پروژه های یادگیری ماشین

پروژه طراحی یک مدل پیش بینی قیمت یک محصول شیمیایی با منابع داده آنلاین هست که در محیط دیپسیک انجام دادیم و می‌خواهیم پروژه را به صورت مستقل پیاده سازی کنیم و یک داشبورد برای پروژه طراحی کنیم به همراه دستیار هوش مصنوعی تحلیل خروجی و پاسخ به سوالات

ما به یک توسعه‌دهنده مسلط به یادگیری عمیق نیاز داریم تا یک اسکریپت یا نرم‌افزار برای آموزش مدل OCR فارسی چاپی طراحی و پیاده‌سازی کند. • انتخاب معماری (ترجیحاً VisionEncoderDecoderModel مانند TrOCR یا مشابه)، مدل پایه، و توکنایزر فارسی به عهده شماست. • ما صرفاً دیتاست (تصاویر و متن‌های Ground Truth) را ارائه می‌کنیم. • نرم‌افزار باید کل فرآیند Training را مدیریت و کنترل کند. ویژگی‌ها و قابلیت‌های مورد انتظار: • پیاده‌سازی با Python 3.x و PyTorch (CUDA-Compatible) • امکان تنظیم پارامترهای کلیدی از طریق رابط (Learning Rate, Batch Size, Epochs, Warmup Steps, Save Steps) • قابلیت Checkpointing برای توقف و ادامه آموزش بدون از دست رفتن پیشرفت • نمایش لاگ‌ها (wer-cer,Loss, Accuracy, ETA, Step Progress) • ذخیره مدل در فرمت Hugging Face Transformers (config.json, pytorch_model.bin, tokenizer) • رابط کاربری گرافیکی (PyQt5 یا Tkinter) • ساختار ماژولار و مستند برای توسعه‌های بعدی • اموزش پذیر بودن در دراز مدت نیازمندی‌های فنی: • تجربه عملی با OCR و معماری‌های Encoder-Decoder • آشنایی با Tokenizerهای زبان فارسی (مثل ParsT5 یا مشابه) • توانایی بهینه‌سازی فرآیند آموزش برای دیتاست‌های حجیم • رعایت استانداردهای بارگذاری و ذخیره مدل به سبک Hugging Face شرایط: • ما دیتاست را فراهم می‌کنیم • تمرکز بر روی دقت و پایداری آموزش و سادگی کاربری نرم‌افزار زمان و بودجه: • زمان: توافقی • بودجه: قابل مذاکره بر اساس تجربه و کیفیت ارسال پیشنهاد: لطفاً در صورت داشتن نمونه کار مشابه، روش پیشنهادی و برآورد هزینه را ارسال کنید.

این پروژه با هدف شناسایی و استخراج هوشمند بیماری‌ها، علائم بالینی، داروها و ارتباطات بین آن‌ها از متون پزشکی طراحی شده است. متون می‌توانند شامل: گزارش‌های آزمایشگاهی، پرونده‌های بالینی، مقالات علمی پزشکی، یا پاسخ بیمار به فرم‌های شرح‌حال و سوالات پزشکی باشند. با استفاده از تکنیک‌های NLP مانند: Named Entity Recognition (NER) برای شناسایی نام بیماری‌ها، علائم، داروها، Relation Extraction برای یافتن ارتباط بین بیماری‌ها و علائم، Topic Modeling برای تشخیص موضوعات غالب پزشکی در متن‌ها، و Text Classification برای دسته‌بندی متون بر اساس نوع بیماری یا سیستم بدن (مثلاً نورولوژیک، قلبی، تنفسی)، الگوریتم‌ها یاد می‌گیرند که به‌صورت خودکار بیماری‌ها و روابط‌شان را از متن استخراج کرده و به‌عنوان خروجی قابل تحلیل، در دسترس پزشک یا سیستم تشخیص قرار دهند. ورودی‌ها: متن‌های پزشکی به‌صورت آزاد یا ساخت‌یافته (گزارش آزمایش، شرح حال، مقالات). خروجی‌ها: لیست بیماری‌ها، علائم، داروها، و ارتباط آن‌ها. طبقه‌بندی بیماری یا تشخیص اولیه براساس متن.

