Atila.M

دانشجوی کارشناسی ارشد مدل‌سازی و تحلیل داده در دانشگاه کردستان و دانش‌آموخته‌ی کارشناسی مهندسی انرژی از دانشگاه صنعتی امیرکبیر، با تجربه‌ی عملی در پیش‌بینی، یادگیری ماشین و بهینه‌سازی برای بازارهای انرژی و مالی. توسعه‌ی پایپ‌لاین‌های کامل داده، از آماده‌سازی داده و مهندسی ویژگی تا ارزیابی walk-forward، بک‌تست و داشبوردهای تعاملی، با تمرکز بر شفافیت فرض‌ها و بیان محدودیت‌های مدل. علاقه‌مند به موقعیت‌های علم داده، پیش‌بینی و تحلیل داده‌های انرژی. مهارت‌های فنی برنامه‌نویسی: Python (NumPy, pandas, SciPy, statsmodels, scikit-learn)، SQL، MATLAB، R، Git، LaTeX، HTML/CSS/JavaScript یادگیری ماشین و پیش‌بینی: TensorFlow/Keras، PyTorch، XGBoost، LightGBM، CatBoost، H2O، Prophet، ARIMA/SARIMA، LSTM/GRU، 1D-CNN، مدل‌های ترکیبی، Optuna ارزیابی مدل: ارزیابی walk-forward، اعتبارسنجی متقابل، MAE/RMSE، CRPS/WIS، VIF، اهمیت جایگشتی، SHAP/LIME اقتصادسنجی: OLS، داده‌های پنلی (FE/RE)، IV/2SLS، آزمون‌های ریشه‌ی واحد و هم‌انباشتگی، VAR/VECM، GARCH بهینه‌سازی: برنامه‌ریزی خطی و عدد صحیح مختلط، بهینه‌سازی تصادفی و چندهدفه؛ NSGA-II، الگوریتم ژنتیک تطبیقی فازی، OR-Tools، Pyomo، Gurobi/CPLEX مالی و ارزیابی اقتصادی: بک‌تست، VaR/CVaR، نسبت شارپ و سورتینو، افت سرمایه، نظریه‌ی سبد، NPV/IRR، تحلیل هزینه‌ـ‌فایده، شبیه‌سازی مونت‌کارلو، تحلیل سناریو انرژی و ابزارها: مدل‌سازی بازار برق و کربن، CLEWs، PVsyst، Aspen HYSYS؛ Streamlit، Plotly، FastAPI، LLM APIs، Power BI/Tableau سوابق کاری توسعه‌دهنده‌ی هوش مصنوعی و علم داده، هلدینگ دانشمند ۲۰۲۶ – اکنون کار روی پروژه‌های هوش مصنوعی، پردازش زبان طبیعی و علم داده برای کاربردهای پشتیبان تصمیم. بنیان‌گذار و توسعه‌دهنده‌ی کمّی، نوما (پلتفرم تحت وب) ۲۰۲۵ – اکنون طراحی یک پلتفرم سرمایه‌گذاری کمّی که پیش‌بینی با LSTM و یادگیری ماشین را با بهینه‌سازی چندهدفه‌ی سبد سرمایه (NSGA-II، OR-Tools، MPT) ترکیب می‌کند؛ پیاده‌سازی پایپ‌لاین‌های داده‌ی مالی، ماژول‌های بک‌تست و داشبوردهای تعاملی. تحلیلگر داده، دادنگار، پارک علم و فناوری کردستان، سنندج مه ۲۰۲۵ – سپتامبر ۲۰۲۵ تحلیل آماری، پاک‌سازی داده و مدل‌سازی کاربردی. تحلیلگر داده‌ی انرژی، WINEP، مرکز نوآوری انرژی شریف، تهران ژوئن ۲۰۲۴ – نوامبر ۲۰۲۴ توسعه‌ی مدل‌های یادگیری ماشین برای پیش‌بینی قیمت متانول و انجام تحلیل‌های اقتصادسنجی در پشتیبانی از پژوهش‌های بازار انرژی و ارزیابی سیاست‌ها. کارآموز پژوهشی، سارینا کاسپین پردیسان ۲۰۲۳ – ۲۰۲۴ جمع‌آوری، پیش‌پردازش و تحلیل آماری داده برای پروژه‌های پژوهشی. کارآموز علم داده، دادنگار ۲۰۲۰ – ۲۰۲۱ ساخت مدل‌های پیش‌بینی با پایتون؛ کار با پایگاه‌داده‌های SQL، مصورسازی داده، مهندسی ویژگی و تحلیل اکتشافی داده. پروژه‌های کلیدی سامانه‌ی پیش‌بینی و تحلیل بازار انرژی (پایان‌نامه‌ی