СКАЧАТЬ ПОЛНОЕ РЕЗЮМЕ

➔ Период реализации: 01.01.2025. по 15.05.2025

➔ Задача: Разработка системы разметки изображений с последующим наложением эффектов огня, дыма и искр в Google Colab

➔ Цель проекта: Разработать систему для полуавтоматической разметки изображений, а также реализовать функцию наложения графических эффектов (огонь, дым, искры) поверх объектов на изображении с возможностью слияния с фоном. Весь процесс должен быть реализован в среде Google Colab.

➔ Достижения: Создана система для полуавтоматической разметки изображений и наложения графических эффектов (огонь, дым, искры) поверх объектов. Все этапы реализованы в Google Colab, включая работу с прозрачностью, масштабирование, позиционирование и смешивание эффектов с фоном. Проект позволяет создавать синтетические данные для обучения моделей компьютерного зрения.

➔ Стек технологий:   pandas, numpy, matplotlib, sklearn, tensorflow, keras

➔ Ссылка на практический код проекта: https://colab.research.google.com/drive/1l3lS16iXewdE3X9RR5c5ELnwjMWmy0f6?usp=sharing

➔ Период реализации: 01.09.2024. по 15.11.2024

➔ Задачи: разработать прогнозную систему для  профессиональных трейдеров, ведущих маржинальную торговлю контрактами на золото на ММВБ методом «скальпинг».

➔ Достижения: Система демонстрирует высокую точность прогнозирования в краткосрочной перспективе методом скальпинга и позволяют трейдерам быстро принимать решения в условиях высокой волатильности рынка, постоянно обучаясь на новых данных. 

➔ Стек технологий:   pandas, numpy, matplotlib, sklearn, tensorflow, keras

➔ Ссылка на практический код проекта: https://clck.ru/3EhFEK

➔ Презентация проекта: https://clck.ru/3EhFeH

Проект 2: разработка учебного модуля на Google Colab. Временные ряды для новичков.

➔ Период реализации: 10.05.2024. по 14.05.2024

➔ Задачи: создать простой и понятный учебный модуль для новичков в области искусственного интеллекта с использованием Google Colab, который включает в себя: краткое введение в выбранную тему, пошаговое руководство с объяснениями и кодом.  Примеры кода на Python, демонстрирующие основные концепции и методы.

➔ Достижения: в результате разработки материала улучшена доступность сложного материала для новичка, разработан учебный код временных рядов с примерами, который корректно работает в Colab.

➔ Стек технологий: pandas, numpy, matplotlib

➔ Ссылка на теоретический блок проекта: https://clck.ru/3CQ5Pd  

➔ Ссылка на практический код проекта: clck.ru/3CQ5UZ

Проект 3: прогноз стоимости акций Лукойла с помощью временных рядов

➔ Период реализации: 10.05.2024. по 14.05.2024

➔ Задачи: Обучить нейронную сеть для прогноза стоимости акций на данных на базе акций Лукойла, применив абсолютно новый подход.

➔ Достижения: Сделано несколько усовершенствований в предсказании временного ряда. К исходному сигналу добавлены расширенные данные: попарные разности каналов, модули попарных разностей каналов, попарные произведения каналов, обратное значение каналов.

➔ Стек технологий:   pandas, tensorflow, keras, sklearn

➔ Ссылка на практический код проекта: https://clck.ru/3CQ5sm

Проект: 4   Телеграмм-бот по распознанию изображений по фотографиям, присланным пользователем. 

➔ Период реализации: 10.07.2024. по 19.07.2024

➔ Задачи: Создать telegram-bot, с возможностью:

Распознавание с различным уровнем достоверности conf = [0.01, 0.5, 0.99], Распознавание с различным уровнем метрики “пересечения на объединение” iou = [0.01, 0.5, 0.99], распознавание определенных предобученных классов.

Добавить кнопки для выбора одного из нескольких видов объектов для распознавания.

➔ Достижения: в результате разработки бот справляется со своей задачей по всем параметрам.

➔ Стек технологий: VSCode.  Библиотека Python-telegram-bot.

➔ Ссылка на код бота: https://clck.ru/3CQ6px

➔ Ссылка на видео-презентацию работы бота: clck.ru/3CQ6vq

Проект 4: Object Detection на изображениях и видео. Поиск уставших, отвлекающихся водителей по позам головы. 

➔ Период реализации: 08.07.2024. по 13.07.2024

➔ Задачи: Обучила модель yolo размером "m" на малом датасете из 30 изображений. Создала набор весов.

➔ Достижения: в результате обучения модель хорошо распознает уставших, курящих и отвлекающихся водителей.

➔ Стек технологий: YOLO 8, TerraYolo, matplotlib 

➔ Ссылка на проект: https://clck.ru/3CPzfw 

Проект 5: изготовление DataSet-ов с разными вариантами изображений для обучения нейросети по распознанию лиц в терминалах для  ООО «ЮниТех» 

➔ Период реализации: 25.07.2024. по 06.08.2024

➔ Задачи: Создано 965 фотографий с разными ракурсами, освещением, изменением лиц сотрудников предприятия.

➔ Достижения: в результате обработки изображений лица были изменены, что усложнило узнаваемость их нейросетью (проверочный набор данных).

➔ Стек технологий: Photoshop CS, Luminar AI, Kandinsky 3.1 

➔ Ссылка на Dataset: https://clck.ru/3CQ88y

Проект 6: распознавание текста на изображениях документов (OCR). 

➔ Период реализации: 28.07.2024. по 01.08.2024

➔ Задачи: произвести распознавание документа с помощью easyocr. Разметить основные поля документа, содержащие данные. Выполнить "умное" распознавание документа.

➔ Достижения: в результате обработки изображений все элементы документа были верно распознаны с высокой точностью.

➔ Стек технологий: easyocr, cv2, matplotlib, numpy

➔ Ссылка на проект: clck.ru/3CQ8EW

Проект 7: распознавание и генерация речи. 

➔ Период реализации: 01.08.2024. по 09.08.2024

➔ Задачи: Разработать программу, которая с помощью микрофона записывает произвольный текст и распознает его.

➔ Достижения: в результате создана программа по записи и распознанию текста с микрофона.

➔ Стек технологий: micro, scipy, os, speech_recognition, IPython.display, jiwer

➔ Ссылка на проект: https://clck.ru/3CQ9Uo

Проект 8: разработка архитектуры нейронных сетей для получения прогноза в задаче регрессии. 

➔ Период реализации: 01.06.2024. по 10.06.2024

➔ Задачи: добиться средней абсолютной ошибки 17 и менее очков.

➔ Достижения: На базе баскетбольных матчей добилась средней абсолютной ошибки 17 и менее очков.

➔ Стек технологий: pandas

➔ Ссылка на проект: https://clck.ru/3CQAhB