با سلام و وقت بخیر، اینجانب علاقه‌مند به همکاری با پژوهشگران و نویسندگان متخصص در زمینه نگارش مقاله (مقاله نویسی) در حوزه‌های زیر هستم: یادگیری ماشین (Machine Learning) پردازش زبان طبیعی (Natural Language Processing) هدف، انتشار و نوشتن مقاله است. از علاقه‌مندان دعوت می‌شود در صورت داشتن شرایط زیر، پیشنهاد همکاری خود را ارسال نمایند: 🔹 آشنایی کامل با مفاهیم پیشرفته ML و NLP

این پروژه با هدف شناسایی و استخراج هوشمند بیماری‌ها، علائم بالینی، داروها و ارتباطات بین آن‌ها از متون پزشکی طراحی شده است. متون می‌توانند شامل: گزارش‌های آزمایشگاهی، پرونده‌های بالینی، مقالات علمی پزشکی، یا پاسخ بیمار به فرم‌های شرح‌حال و سوالات پزشکی باشند. با استفاده از تکنیک‌های NLP مانند: Named Entity Recognition (NER) برای شناسایی نام بیماری‌ها، علائم، داروها، Relation Extraction برای یافتن ارتباط بین بیماری‌ها و علائم، Topic Modeling برای تشخیص موضوعات غالب پزشکی در متن‌ها، و Text Classification برای دسته‌بندی متون بر اساس نوع بیماری یا سیستم بدن (مثلاً نورولوژیک، قلبی، تنفسی)، الگوریتم‌ها یاد می‌گیرند که به‌صورت خودکار بیماری‌ها و روابط‌شان را از متن استخراج کرده و به‌عنوان خروجی قابل تحلیل، در دسترس پزشک یا سیستم تشخیص قرار دهند. ورودی‌ها: متن‌های پزشکی به‌صورت آزاد یا ساخت‌یافته (گزارش آزمایش، شرح حال، مقالات). خروجی‌ها: لیست بیماری‌ها، علائم، داروها، و ارتباط آن‌ها. طبقه‌بندی بیماری یا تشخیص اولیه براساس متن.

این پروژه در حوزه بینایی ماشین تعریف شده و نیازمند تسلط کامل به شبکه‌های عصبی و یادگیری عمیق است. همچنین، آشنایی با هوش مصنوعی مولد (Generative AI) از الزامات آن محسوب می‌شود. با توجه به پیچیدگی پروژه، بررسی چندین سناریو ضروری است. بنابراین، فقط در صورت تخصص و سابقه کاری در این زمینه، اقدام به ارسال پیشنهاد کنید. این پروژه نیازمند تخصیص زمان کافی و ارائه گزارش‌ از روند پیشرفت است.

این پروژه کاربردی حساب میشود و باید پیاده سازی یک الگوریتم شبکه عصبی همگشت بر روی داده های فروش یک سایت انجام شود

مقاله ای دارم در مورد پیش بینی ریسک مالی اما داده های من حدود ۲۰۰ تاس میخواهم داده های ۱۰ سال را جمع اوری کنم و با هوش مصنوعی حالا هر الگوریتمی مهم نیست پیاده سازیش کنم تا R2 بالای ۸۰ و خطلا کم بهمون بده

دعوت به همکاری پژوهشی در حوزه «مدل‌سازی و شبیه‌سازی الگوریتم‌های هوش مصنوعی» با تمرکز بر محیط‌های MATLAB و R. دارای مدرک کارشناسی ارشد یا دکتری در مهندسی کامپیوتر، آمار، علوم داده یا رشته‌های وابسته و پیشینه پژوهشی مستند. توانمند در استقرار سریع طیف گسترده‌ای از مدل‌های یادگیری ماشین و یادگیری عمیق همراه با مستندسازی دقیق و reproducibility. آشنایی عملی با دیتاست‌های سلامت و استانداردهای ارزیابی مدل‌های پزشکی . فرصت کار در تیم چندرشته‌ای با دسترسی به زیرساخت محاسباتی و داده‌های بالینی ارزشمند.

می‌خواهیم برای سرویس هوشمند سازی فرآیند تخمیر برای صنایع غذایی و دارویی یک وبسایت شکیل بالا بیاوریم.

