مریم احمدی

• تلفن: +98 912 345 6789
• ایمیل: maryam.ahmadi@email.com
• موقعیت: تهران، ایران
• LinkedIn: maryam-ahmadi-ai

خلاصه

شش سال تجربه در طراحی، توسعه و پیاده‌سازی سیستم‌های هوش مصنوعی و الگوریتم‌های یادگیری ماشین برای حل مسائل پیچیده در علوم کامپیوتر. دارای رکورد اثبات شده در بهینه‌سازی عملکرد مدل‌های پیش‌بینی و کاهش خطای آنها تا ۲۰٪.

متخصص در تحلیل داده‌های بزرگ، پردازش زبان طبیعی و بینایی ماشین، با تمرکز بر کاربردهای عملی در صنعت و تحقیقات آکادمیک.

سوابق کاری

دانشمند ارشد تحقیقات کامپیوتر, شرکت داده‌پردازی نوین -- تهران، ایران

مارس 2021 – حال

• رهبری تیم تحقیق و توسعه برای طراحی و پیاده‌سازی یک سیستم توصیه‌گر مبتنی بر یادگیری عمیق که منجر به افزایش ۱۵٪ در نرخ تعامل کاربران شد.

• توسعه الگوریتم‌های جدید برای تشخیص ناهنجاری در مجموعه داده‌های بزرگ، کاهش زمان شناسایی ناهنجاری تا ۳۰٪.

• انتشار سه مقاله علمی در کنفرانس‌های معتبر بین‌المللی در زمینه هوش مصنوعی و یادگیری ماشین.

دانشمند تحقیقات کامپیوتر, مرکز تحقیقات هوش مصنوعی پارس -- تهران، ایران

سپتامبر 2018 – فوریه 2021

• مدل‌سازی و پیاده‌سازی الگوریتم‌های پردازش زبان طبیعی (NLP) برای تحلیل احساسات در متن فارسی با دقت ۸۵٪.

• همکاری در پروژه توسعه یک سیستم بینایی ماشین برای تشخیص الگو در تصاویر پزشکی، که به افزایش ۱۰٪ در کارایی تشخیص اولیه کمک کرد.

• مشارکت فعال در جمع‌آوری و پیش‌پردازش داده‌های بزرگ برای پروژه‌های یادگیری ماشین.

تحصیلات

دانشگاه صنعتی شریف, دکترای تخصصی (PhD) در هوش مصنوعی و رباتیک -- تهران، ایران

سپتامبر 2014 – اوت 2018

دانشگاه صنعتی امیرکبیر, کارشناسی ارشد (MS) در مهندسی کامپیوتر - نرم‌افزار -- تهران، ایران

سپتامبر 2012 – ژوئیه 2014

دانشگاه تهران, کارشناسی (BS) در مهندسی کامپیوتر -- تهران، ایران

سپتامبر 2008 – ژوئیه 2012

مهارت‌ها

زبان‌های برنامه‌نویسی: Python, R, Java, C++

یادگیری ماشین و یادگیری عمیق: TensorFlow, PyTorch, Scikit-learn, Keras, XGBoost, مدل‌های Transformer

پردازش داده و داده‌کاوی: SQL, Apache Spark, Hadoop, Pandas, NumPy

پردازش زبان طبیعی (NLP): NLTK, SpaCy, BERT, GPT models, تحلیل احساسات، خلاصه‌سازی متن

بینایی ماشین: OpenCV, تشخیص شیء، تقسیم‌بندی تصویر، شبکه‌های عصبی پیچشی (CNN)

سیستم‌عامل‌ها و ابزارها: Linux, Docker, Git, VS Code, Google Cloud Platform (GCP)

روش‌های تحقیق: طراحی آزمایش، تحلیل آماری، اعتبارسنجی مدل، نگارش مقاله علمی