کارشناسی) (Prophet, ARIMA, XGBoost, Fuzzy GA, Streamlit) ۲۰۲۵ – ۲۰۲۶ گردش‌کار تعاملی پیش‌بینی برای ۱۲ دارایی مرتبط با انرژی در شش افق زمانی (۲۴ ساعت تا یک سال)، با ویژگی‌های تأخیری، نوسان، مومنتوم، RSI/MACD و تقویمی؛ گزارش پیش‌بینی‌ها، معیارهای خطا، همبستگی‌ها و وزن مدل‌ها و دارایی‌ها. پیش‌بینی احتمالاتی قیمت نفت خام WTI با لحاظ رویدادها (statsmodels, scikit-learn, XGBoost/LightGBM) پایپ‌لاین چهارافقی (یک هفته تا شش ماه) با ویژگی‌های رویداد و رژیم بازار، الگوهای مشابه تاریخی و وزن‌دهی ترکیبی وابسته به شرایط؛ ارزیابی walk-forward با پنجره‌ی گسترش‌یابنده، آزمون‌های حذفی، معیارهای MAE/RMSE و CRPS/WIS، تحلیل پوشش بازه‌ها و ممیزی نشت داده. پیش‌بینی سری‌های زمانی مالی و تحلیل معاملات (XGBoost/LightGBM, H2O, Keras, Prophet, Optuna, FastAPI) پیش‌بینی چندافقی قیمت سهام بورس تهران و قیمت ساعتی بیت‌کوین با مقایسه‌ی مدل‌های درختی، LSTM، 1D-CNN، MLP و Prophet و یک لایه‌ی ترکیب مدل‌ها؛ داشبورد بک‌تست با Streamlit همراه با مدیریت ریسک و معیارهای ریسک، و سرویس FastAPI برای سیگنال روند و تخصیص سرمایه. بهینه‌سازی سیستم چندانرژی چابهار (Google OR-Tools, Linear Programming) مدل برنامه‌ریزی خطی چندساله شامل باد، خورشیدی، گاز، زباله‌سوز و بیوگاز به‌همراه ذخیره‌سازی، شیرین‌سازی آب، بارهای شهری و تولید Power-to-X (هیدروژن، آمونیاک، اتانول) تحت قیدهای انتشار کربن، عرضه‌ی گاز و تقاضا؛ مقایسه‌ی فنی‌ـ‌اقتصادی توربین‌های بادی بدون‌پره و سه‌پره. بهینه‌سازی نیروگاه مجازی با NSGA-II (Multi-objective, Stochastic Scenarios) ۲۰۲۵ توزیع بار نیروگاه مجازی تحت عدم‌قطعیت قیمت بازار، با ایجاد توازن میان درآمد و انتشار آلاینده‌ها. بهینه‌سازی شارژ خودروهای برقی (Demand Response) ۲۰۲۶ زمان‌بندی شارژ خودروهای برقی بر اساس سیگنال‌های قیمت پویا و دسترس‌پذیری انرژی تجدیدپذیر؛ پایه‌ی یک مقاله‌ی در حال داوری. پیش‌بینی قیمت متانول (Time Series, ML) ۲۰۲۴ – ۲۰۲۵ پیش‌بینی قیمت جهانی متانول با سیگنال‌های بازار بین‌المللی به‌عنوان ورودی‌های برون‌زا؛ پایه‌ی یک مقاله‌ی در حال داوری. مدل‌سازی کشش تقاضای نفت خام (Panel Econometrics) ۲۰۲۶ برآورد کشش تقاضا در رژیم‌های مختلف قیمتی با داده‌های پنلی (۱۹۹۰ – ۲۰۲۲) و آزمون‌های تشخیصی باقی‌مانده‌ها. تحلیل نقش‌های تیمی بلبین (scikit-learn, statsmodels, SHAP/LIME) مقایسه‌ی رگرسیون‌های خطی، چندجمله‌ای، SVR، مدل‌های درختی، GAM و PCA/PLS برای مدل‌سازی نمره‌ی پروژه، همراه با اعتبارسنجی متقابل، VIF، اهمیت جایگشتی و تفسیر مدل با SHAP/LIME. نمونه‌ی اولیه‌ی تشخیص متن فارسی تولیدشده با هوش مصنوعی (Python, JavaScript, LLM APIs) رابط وب راست‌به‌چپ و JSON API برای طبقه‌بندی متن به انسانی، هوش مصنوعی، یا هوش مصنوعیِ ویرایش‌شده توسط انسان از طریق مدل‌های زبانی بزرگ قابل پیکربندی، با استخراج متن از DOCX، ورودی دسته‌ای و خروجی JSON/CSV.