برای انجام پروژه مدلسازی شبکه عصبی مصنوعی استخراج پلی فنول‌ها از برگ کاج با استفاده از روش اولتراسونیک، ابتدا باید داده‌های تجربی جمع‌آوری شده از آزمایشات مختلف (شامل دما، زمان استخراج، نوع حلال و نسبت مایع به جامد) را برای آموزش مدل‌های یادگیری ماشین استفاده کرد. این داده‌ها پس از جمع‌آوری باید به سه دسته تقسیم شوند: داده‌های آموزشی (50 درصد)، داده‌های اعتبارسنجی (30 درصد) و داده‌های تست (20 درصد) که به طور مشخص برای ارزیابی دقت مدل استفاده خواهند شد. سپس باید از الگوریتم‌های مختلف یادگیری ماشین مانند جنگل تصادفی (Random Forest) یا شبکه عصبی مصنوعی (ANN) برای مدل‌سازی استفاده کرد. در MATLAB، می‌توان از تابع TreeBagger برای پیاده‌سازی مدل جنگل تصادفی استفاده کرد. این مدل باید با تنظیم پارامترهایی مانند تعداد درخت‌ها، عمق درخت‌ها، و انتخاب ویژگی‌ها، آموزش داده شود. در مرحله بعد، ارزیابی مدل با استفاده از معیارهای آماری مختلفی نظیر میانگین مربعات خطا (MSE)، میانگین درصد خطای مطلق (MAPE) و ضریب همبستگی (R²) انجام می‌شود تا دقت پیش‌بینی‌ها مشخص شود. بعد از پیاده‌سازی مدل و ارزیابی آن، ممکن است نیاز به بهینه‌سازی مدل با تنظیم دقیق‌تر پارامترها یا استفاده از روش‌های دیگر برای کاهش خطاها و بهبود پیش‌بینی‌ها باشد. این بهینه‌سازی می‌تواند با استفاده از روش‌هایی نظیر نرمال‌سازی داده‌ها، تنظیم تعداد درخت‌ها یا استفاده از دیگر الگوریتم‌های یادگیری ماشین انجام شود. پس از بهینه‌سازی و تعیین بهترین مدل، می‌توان مدل را برای پیش‌بینی دقیق‌تر بازده عصاره پلی فنول‌ها از برگ کاج استفاده کرد. نتایج این مدل‌سازی می‌تواند به‌طور عملی در بهینه‌سازی فرآیندهای استخراج پلی فنول‌ها از برگ‌های کاج و سایر منابع گیاهی کمک کند و در صنایع دارویی و غذایی به‌کار گرفته شود. این پروژه علاوه بر مدل‌سازی دقیق‌تر، به‌عنوان ابزاری برای استفاده بهینه از منابع ضایعاتی گیاهی نیز اهمیت زیادی دارد.

شرکت هوشمندسازان کسب‌وکار به‌دنبال همکاری با فردی چند‌مهارته و با انگیزه است که هم در تحلیل داده، هم در طراحی و پیاده‌سازی سیستم‌های هوشمند و هم در توسعه فول‌استک توانمند باشد. اگر به یادگیری مداوم علاقه‌مند هستید، از مواجهه با چالش‌های جدید لذت می‌برید و می‌خواهید در ساخت سیستم‌های هوشمند واقعی نقش کلیدی داشته باشید، جای شما در تیم ما خالی است. مهارت‌های کلیدی: معماری سیستم: درک عمیق از طراحی سیستم‌های مقیاس‌پذیر، امن و انعطاف‌پذیر توانایی انتخاب فناوری مناسب برای نیاز هر پروژه تجربه در طراحی ساختارهای منطقی، پایگاه داده و ارتباط بین اجزای سیستم توسعه فول‌استک: فرانت‌اند: React / Vue بک‌اند: Node.js / Django / FastAPI طراحی REST API، کار با دیتابیس‌های SQL/NoSQL و برداری تسلط به Git و توسعه ماژولار هوش مصنوعی و یادگیری ماشین: پیاده‌سازی مدل‌های ML/DL با Python، TensorFlow، PyTorch و پیاده سازی LLM محلی و N8N تحلیل داده‌های ساختاریافته و بدون ساختار ارزیابی و بهینه‌سازی مدل‌ها برای کاربردهای واقعی تحلیل داده و تصمیم‌سازی: تسلط به تحلیل داده‌ها با Python، Excel، Power BI طراحی داشبورد و استخراج شاخص‌های کلیدی کسب‌وکار (KPI) توانایی تبدیل داده خام به بینش قابل‌اجرا برای تصمیم‌گیری ویژگی‌های شخصیتی: علاقه‌مند به یادگیری مداوم و رشد فردی متعهد، پرتلاش و نتیجه‌گرا دارای ذهن تحلیلی و نگاه کل‌نگر به سیستم‌ها توانایی ارتباط مؤثر و همکاری تیمی آنکال بودن 24 ساعته امانت داری نوع همکاری: پروژه‌ای / قراردادی

پروژه شامل ران گرفتن از یک کد میباشد. کد مربوط به تشخیص تومور در تصاویر سه بعدی است. مراحل ران گرفتن کد در صفحه گیتهاب موجود است و صرفا تعدادی باگ دارد که باید اصلاح شود اما کد تمیز و خونا نوشته شده است. نیازی به اجرای کامل کد نیست. تنها تا یک مرحله train شود و پیش برود. احتیاج به دو gpu ندارد. تنظیمات کانفیگ را روی یک gpu بگذارید.

