تمرکز پژوهشی
هوش مصنوعی، یادگیری ماشین، سیستمهای تشخیص نفوذ، feature engineering، علم داده و امنیت شبکه.
آماده برای اپلای دکترا در اروپا
طراحی pipelineهای قابل اعتماد برای امنیت شبکه و تشخیص نفوذ در محیطهای IoT.
پژوهشگر یادگیری ماشین · تحلیلگر داده · مدرس پایتون · مدیر IT
من پژوهش دانشگاهی در یادگیری ماشین و شبکههای کامپیوتری را با تجربهی عملی در مدیریت زیرساخت IT و آموزش برنامهنویسی ترکیب میکنم. تمرکز پژوهشی من بر feature engineering بهینه، pipelineهای بدون نشت اطلاعات، و تشخیص نفوذ مقاوم در محیطهای IoT و امنیت شبکه است.
محمدعلی موسویرینه
پژوهشگر یادگیری ماشین · تحلیلگر داده · مدرس پایتون · مدیر IT
M.Sc.
شبکههای کامپیوتری
19.43/20
معدل کارشناسی ارشد
2016+
مدیریت IT
2018+
تدریس و آموزش
Profile
پژوهشگری با پشتوانهی مهندسی و تجربهی عملی
مسیر حرفهای من سه حوزهی مهم را به هم وصل میکند: پژوهش در یادگیری ماشین، مدیریت زیرساخت IT، و آموزش برنامهنویسی. همین ترکیب باعث میشود نگاه پژوهشی من هم از نظر علمی کنترلشده باشد و هم برای سیستمهای واقعی شبکه و امنیت سایبری معنا داشته باشد.
پشتوانهی IT عملی
نگهداری سرورها و کلاینتها، پشتیبانی داخلی، عیبیابی، پایش امنیت و پشتیبانی دادههای سازمانی.
پروفایل آموزشی
تدریس پایتون، تحلیل داده، مبانی بینایی ماشین، طراحی وب فرانتاند و بکاند، و پروژههای عملی برنامهنویسی.
Research
پژوهش شاخص
مقاله در مرحله داوری · Multimedia Tools and Applications (Springer)
Optimized Feature Engineering for IoT Intrusion Detection: Synergy of Feature Selection, Feature Extraction, and Classifier Ensemble
این پژوهش بررسی میکند که چگونه طراحی دقیق pipelineهای انتخاب ویژگی و استخراج ویژگی میتواند عملکرد سیستمهای تشخیص نفوذ مبتنی بر یادگیری ماشین را در محیطهای IoT و شبکههای ناهمگون بهبود دهد. یک چارچوب آزمایشی یکپارچه و بدون نشت اطلاعات روی سه دیتاست UNSW-NB15، AWID و CSE-CIC-IDS2018 ارزیابی شده است. در این کار، روشهای filter-based برای feature selection، تکنیکهای feature extraction، دوازده خانوادهی طبقهبند، و stacking-based meta-learning با هدف یافتن پیکربندیهای مقاوم و کارآمد IDS مقایسه شدهاند.
benchmark چنددیتاستی و بدون نشت اطلاعات برای IDS
مقایسهی pipelineهای FS-only و FS→FE
تحلیل ablation برای سهم هر جزء pipeline
تمرکز بر طراحی IDS کارآمد و مقیاسپذیر برای IoT
Pipeline
روششناسی مبتنی بر Pipeline
پیشپردازش
پاکسازی، کدگذاری، تقسیمبندی stratified و fitting فقط روی دادهی آموزش برای جلوگیری از information leakage.
انتخاب ویژگی
استفاده از Variance Threshold، ANOVA F-test و Chi-Squared برای کاهش ویژگیهای زائد.
استخراج ویژگی
استفاده از PCA، LDA، ICA و truncated SVD برای ساخت نمایشهای فشرده و متمایزکننده.
مدلسازی و Ensemble
ارزیابی مدلهای کلاسیک، ensemble، boosting و stacking در یک پروتکل کنترلشده.
Career
تجربه حرفهای و پژوهشی
من به دنبال فرصتهای دکترا در اروپا هستم تا پژوهش خود را در مرز مشترک هوش مصنوعی، امنیت سایبری، علم داده و شبکههای کامپیوتری ادامه دهم. علاقهی اصلی من شامل pipelineهای قابل اعتماد ML، مقاومسازی IDS، feature engineering، تحلیل امنیتی قابل توضیح و حفاظت شبکه با کمک هوش مصنوعی است.
پژوهشگر – پروژه تشخیص نفوذ IoT
دانشگاه شمال / همکاری پژوهشی
طراحی و ارزیابی pipelineهای feature engineering برای تشخیص نفوذ با استفاده از Python، Scikit-learn، دیتاستهای benchmark و روشهای ensemble learning.
مدیر IT
سازمان تأمین اجتماعی، ایران
نگهداری سرورها، سیستمهای کلاینت، زیرساخت داخلی IT، پایش امنیت، عیبیابی، پشتیبانی فنی و مدیریت دادههای سازمانی.
مدرس برنامهنویسی و تحلیل داده
مؤسسه پیشرو رایانه و رایان آمل، آمل
تدریس پایتون، تحلیل داده، مبانی بینایی ماشین، طراحی وب فرانتاند/بکاند و مهارتهای برنامهنویسی پروژهمحور.
Stack
مهارتهای فنی
برنامهنویسی
Python
JavaScript
PHP
SQL / MySQL
HTML5
CSS3
یادگیری ماشین و هوش مصنوعی
Scikit-learn
TensorFlow
PyTorch
Feature Engineering
Ensemble Learning
Model Evaluation
تحلیل داده
Pandas
NumPy
Data Cleaning
Dimensionality Reduction
Experimental Design
حوزههای تخصصی
Network Security
Intrusion Detection Systems
Computer Vision
IT Administration
Cybersecurity
Academic
تحصیلات
مسیر پژوهشی برای دکترا
من به دنبال فرصتهای دکترا در اروپا هستم تا پژوهش خود را در مرز مشترک هوش مصنوعی، امنیت سایبری، علم داده و شبکههای کامپیوتری ادامه دهم. علاقهی اصلی من شامل pipelineهای قابل اعتماد ML، مقاومسازی IDS، feature engineering، تحلیل امنیتی قابل توضیح و حفاظت شبکه با کمک هوش مصنوعی است.
کارشناسی ارشد مهندسی کامپیوتر – شبکههای کامپیوتری
دانشگاه شمال، آمل، ایران
معدل: 19.43 از 20 · دانشجوی برتر · پایاننامه: Optimized Feature Engineering for IoT Intrusion Detection
کارشناسی مهندسی نرمافزار
دانشگاه شمال، آمل، ایران
معدل: 17.50 از 20
گواهیها و زبانها
گواهیهای Data Analytics، Machine Learning، Machine Vision، UI/UX Design و Cybersecurity. زبانها: فارسی زبان مادری، انگلیسی B2، آلمانی A2.
Contact
ارتباط با من
برای فرصتهای دکترا، همکاری پژوهشی، گفتوگوی علمی یا پروژههای حرفهای میتوانید پیام ارسال کنید.