قابل توجهی بهبود بخشید.
• ⬅️ مشاهده پروژه در گیت‌هاب

• شرح: این پروژه با فراتر رفتن از APIهای سطح بالا، تسلط عمیق بر TensorFlow را نمایش می‌دهد. تمرکز این مجموعه بر معماری مدل‌های سفارشی از پایه با استفاده از Model Subclassing و کنترل کامل فرآیند آموزش با tf.GradientTape است. هدف، ساخت مدل‌های انعطاف‌پذیر و پژوهش‌محور از طریق تسلط بر تمام اجزای حلقه آموزش است.
• تکنولوژی‌ها: TensorFlow 2.x, tf.GradientTape, tf.data API, Keras Model Subclassing, NumPy
• دستاوردها:
  • کسب توانایی پیاده‌سازی و آموزش معماری‌های نوین و پژوهش‌محور (مانند شبکه‌های سیامی و GANs) که نیازمند منطق آموزش غیراستاندارد هستند.
  • مهندسی پایپ‌لاین‌های آموزشی کاملاً سفارشی با کنترل کامل برای انجام آزمایش‌ها و دیباگینگ پیشرفته.
  • تسلط بر tf.data API برای ساخت پایپ‌لاین‌های ورودی بسیار کارآمد و مقیاس‌پذیر برای دیتاست‌های حجیم.
• ⬅️ مشاهده پروژه در گیت‌هاب

• شرح: توسعه یک اسکریپت پایتون برای مدیریت خودکار پروفایل گیت‌هاب. این ابزار با اسکن دایرکتوری پروژه‌های محلی، به صورت هوشمند از روی ساختار پوشه‌ها و محتوای فایل README کلمات کلیدی مرتبط را استخراج کرده و آن‌ها را از طریق API گیت‌هاب به عنوان تاپیک به ریپازیتوری‌های مربوطه اضافه می‌کند.
• تکنولوژی‌ها: Python, GitHub API, Requests, Regex
• دستاوردها: خودکارسازی یک فرآیند دستی زمان‌بر که منجر به تگ‌گذاری یکپارچه و جامع پروژه‌ها شد. این اسکریپت با استفاده از getpass اطلاعات حساس را به صورت امن دریافت می‌کند و دارای یک مرحله تأیید نهایی توسط کاربر برای جلوگیری از تغییرات ناخواسته است که کارایی و امنیت را همزمان تضمین می‌کند.
• ⬅️ مشاهده پروژه در گیت‌هاب

۱. کلون کردن ریپازیتوری:

git clone https://github.com/imehranasgari/imehranasgari.git

۲. ساخت محیط: روش پیشنهادی استفاده از فایل ai.yml است که می‌توانید آن را از اینجا دانلود کنید. این محیط یکپارچه برای تمام ریپازیتوری‌ها طراحی شده و شامل تمام پکیج‌های ضروری با پشتیبانی از GPU (CUDA) است و هیچ‌گونه تداخلی بین پکیج‌ها وجود ندارد.

conda env create -f ai.yml

۳. اجرای نوتبوک‌ها: به پوشه پروژه مورد نظر بروید و فایل‌های .ipynb را در ژوپیتر یا گوگل کولب اجرا کنید.