- Обо мне
-
- Стоимость работы:
- от 1 000 руб. за час
- Профессиональный опыт:
- более года
- Форма собственности:
- Физ. лицо
Навыки и технологии:
Языки программирования: Python
Библиотеки и фреймворки: Pandas, TensorFlow, Scikit-learn, OpenCV
СУБД: PostgreSQL
Инструменты контейнеризации: Docker
Системы контроля версий: Git
Операционные системы: Linux
О себе:
Я являюсь начинающим фрилансером, специализирующимся на разработке и интеграции моделей машинного обучения. Мой опыт включает полный цикл разработки ML моделей — от исследования данных и построения прототипов до внедрения и поддержки на стадии эксплуатации.
Ключевые компетенции:
Разработка и настройка моделей машинного обучения и глубокого обучения.
Интеграция ML моделей в существующие сервисы и приложения.
Оптимизация производительности моделей и масштабирование решений.
Владею архитектурами глубокого обучения, такими как LLM, YOLO, RNN, ResNet.
Опыт работы с большими данными и их обработкой с использованием Pandas и других инструментов.
Уверенное владение контейнеризацией с использованием Docker для развертывания и управления приложениями.
Эффективное использование Git для управления версиями кода и совместной работы в команде.
Проекты:
1. Оценка скорости объекта с использованием оптического потока
Описание: Разработка алгоритма на Python для оценки скорости объекта в видео с помощью оптического потока. Оптический поток используется для отслеживания движения объектов в последовательности кадров, и по измеренному движению вычисляется скорость объекта.
Реализация: Скрипт устанавливает параметры для детектирования и отслеживания признаков оптического потока, читает видеопоток или видеофайл и преобразует его в последовательность кадров. Для каждого кадра вычисляет оптический поток и отслеживает положение признаков. Оценивает скорость объекта на основе смещения признаков между кадрами. Отображает скорость объекта в километрах в час на кадре.
Код на GitHub: https://github.com/Kikozai/computer-vision-example
2. Нейросеть для распознавания рукописных цифр
Описание: Создание нейронной сети для распознавания рукописных цифр с использованием библиотеки TensorFlow. Основная цель - обучить модель на наборе данных MNIST, содержащем изображения цифр от 0 до 9.
Код на GitHub: https://github.com/Kikozai/creating-a-neural-netwo...
3. Алгоритм CV для сегментации и определения раковых опухолей
Описание: Разработка высокоточного алгоритма для автоматической сегментации и выявления раковых опухолей на ранних стадиях на основе медицинских снимков МРТ. В качестве основного инструмента была использована модель YOLOv8, которая обеспечила высокую скорость и точность обработки изображений.
Технические детали:
Модель: YOLOv8 (You Only Look Once, версия 8)
Архитектура: YOLOv8, известная своей способностью быстро и точно обнаруживать объекты на изображениях, была выбрана благодаря её улучшенным характеристикам по сравнению с предыдущими версиями.
Особенности: Включение усовершенствованных механизмов обнаружения и классификации, что особенно важно для сложных медицинских изображений.
Датасет: 800 МРТ снимков, тщательно анотированных для обеспечения точности разметки раковых опухолей.
Предобработка данных: Нормализация, аугментация данных (например, повороты, масштабирование, изменение яркости и контраста) для повышения устойчивости модели к различным вариациям снимков.
Процесс обучения:
Параметры обучения: Оптимизатор Adam с начальными параметрами, включая learning rate = 0.001 и batch size = 16.
Валидация: Регулярная валидация на тестовой выборке для предотвращения переобучения и корректировки гиперпараметров.
Метрики: Точность (Precision), полнота (Recall), и F1-score для оценки производительности модели.
Дополнительная информация:
Имею представление о современных подходах и методологиях в области машинного обучения и глубокого обучения.
Постоянно обучаюсь и совершенствую свои навыки, следуя новейшим тенденциям в отрасли.
Готов к работе над сложными проектами и решениями, требующими глубоких знаний и креативного подхода.- Ключевые навыки
- Отзывы
Нет отзывов