پروژه های یادگیری ماشین

سلام ب داروسازی نیاز به مشاوره آماری دارم. پروژه مدلسازی یادگیری ماشین روی دیتاهای گذشته نگر پرونده های بیمار هست. موارد مورد انتظار ۱. راهنمایی در نگارش بخش آمار ۲. پاسخ‌دهی به سوالات در حین روند کار ۳. تحلیل آماری بر روی results

این پروژه مربوط به دریافت خدمات مشاوره تخصصی در حوزه هوش مصنوعی و یادگیری ماشین به منظور پشتیبانی علمی و فنی از تدوین، تحلیل داده‌ها و به‌کارگیری مدل می‌باشد. خدمات شامل بررسی ادبیات علمی مرتبط، کمک به طراحی مدل و انتخاب بهترین مدل ، ارائه راهکارهای فنی برای تحلیل داده‌های پژوهشی و مشاوره در بهینه‌سازی نتایج خواهد بود.

شرح وظایف: طراحی و پیاده‌سازی مدل‌های یادگیری ماشین و پردازش زبان طبیعی (NLP) برای استخراج هوشمندانه داده‌ها از وب‌سایت‌ها همکاری با تیم برنامه‌نویسی وب‌اسکرپینگ جهت بهبود دقت و کارایی سیستم استخراج داده تحلیل داده‌های جمع‌آوری شده و بهینه‌سازی مدل‌ها برای افزایش کیفیت نتایج توسعه الگوریتم‌های پیشرفته برای فیلترکردن، طبقه‌بندی و تشخیص داده‌های مهم مستندسازی فرایندها و نتایج مدل‌ها مهارت‌ها و تجربیات مورد نیاز: تسلط به زبان برنامه‌نویسی Python و کتابخانه‌های مرتبط (مثل TensorFlow, PyTorch, scikit-learn) تجربه در زمینه یادگیری ماشین و به خصوص پردازش زبان طبیعی (NLP) آشنایی با روش‌های استخراج اطلاعات از متن و داده‌های وب توانایی کار با داده‌های بزرگ و پردازش داده‌ها آشنایی با مفاهیم پایه وب‌اسکرپینگ یک امتیاز محسوب می‌شود مهارت‌های حل مسئله و تحلیل داده‌ها

من به دنبال یک متخصص برای توسعه یک پروژه یادگیری ماشین برای پیش‌بینی آزمون پایداری مارشال هستم. من یک مجموعه داده آماده دارم. این کار شامل ساخت مدل‌ها با الگوریتم‌های مختلف، انجام تنظیم مناسب هایپرپارامتر و ارائه معیارهای عملکرد و تجسم‌ها است. نتایج باید شامل گزارش، نمودارها و کد اجرایی باشد. فقط پیشنهاداتی بررسی میشوند که فرآیند انجام کار و شرح پروپوزال جهت انجام پروژه را ارائه کنند. با تشکر

من به یک توسعه‌دهنده باتجربه هوش مصنوعی/یادگیری ماشین نیاز دارم تا یک خط لوله یادگیری عمیق برای تشخیص و قطعه‌بندی تومور کبد از تصاویر سی‌تی‌اسکن بسازد. الزامات کلیدی: - توسعه یک مدل یادگیری عمیق، در حالت ایده‌آل با استفاده از شبکه‌های عصبی کانولوشن (CNN). - تمرکز بالا بر حساسیت و ویژگی به عنوان معیارهای ارزیابی. - تجربه در تصویربرداری پزشکی و وظایف قطعه‌بندی تصویر ضروری است. مهارت‌های ایده‌آل: - تخصص در TensorFlow یا PyTorch - پیشینه قوی در بینایی کامپیوتر و یادگیری عمیق - آشنایی با مفاهیم و تکنیک‌های تصویربرداری پزشکی - سابقه‌ی اثبات‌شده در توسعه و پیاده‌سازی مدل‌های هوش مصنوعی لطفا در پیشنهادهای خود، سابقه کار مرتبط را نیز لحاظ کنید.

من به دنبال یک توسعه‌دهنده ماهر هستم تا یک نرم‌افزار سیستم بینایی با هدف تشخیص محصولات روی تسمه نقاله ایجاد کند. این سیستم باید بتواند نقص‌های این محصولات را شناسایی کند. الزامات کلیدی: - قابلیت تشخیص اشیاء به طور خاص برای محصولات روی تسمه نقاله - شناسایی نقص - کاراکتر نوشته شده روی شیء را بخوانید - شناسایی شیء - مقایسه شیء بر اساس نمونه داده شده مهارت‌ها و تجربیات ایده‌آل: - تخصص در بینایی کامپیوتر و یادگیری ماشین - تجربه کار با فریم‌ورک‌های تشخیص شیء (مانند TensorFlow، OpenCV) - سابقه در توسعه سیستم‌های اتوماسیون صنعتی - مهارت‌های برنامه‌نویسی قوی (پایتون/سی‌پلاس‌پلاس، هوش مصنوعی، یادگیری ماشین) - امکان ارائه رابط کاربری آسان برای نظارت و گزارش‌گیری لطفا در صورت وجود سابقه کار مرتبط و نمونه کارهای مرتبط، ارائه دهید.