یه پروژه تحقیقاتی دارم راجب طراحی یه دستگاه سورتینگ گوجه فرنگی، و میخوام با یه ماژول مناسب و برد رزبری پای یه سیستم پردازش تصویر طراحی بشه که بتونه از روی رنگ و هندسه بتونه گوجه های خراب رو از روی نوار نقاله شناسایی کنه و به سیستم کنترلی موقعیت دهی کنه؟ میخوساتم بدون شرایط همکاری چی هستش و هزینه مد نظر شما چقدره؟ (هزینه برد و دوربین جدا پرداخت میشه)

در این پروژه یک معماری یچیده از شبکه عصبی عمیق ( DNN) وجود دارد که تصویر و فلوچارت آن جهت نشان دادن جزییات شبکه عصبی و معماری اش ساخته شود. از انجایی که شبکه عصبی پیچیده است لازم است چند قسمت شود و به صورت چند تصویر ساخته شود نمونه ای از این نوع تصاویر را در زیر اپلود کرده ام برای انجام این پروژه اگر با شبکه عصبی اشنا هستید بسیار راخت تر خواهد بود

سلام دوستان، وقت بخیر من به کمک یک مهندس یادگیری ماشین یا یادگیری عمیق نیاز دارم تا مقدار یک سیگنال پزشکی/بیومدیکال رو پیش‌بینی کنم. لینک گوگل درایو دیتاست‌های train و test رو در پایین کپی کرده‌ام. این پروژه ارزش مالی و غیرمالی بالایی برای ما داره و ما حاضریم تا مبلغ ۴۰۰ میلیون پرداخت کنیم اگر کسی بتونه مدلی آموزش بده که خروجی را با دقت نسبت بالا پیش‌بینی کند (R2 > 0.6، MARD < 10%). نکته ۱) مدل آموزش‌دیده باید بتونه خروجی جلسات (session) جدید و دیده‌نشده را پیش‌بینی کند (اگر دیتاست‌ها را به صورت تصادفی split کنید ممکنه مدل نتایج خیلی خوبی بدهد، اما وقتی داده‌های کاملاً جدید از یک session متفاوت به آن بدهید، عملکردش خوب‌ نخواهد بود). نکته ۲) مقادیر خروجی دیتاست تست رو اینجا قرار ندادم که بتونم مدل طراحی شده شما رو ارزیابی کنم. نکته ۳) مدل میتونه از دیتای یک سطر یا حتی از دیتای دهها سطر اخیر استفاده کنه (تا ماکزیمم ۱۵ دقیقه قبل). سطرها هر ۴ ثانیه هستن. بنابراین میتونید از دیتاهای دهها سطر قبل استفاده کنید برای پیش بینی مقدار بعدی). نکته ۴) لطفاً نگاهی به داده‌ها بندازید و اگر فکر می‌کنید می‌تونید این کار را انجام دهید، یک عکس از سیگنال ‌های پیش‌بینی‌شده خود بر روی دیتاست تست برای من بفرستین. اگر نتایج نسبتاً دقیق به نظر برسند، میتونیم صحبت رو ادامه بدیم و ایشالا بشه پروژه را با شما جلو ‌ببرم. این کار برای اینه که مطمئن شم پروژه را به کسی نمیسپرم که قادر به انجام آن نیست و وقت من یا شما هدر نخواهد رفت. لطفاً تنها در صورتی درخواست دهید که داده‌ها را بررسی کرده‌اید و فکر می‌کنید می‌تونید یک مدل نسبتا خوب آموزش دهید. لطفا عکس سیگنال پیش بینی شده دیتاست تست رو ارسال کنید. اگه نزدیک به دیتای واقعی باشه میتونیم همکاری رو شروع کنیم. Features: 1) Timestamp: YYYY-MM-DD HH-MM-SS 2) 240 columns sensor raw data (00_00, 00_01, ...., 19_11). you need to apply filter or smoothing. این ستون ها دیتای 240 کانال سنسور الکتریکی و نوری هستند که از بدن اندازه گیری شدن. 3) 3 raw temperature sensor data (main_temp, ld_temp, mcu_temp_miliV) 4) 2 humidity data (main_hum, ld_hum) 5) batt_pct: battery % of device 6) body_location: device's location on body (left or right side) 7) session_run: recording session (after placing device on body for each recording) 8) bio_signal: label/output signal we want to predict ———————————————————————————————————————— Evaluation criteria: R2 > 0.6 and MARD < 10% MARD_formula = np.mean(np.abs((preds - y_test) / y_test)) * 100 Train dataset (130MB): https://drive.google.com/file/d/1izzcxCIuf3oGledLNFyvqm0lULqPpE3o/view?usp=drive_link Test dataset (15MB): https://drive.google.com/file/d/1TahpnQqQUZ9rt7gYrTGOPG9VbceBU0s9/view?usp=drive_link

