Efe Ali Mert

Matematik ve Bilgisayar Biliminde Lise Araştırmacısı

Kısa Özgeçmiş

İstanbul, Türkiye’de ISTEK Bilge Kağan Anadolu Lisesi’nde öğrencisiyim. Akademik ilgi alanlarım matematik, bilgisayar bilimi ve karmaşık sistemlerin kesişiminde. Özellikle doğrusal olmayan dinamikler, kaos teorisi, kriptografi ve makine öğrenmesi ile ilgileniyorum.

Çalışmalarım, matematiksel yapıların karmaşık olguları modellemek ve hesaplamalı yöntemler geliştirmek için nasıl kullanılabileceğini araştırmaya odaklanıyor. Kaos tabanlı şifreleme sistemleri ve EEG gibi sinirsel sinyalleri analiz etmek için makine öğrenmesi yaklaşımları üzerine araştırmalar yaptım.

Araştırma İlgi Alanları

Matematik

Kaos teorisi ve doğrusal olmayan dinamik sistemler
Kriptografi ve bilgi güvenliği
Makine öğrenmesi ve veri analizi
Hesaplamalı sinirbilim

Seçilmiş Başarılar

İkincilik — TÜBİTAK 2204-A Ulusal Lise Araştırma Projeleri Yarışması (Matematik)
Sözlü Sunum — 19. Kaotik Modelleme ve Simülasyon Uluslararası Konferansı (CHAOS 2026), Yunanistan

Araştırmalar

Kaos Tabanlı DNA Şifreleme

Bu proje, kriptografide doğrusal olmayan dinamik sistemlerin kullanımını inceliyor. Amaç, kaos teorisini DNA tabanlı kodlama ile birleştiren bir şifreleme yöntemi tasarlamaktı.

Sistem, lojistik harita, Lorenz sistemi, Mandelbrot kümesi ve Hénon haritası dahil birçok kaotik yapıyı entegre ederek yüksek hassasiyetli sözde rastgele diziler üretir. Bu diziler daha sonra şifreleme güvenliğini artırmak için One-Time Pad çerçevesi ile birlikte kullanılır.

Araştırma, TÜBİTAK 2204-A Ulusal Lise Araştırma Projeleri Yarışması’nda matematik alanında ikincilik aldı ve 19. Kaotik Modelleme ve Simülasyon Uluslararası Konferansı’nda sözlü sunum için kabul edildi.

EEG Sinyallerinin Fraktal Analizi ile DEHB Tespiti

Bu araştırma, fraktal boyut analizi ve makine öğrenmesi tekniklerinin EEG verisi kullanarak DEHB hastalarını sağlıklı bireylerden ayırt etmek için kullanılıp kullanılamayacağını inceliyor.

Proje, Higuchi fraktal boyutu ve entropi tabanlı ölçümler gibi karmaşıklık tabanlı özelliklerin EEG sinyallerinden çıkarılmasına odaklanıyor. Bu özellikler daha sonra Random Forest ve ensemble yöntemleri dahil makine öğrenmesi modellerinde kullanılıyor.

Mevcut model yaklaşık %79,5 sınıflandırma doğruluğu elde etmekte ve sinirbilim uygulamaları için doğrusal olmayan analiz yöntemleri ile makine öğrenmesini birleştirme potansiyelini araştırmaktadır.

İletişim

E-posta: efealimert@efealimert.com
GitHub: github.com/EfeAliMert
LinkedIn: linkedin.com/in/efealimert