من یک مجموعه داده ترافیک SDN-VANET قابل توجه دارم و نیاز دارم که آن را به یک آشکارساز DDoS مبتنی بر LSTM تبدیل کنم. هسته اصلی کار این است که یک معماری حافظه بلند مدت موجود را بگیرم، آن را با مجموعه داده تطبیق دهم و تشخیص حمله قابل اعتمادی را نشان دهم. روال کاری که من مد نظر دارم به ترتیب زیر است: • مجموعه داده خام را تجزیه کرده و آن را به فرمتی تبدیل یا بارگذاری کنید که کتابخانه‌های رایج یادگیری عمیق (TensorFlow، Keras یا PyTorch) بتوانند آن را بخوانند. • پیش‌پردازش کامل - پاکسازی داده‌ها، استخراج ویژگی و نرمال‌سازی - را اعمال کنید تا توالی‌ها به طور تمیز وارد شبکه شوند. • مدل LSTM انتخاب‌شده را پیاده‌سازی، آموزش، اعتبارسنجی و آزمایش کنید، سپس معیارهای کلیدی مانند دقت، دقت/فراخوانی، F1 و هرگونه بینش مربوط به ماتریس سردرگمی برای DDoS در مقابل ترافیک بی‌خطر را گزارش دهید. • تمام کدها، دفترچه‌های یادداشت و یک فایل راهنمای مختصر را آماده کنید تا بتوانم نتایج را به صورت محلی یا روی یک نمونه GPU بازتولید کنم. در صورت بهبود عملکرد، می‌توانید پیشنهادهایی برای بهبودهای جزئی در پارامترهای ابرداده یا تکنیک‌های منظم‌سازی ارائه دهید، اما ستون فقرات باید LSTM باقی بماند. اگر با SDN، VANET یا مجموعه داده‌های نفوذ شبکه تجربه دارید، این یک مزیت خواهد بود. لطفا یک جدول زمانی تخمینی برای هر مرحله ارائه دهید با تشکر

من به دنبال توسعه یک سیستم هوش مصنوعی مدل‌سازی پیش‌بینی پیشرفته با استفاده از داده‌های بلادرنگ هستم. این سیستم از فناوری‌هایی مانند Notebook LM، Gemini 2.5 و Firebase بهره خواهد برد. الزامات کلیدی: - توسعه مدل هوش مصنوعی: تخصص در ساخت مدل‌های پیش‌بینی. - مدیریت داده‌های بلادرنگ: توانایی ادغام و پردازش جریان‌های داده بلادرنگ. - آشنایی با Notebook LM، Gemini 2.5 و Firebase مزیت محسوب می‌شود. مهارت‌ها و تجربیات ایده‌آل: - پیشینه قوی در هوش مصنوعی و یادگیری ماشین - تجربه در پردازش داده‌های بلادرنگ - تسلط بر ابزارها و فناوری‌های مرتبط

استفاده از هوش مصنوعی در پیش‌بینی رفتار کاربر در رابط‌های کاربری هدف: استفاده از الگوریتم‌های ساده یادگیری ماشین در فرانت‌اند برای تحلیل رفتار کاربر و پیش‌بینی تعاملات بعدی او با وب‌سایت. خروجی: پیاده‌سازی یک نمونه اولیه که بتواند رفتارهای کاربر را شناسایی و تجربه کاربری سفارشی‌سازی‌شده‌ای ایجاد کند. من برای این پروژه سایت فروشگاهی عطر و ادکلن را در نظر گرفتم

برای یک پروژه نیازمند متخصص با تجربه در زمینه یادگیری عمیق هستیم تا ما را در رسیدن به هدف یاری کند. انتخاب اولیه برنامه نویسی با پایتون و کتابخانه pytorch و برنامه pycharm است. توضیحات بیشتر در جلسه آنلاین ارائه خواهد شد....

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

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.