با سلام تسلط به زبان برنامه‌نویسی Python آشنایی با مفاهیم پردازش سیگنال صوتی (audio signal processing) آشنایی با یادگیری ماشین (ML) و مدل‌های تحلیل احساسات توانایی پیاده‌سازی مدل اولیه برای نرم‌افزار پروژه شامل موارد زیر میباشد: دریافت ورودی صوتی پردازش و تشخیص گفتاری لحن و تن صدا تحلیل واکنش های غیر کلامی طبقه بندی محتوا امتیاز دهی در آخرم تولید گزارش آماری در نسخه تحت وب

هدف ساخت یک اکسپرت معامله گر تمام اتوماتیک mt4 , mt5 با منطق فازی و تحلیل با بهره مندی از ماشین لرنینگ و شبکه های عصبی,RNN, LSTM ,CNN, و هوش مصنوعی و مدیریت سرمایه قابل تنظیم برای حد ضرر و حد سود این بات باید به صورت مداوم خودشو نسبت به شرایط بازار به روز کنه و یادگیری نسبت به جدید ترین داده های بازار باشه

این پروژه شامل 2 فایل می باشد.یک فایل شامل داده های انگلیسی سال و 8 عدد از صفر تا هفت هر عدد نماینده یک موضوع است می خواهم طبق داده های 1970 تا 2024 پیش بینی 2025 تا 2034 یعنی ده ساله را داشته باشم .پیش بینی می خواهم با الگوریتم Lstmکار انجام بشه و جهت آموزش و تست داده آموزش 80 درصد و داده های تست 20 درصد باشد داده های تست از 2019 تا 2024 یعنی 6 سال اخیر یا 5 سال اخیر جهت آزمون و تست استفاده شود برای ارزیابی از معیار ضریب تعیین و خطایی مربعات هر موضوع به صورت جدا نیاز هست . ضریب تعیین به بالای 70 درصد باید برسد. علاوه بر خروجی و نمودار به کدهای الگوریتم Lstm نیاز دارم. فایل دوم دیتا مربوط به داده های فارسی می باشد شامل سال و 5 عدد می باشد که از صفر تا چهار است . و آموزش مدل و پیش بینی ده سال آینده یعنی 1404 تا 1414 مورد نیاز می باشد تمامی مراحل دیتای فارسی و دیتای انگلیسی یکسان می باشد.

انجام شبیه سازی برق - مخابرات سیستم موضوع: کاهش نویز کانال با استفاده از یادگیری ماشین در مخابرات کوانتومی ترجیحا با پایتون انجام بشه ولی متلب هم قابل قبوله انجام مراحل مختلف پروژه شامل: انجام شبیه سازی، بررسی و تحلیل نتایج ارائه گزارش روند پیشرفت پروژه به صورت هر دوهفته یکبار پرداخت به صورت مرحله به مرحله

با سلام پروژه تشخیص اخبار جعلی رو که یک باینری کلاسیفیکیشن هست ( ریل / فیک ) رو پیاده سازی کردم الان در این مرحله نیازمند فردیم که در زمینه یادگیری تقویتی و خصوصا الگوریتم DQN تخصص داشته باشه امبدینگ های غنی GNN رو میخوام بدم به DQN تا DQN طبقه بندی رو انجام بده خلاصه حتما حتما نیازمند تخصص در زمینه DQN هست

به یک نرم افزار برای سورتینگ محصولات کشاورزی نیاز دارم

کار یک ‌پروژه ساده است. مقاله در زمینه تشخیص کدهای نامطلوب با Machine Learning است. کد آن پایتون بوده و کد و دیتاست آن موجود است.ابتدا می بایست کد مقاله با داده های دیتاست پیاده سازی شده بطوریکه به نتایج گزارش شده در مقاله رسید. سپس نتایج بدست آمده را تا جای ممکن بهبود داد