علیاصغر رزازپور
خلاصه حرفهای
دانشآموخته مهندسی کامپیوتر (بهمن ۱۴۰۴) با تجربه پژوهشی مستقل و قوی در یادگیری ماشین، مدلسازی پیشبینانه و
الگوریتمهای زیستالهام. توسعهدهنده رویکردهای نوین شامل حلکننده DNA-محور برای مسئله N وزیر (با عملکرد بهتر
از الگوریتمهای ژنتیک برای Nهای کوچک تا متوسط) و Fine-tune مدلهای زبانی بزرگ برای شبیهسازی شخصیت.
علاقهمند
به کاربست یادگیری ماشین در حوزههای واقعی مانند تحلیل ورزشی و مسائل بهینهسازی. جویای پذیرش کارشناسی ارشد در
هوش مصنوعی/دادهکاوی برای مشارکت در تیمهای پژوهشی نوآور از طریق موقعیتهای دستیار پژوهشی/آموزشی (RA/TA).
علاقهمندیهای پژوهشی
- یادگیری ماشین و مدلسازی پیشبینانه
- الگوریتمهای زیستالهام / طبیعتالهام برای بهینهسازی ترکیبیاتی
- تحلیل ورزشی و کاربردهای کلانداده در ورزش
- بینایی ماشین و مدلهای هوش مصنوعی چندوجهی
تحصیلات
کارشناسی مهندسی کامپیوتر
دانشگاه بجنورد، ایران
فارغالتحصیل: بهمن ۱۴۰۴ (۹ ترم)
معدل کل: ۱۵.۳۷ از ۲۰
رتبه ورودی: ۱۶ از ۶۰ (۲۷٪ برتر)
دروس مرتبط: یادگیری ماشین، هوش مصنوعی، ساختمان دادهها و الگوریتمها، سیستمهای پایگاه داده، برنامهنویسی
پیشرفته
تجربیات پژوهشی و پروژهها
Fine-tuning مدلهای زبانی بزرگ برای شبیهسازی شخصیت (پایاننامه
کارشناسی)
دانشگاه بجنورد، ۱۴۰۳–۱۴۰۴
- Fine-tune مدلهای زبانی ترنسفورمر-پایه برای تولید پاسخهای منسجم که الگوهای رفتاری و کلامی شخصیت
خودشیفته را تقلید میکنند.
- طراحی و پردازش مجموعه دادههای مکالمهای مصنوعی و واقعی؛ پیادهسازی پایپلاینهای آموزش با بهینهسازی
هایپرپارامتر.
- ارزیابی کیفی (انسجام، وفاداری به سبک) و کمی (Perplexity، معیارهای شباهت) مدل.
- تکنولوژیها: Python, Hugging Face Transformers, PyTorch/TensorFlow, Pandas, Jupyter.
- دستاورد: نمایش تولید متن آگاه به شخصیت – کاری بنیادی برای رایانش عاطفی و هوش مصنوعی رفتاری.
الگوریتم قطعی الهامگرفته از DNA برای مسئله N وزیر
پروژه پژوهشی مستقل، ۱۴۰۲–۱۴۰۳
- ابداع یک الگوریتم زیستالهام نوین با بهرهگیری از قوانین جفتشدن بازهای DNA برای شمارش قطعی تمام
راهحلهای معتبر.
- دستیابی به شمارش کامل تمام ۹۲ راهحل برای N=8؛ عملکرد سریعتر از الگوریتمهای ژنتیک استاندارد برای N ≤
20.
- بهینهسازی مداوم برای مقیاسپذیری در بردهای بزرگتر.
- تکنولوژیها: Python, طراحی و بهینهسازی الگوریتم.
- گیتهاب: github.com/Artarazaz/the-question-of-8-Queens
مدلسازی پیشبینانه نتایج مسابقات فوتبال
پروژه مستقل / دانشگاهی، ۱۴۰۲–۱۴۰۳
- مهندسی پایپلاین یادگیری ماشین End-to-End برای تحلیل بیش از ۲۰ سال دادههای فوتبال اروپا جهت پیشبینی
برد/تساوی/باخت.
- انجام مهندسی ویژگیها و آموزش مدلهای انسمبل (Random Forest, XGBoost).
- بهبود عملکرد پیشبینی نسبت به روشهای پایه از طریق اعتبارسنجی متقابل و تنظیم دقیق.
- تکنولوژیها: Python, Pandas, Scikit-learn, XGBoost, Matplotlib, Jupyter.
مهارتهای فنی
- برنامهنویسی: Python (پیشرفته), Java (متوسط), Git (پیشرفته), Jupyter
Notebook/Lab
(پیشرفته)
- یادگیری ماشین و داده: الگوریتمهای ML (قوی: Random Forest, XGBoost,
Ensembles)،
Scikit-learn (خوب)، Hugging Face Transformers (خوب)، TensorFlow / PyTorch (متوسط)، Pandas (خوب)، NumPy
(متوسط)، SQL (خوب)، Matplotlib (متوسط)
- زبانها: انگلیسی – فرامتوسط (خواندن/نوشتن فنی قوی)، آلمانی – مبتدی
نقاط قوت اضافی
- پژوهش مستقل و خودجوش در چندین پروژه یادگیری ماشین/الگوریتمی
- حل مسئله خلاقانه برای مسائل کلاسیک دشوار و کاربردهای واقعی
- ارتباط فنی از طریق نوتبوکهای ژوپیتر و ارائههای دانشگاهی
- تجربه عملی با مجموعه دادههای واقعی و مصنوعی
- مدیریت زمان قوی و توسعه تکرارپذیر