В этом репозитории собрана вся информация и решенные задачи, которые я выполнял в рамках программы Personal Development Plan от компании Softarex. Здесь представлены проекты, задачи по машинному обучению, разработке нейронных сетей а и другие проекты, выполненные с использованием различных технологий и инструментов.
В директории perceptron находится решение задачи, связанной с созданием простейшего однослойного персептрона. Задача разделена на два файла:
-
perceptron_research.ipynb: В этом Jupyter Notebook проведено исследование и обучение персептрона с использованием библиотеки NumPy. В этом файле представлен так же присутсвует решение собственной задачи с использованием алгоритмов.
-
simple_perceptron_classes_with_np_pytorch.ipynb: В этом Jupyter Notebook представлена базовая реализация однослойного персептрона с использованием NumPy и PyTorch. Код также включает визуализацию процесса обучения и решение задачи определения точки внутри полигона.
-
pytorch_perceptron_with_grapics.ipynb: В этом Jupyter Notebook реализован процесс обучения персептрона с использованием модуля
nn.Linearиз библиотеки PyTorch. В файле представлены оптимизированные алгоритмы обучения, а также визуализация гиперплоскости.
В директории Telco_Customer_Churn выполнена задача обучения классификатора на табличных данных. Задача решена с использованием алгоритмов машинного обучения, а также работы с таблицами Pandas. Детали выполнения задачи и презентация решения представлены в следующих файлах:
-
TelCo.ipynb: В этом Jupyter Notebook описаны все действия по выполнению задачи. Процесс обучения классификатора и взаимодействие с табличными данными с использованием Pandas.
-
report_presentation.pptx: В этом файле презентации представлено оформление и отчет по выполненной задаче. Здесь можно найти ключевые моменты и результаты.
В этой задаче объединены две подзадачи, связанные с обучением сверточных сетей на фреймворке Keras и PyTorch, в рамках классификации изображений MNIST. Решение задач было выполнено с использованием фреймворка ClearML на локальном сервере. Запускал этот код через jupyter notebook а так же создавал эксперименты в ClearML с редакцией гиперпараметров. Детали выполнения задач и отчеты представлены в следующих файлах:
-
keras_research.ipynb: В этом Jupyter Notebook выполнена задача классификации цифр с использованием фреймворка Keras. Описание работы представлено в файле
1st report.pdf. -
mnist_classifier_pytorch.ipynb: В этом Jupyter Notebook решена задача классификации с использованием фреймворка PyTorch. Отчет по этой работе представлен в файле
pytorch CNN.pdf.
В этой задаче решена задача классификации диалектов языка. Подготовка к основной задаче была выполнена сначала с использованием пробной подзадачи, описанной в репозитории Swiss_dialect. Детали этой подготовительной работы представлены в файле:
- Faker_Text_detection.ipynb: В этом Jupyter Notebook проведена подготовка к основной задаче. Реализован собственный алгоритм токенизации и векторизации данных. Задача заключалась в определении, является ли текст сгенерированным с использованием библиотеки Faker или это настоящий рукописный текст.
Основная задача классификации диалектов решена в следующих файлах:
-
cool_swiss_detection_v4.ipynb: В этом Jupyter Notebook выполнена задача с использованием алгоритмов машинного обучения и bag of words и TfidfTransformer.
-
swiss_detection_NN.ipynb: В этом Jupyter Notebook решена задача с использованием различных нейронных сетей.
-
Report.pdf: В этом файле представлен отчет с результатами выполненных работ и таблицей метрик.
Проект TalkFlow представляет собой голосового ассистента, способного выполнять задачи на компьютере. Проект начался как выполнение задачи по созданию проекта с использованием базовых возможностей языка Python, а также библиотек PyQT/Tkinter. Впоследствии, он эволюционировал в более крупный и функциональный проект.
Ознакомиться с базовой версией проекта можно здесь. Больше информации и обновлений можно найти на собственном сайте проекта.