Profilo
Formazione
Ricerca
Progetti
Competenze
Corsi
Contatti
Scarica CV (PDF)Bekhzod_CV_Machine_Learning_Engineer_IT.pdf
Copia l’indirizzo emailvirtsudo@proton.me
Invia un’emailvirtsudo@proton.me
Apri GitHubgithub.com/virtsudo
Apri LinkedInlinkedin.com/in/virtsudo
Cybersecurity Analyst
Software Engineer
EnglishPassa all’inglese
Tema chiaro
Tema scuro
Tema di sistema

Disponibile per posizioni junior e tirocini nel machine learning, in presenza o da remoto.

BekhzodAnvarov.

Machine Learning EngineerSelf-supervised learning (JEPA) · deep learning · rilevamento delle anomalie

  • PyTorch (CUDA)
  • scikit-learn
  • XGBoost
  • Hugging Face
  • Polars
  • NumPy
  • Matplotlib
  • Jupyter

whoami

Bekhzod Anvarov

cat role.txt

Machine Learning Engineer

cat focus.txt

Self-supervised learning (JEPA)

deep learning

rilevamento delle anomalie

cat location.txt

Torino, Italia

// chi sono

Profilo

Laurea magistrale in Ingegneria Informatica (percorso Cybersecurity) al Politecnico di Torino, con focus sul deep learning applicato ai dati di sicurezza.

Nella tesi ho sviluppato in PyTorch una Joint-Embedding Predictive Architecture (JEPA) self-supervised e ho verificato se, in presenza di concept drift, la sua rappresentazione permette a un classificatore di restare più accurato che con le feature grezze. Ho inoltre addestrato modelli FFNN, RNN, GNN e BERT per compiti di sicurezza e uso Python da almeno 5 anni. Disponibile per posizioni junior e tirocini nel machine learning, in presenza o da remoto.

// percorso

Formazione

  1. Laurea Magistrale in Ingegneria Informatica (Computer Engineering), percorso Cybersecurity

    Politecnico di Torino

    2026

  2. Laurea Triennale in Ingegneria Informatica

    Politecnico di Torino

    2022

// ricerca

Esperienza di ricerca

Tesi di laurea magistrale · Politecnico di Torino · 2026

JEPA Representation Learning for Intrusion Detection on Real-World Drifting Network Traffic

Relatori: Prof. Guido Marchetto, Prof. Alessio Sacco, Dott. Cristiano Serra

Una rappresentazione appresa da traffico di rete non etichettato permette a un classificatore di intrusioni di restare più accurato che con le feature di flusso grezze su traffico registrato anni dopo?
  1. Sviluppo in PyTorch di un modello JEPA self-supervised con un context encoder, un target encoder EMA, un predictor e il mascheramento a gruppi delle feature correlate. Preaddestramento di un encoder per anno su flussi non etichettati di traffico reale di backbone Internet degli anni 2011, 2016 e 2021 (benchmark MAWIFlow).

  2. Confronto con le feature grezze su quattro classificatori (regressione logistica, albero decisionale, random forest, XGBoost), addestrati su ogni anno e testati su tutti gli anni (ROC-AUC, PR-AUC). Sostituzione della normalizzazione del benchmark, che faceva perdere gran parte della risoluzione delle feature.

  3. Risultati. La rappresentazione rende le classi più linearmente separabili ma non riduce il calo tra gli anni. In-domain, una regressione logistica su di essa colma gran parte del divario di ROC-AUC rispetto a XGBoost sulle feature grezze. Le etichette del 2011 hanno un significato diverso da quelle degli anni successivi. Ho inoltre implementato i regolarizzatori VICReg e SIGReg, che non hanno migliorato i classificatori.

  • Python
  • PyTorch (CUDA)
  • scikit-learn
  • XGBoost
  • Polars
  • NumPy
  • Matplotlib

// progetti in evidenza

Progetti

Sviluppo di una FFNN per il rilevamento delle intrusioni di rete e di modelli FFNN, RNN e GNN per classificare malware. Fine-tuning di BERT per analizzare log SSH ed etichettarli con le tattiche MITRE ATT&CK.

  • Python
  • PyTorch
  • Jupyter
  • Hugging Face

// capacità

Competenze

Machine learning

  • PyTorch (CUDA)
  • scikit-learn
  • XGBoost
  • Hugging Face
  • Polars
  • NumPy
  • Matplotlib
  • Jupyter

Programmazione

  • Python
  • C/C++
  • SQL (MySQL, SQLite)

Strumenti e ambienti

  • shell Linux
  • Git/GitLab
  • LaTeX

Aree di interesse

  • self-supervised learning
  • representation learning
  • rilevamento delle anomalie
  • concept drift

Lingue

  • Uzbekomadrelingua
  • russoC1
  • ingleseB2
  • italianoB1

// all’università

Corsi rilevanti

  • AI and Cybersecurity

    reti CNN, RNN e LSTM, NLP, rilevamento di anomalie, classificazione del traffico.

  • Data Science and Database Technology

    classificazione, clustering, regole associative, data warehouse, OLAP.

// scrivimi

Contatti

Torino, Italia