طراحی مدل یادگیری ماشین machine learning project

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