✅ عنوان پروژه: طراحی و توسعه سوپراَپ جامع پایش و مداخله روان‌شناختی و هوش مصنوعی ✅ معرفی کلی: این پروژه با هدف ایجاد یک پلتفرم فناورانه جامع و پیشرفته طراحی شده است تا بتواند به‌صورت چندزبانه و در سطح بین‌المللی، خدمات زیر را به کاربران، درمانگران و تولیدکنندگان محتوا ارائه کند: پایش روان‌شناختی و شخصیتی کاربران بر اساس داده‌های دیجیتال (الگوهای جستجو، رفتار آنلاین، اپلیکیشن‌ها و منابع مطالعه) پایش بیومتریک (ضربان قلب، دما، نبض) از طریق موبایل و دستگاه‌های هوشمند تحلیل و غربالگری اختلالات شایع روان‌شناختی (افسردگی، اضطراب، وسواس، اختلالات شخصیت) با استفاده از مدل‌های هوش مصنوعی ارائه خدمات آزمون‌های روانشناسی بالینی و تشخیصی استاندارد امکان نوبت‌گیری آنلاین حضوری و مجازی با درمانگران و روان‌درمانگران تأیید‌شده ایجاد چت‌بات هوش مصنوعی روان‌شناختی برای راهنمایی اولیه، تمرینات خودیار و پایش مداوم سیستم فروش و ارائه محتوا (کتاب، پادکست، دوره‌های آموزشی، وبینار) زیرساخت بازاریابی دیجیتال، همکاری در فروش و بازاریابی چندسطحی (MLM) سیستم‌های اطلاع‌رسانی پیشرفته (پوش نوتیفیکیشن، پیامک، ایمیل مارکتینگ، تیکتینگ) پنل اختصاصی برای درمانگران جهت مشاهده داده‌ها، تجویز محتوا و مدیریت پرونده بالینی --- ✅ ویژگی‌های علمی پروژه: مبتنی بر رویکرد طرحواره‌درمانی (Schema Therapy) و روانشناسی بالینی مدرن رعایت کامل استانداردهای اخلاق حرفه‌ای و محرمانگی (همراستا با نظام‌نامه سازمان نظام روانشناسی ایران) استفاده از آزمون‌های معتبر (DSM, Beck, MMPI و سایر پرسشنامه‌های طرحواره‌محور) امکان تولید محتوای بومی و بین‌المللی با همکاری روانشناسان خبره --- ✅ ویژگی‌های فنی و نرم‌افزاری: معماری ماژولار و مقیاس‌پذیر (API-First / Cloud Native) پشتیبانی کامل از چند زبان (فارسی، انگلیسی، عربی و…) پشتیبانی از درگاه‌های پرداخت داخلی و بین‌المللی رمزنگاری پیشرفته داده‌ها + احراز هویت دو مرحله‌ای + ثبت رضایت‌نامه دیجیتال قابلیت اتصال به دیتاسنتر داخلی کشور با امکان میزبانی امن طراحی رابط کاربری مدرن، ساده و در دسترس برای طیف گسترده‌ای از کاربران زیرساخت قابل ارتقاء برای اتصال به دستگاه‌های پوشیدنی (Wearables) داشبورد مدیریتی پیشرفته برای کلینیک‌ها و درمانگران سیستم همکاری در فروش و مدیریت بازاریابی چندسطحی امکان تحلیل داده‌های بزرگ (Big Data) برای یادگیری ماشین و بهبود مستمر عملکرد --- ✅ شرایط همکاری: شرکت‌ها و تیم‌های توسعه‌دهنده علاقه‌مند می‌توانند پیشنهاد همکاری خود را شامل موارد زیر ارسال نمایند: معرفی شرکت/تیم و سوابق مشابه (نمونه پروژه‌های مشابه حوزه سلامت، هوش مصنوعی یا پلتفرم‌های چندزبانه) ساختار پیشنهادی تیم اجرایی (برنامه‌نویس بک‌اند، فرانت‌اند، موبایل، متخصص ML/AI، طراح UI/UX، مدیر محصول و…) تخمین فنی زمان‌بندی، مراحل تحویل، روش‌های توسعه و فناوری‌های مورد استفاده مدل پشتیبانی و گارانتی برآورد هزینه توسعه نسخه اولیه (MVP) و نگهداری بلندمدت --- ✅ هدف نهایی: انتخاب بهترین شریک فناوری برای طراحی و اجرای نسخه اولیه ظرف ۶ ماه، با امکان توسعه و گسترش در مقیاس ملی و بین‌المللی. 📌 علاقه‌مندان لطفاً پیشنهاد رسمی خود را به همراه پروپوزال فنی و اجرایی ارسال فرمایند. با تشکر

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

به فردی مسلط به مباحث یادگیری ماشین، یادگیری عمیق و شبکه های عصبی برای انجام یک پروژه مدلسازی و فرموله سازی برای تشخیص بیماری نیاز دارم فرد در کنار مهارت های فوق الذکر ایده دهنده و خلاق هم باشه و بتونه بر اساس شرح کار و توضیحات تکمیلی متدی خلاقانه بمن ارائه بده

پروژه شامل چند بخش است ابتدا باید یک مدل شبکه عصبی روی داده های کم برای پیش‌بینی دو خروجی بصورت همزمان ایجاد شده و همچنین خود شبکه بهینه گردد (با استفاده از روش هایی مانند GA, PSO, Hyperband, BA و ...) و نیز تفسیر شبکه عصبی به منظور فهمیدن تاثیر پارامترها بر خروجی با استفاده از روش هایی مانند PDP, LIME یا SHAP انجام گیرد (در ارزیابی این مدل R2 باید حداقل بالای 0.85 و MAE و MSE کم باشد) در ادامه برای افزایش تعداد داده ها باید از روش‌های data imputation برای جانهی missing values استفاده کرد تا تعداد داده ها افزایش یابد. این بخش نیاز به خلاقیت دارد تا بدون اینکه ماهیت دیتاست تغییر کند تعداد داده ها افزایش یابد و سپس مدلی مانند مرحله اول روی این دیتاست جدید توسعه داده شود (لزوما نباید شبکه عصبی باشد) و ارزیابی آن با داده های تست (Test set) مرحله قبل انجام بگیرد.