ML проекты (Machine Learning)

{"type":"doc","content":[{"type":"paragraph","content":[{"type":"text","text":"Работа над проектами ML. "}]},{"type":"paragraph","content":[{"type":"text","text":"Решение задачи регрессии на датасетах объектов недвижимости и вторичного рынка автомобилей."}]},{"type":"paragraph","content":[{"type":"text","text":"Модели: Sklearn Linear Regression, Logistic Regression. "}]},{"type":"paragraph","content":[{"type":"text","text":"Метрика: R2. Визуализация: matplotlib и seaborn."}]},{"type":"paragraph","content":[{"type":"text","text":"Изучал Python разработку и базовые модели машинного обучения. В качестве практики занимался прогнозированием данных на основе линейной регрессии, деревьев решений. Есть несколько проектов на GitHub."}]},{"type":"paragraph","content":[{"type":"text","text":"Подготовка проекта по классификации радиосигналов по типу модуляции с использованием методов машинного обучения. "}]},{"type":"paragraph","content":[{"type":"text","text":"Использовался фреймворк TorchSig для генерации сигналов."}]},{"type":"paragraph","content":[{"type":"text","text":"Модели:SVM, Rocket, RISE, XGBoost, TSF, XResNet1d50, XResNet1d34, XResNet1d18, EfficientNet-B6, ResNet50."}]},{"type":"paragraph","content":[{"type":"text","text":"Метрика: Accuracy."}]},{"type":"paragraph","content":[{"type":"text","text":"Дополнительная обработка данных: извлечение признаков TSFresh, нормализация. Для моделей глубокого обучения данные представлялись в двух видах: после расчета спектральной мощности и после вейвлет-преобразования."}]},{"type":"paragraph","content":[{"type":"text","text":"Участие в хакатоне по треку «Контроль качества: автоматическое выявление поддельных товаров» в рамках E-CUP 2025: ML Challenge. Результат: попал в ТОП 10% участников."}]},{"type":"paragraph","content":[{"type":"text","text":"Использованная модель Random Forest Classifier («случайный лес»), метрика: accuracy. Былапроведена предварительная обработка данных (HTML очистка, удаление стоп слов, лемматизация)."}]}]}