Ілля Єрмаченков
Предложите Іллі работу над вашим следующим проектом или зарегистрируйте профиль фрилансера и начинайте зарабатывать прямо сейчас.
Личное сообщение
Предложить работу
Кривой Рог,
Украина
1 день 8 часов назад
свободен для работы
на сервисе 1 год
Рейтинг
Успешных проектов
Средняя оценка
Навыки и умения
Портфолио
-
Гибридная система поиска фильмов
AI и машинное обучение
Разработал гибридную мультимодальную систему поиска фильмов, которая находит фильмы с помощью изображений (скриншотов, кадров), текстовых описаний или комбинированных запросов. Создал крупномасштабный пайплайн с расширенной очисткой и дедупликацией данных, в результате чего было получено около 8000 высококачественных фильмов из 1 миллиона и получил более 40 000 векторных эмбеддингов. Использовал CLIP для объединения изображений и текста и FAISS для быстрого поиска по схожести. Поддерживает поиск только по изображениям, только по тексту и взвешенный поиск по изображениям + тексту с высокой точностью.
#машинноеобучение #поисковаясистема #компьютерное_зрение #питон
-
Система оценки психического здоровья
AI и машинное обучение
Веб-приложение на основе машинного обучения, предназначенное для оценки вероятности депрессии на основе предоставленных пользователем данных о образе жизни и демографических факторов. Система анализирует такие данные, как демографическая информация, учебная нагрузка, привычки сна, особенности питания и т.д., чтобы мгновенно сформировать прогноз и предоставить общие рекомендации.
Технический стек
Machine Learning & Data Science:
… • Python, Pandas, NumPy, Matplotlib, Sklearn: Очистка, обработка данных, построение графиков, обучение и сравнение моделей.
• Pipeline: Построение полного пайплайна обработки данных (импутация пропущенных значений, масштабирование).
Backend:
• Flask (Python): REST API для взаимодействия с ML-моделью.
• Integration: Обслуживание статических файлов React-билда через Flask (Single Server Deployment).
Frontend:
• React + Vite + TypeScript: Современная, быстрая и типизированная клиентская часть.
• Tailwind CSS: Стилизация компонентов, адаптивный дизайн (Mobile-First).
• React Select: Кастомизированные UI-компоненты для улучшения UX на мобильных устройствах.
Было достигнуто высоких показателей F1-score/Accuracy благодаря тщательному подбору фичей и валидации. Разработана удобная форма с мгновенной валидацией и визуализацией результата. Система показывает не только результат (Да/Нет), но и процент уверенности модели. Интегрирован список горячих линий психологической поддержки. Полная поддержка мобильных устройств (решена проблема нативных select на iOS/Android).
#machinelearining #ML #python #flask #React/TypeScript #React #TaillwindCSS
-
Система распознавания номерных знаков (ALPR)
AI и машинное обучение
О проекте
Проект направлен на создание системы компьютерного зрения для автоматической идентификации транспортных средств путем считывания их номерных знаков. Система работает в два этапа: сначала находит номер на изображении, а затем распознает текст на нем.
Натренировал модель на кастомном датасете, достигнув высокой точности обнаружения локализации номера.
Интегрировал библиотеку PaddleOCR для извлечения текста из вырезанных (cropped) изображений номеров.
… Реализовал скрипт на Python с использованием OpenCV для визуализации результатов (bounding boxes + текст) и фильтрации предсказаний по порогу уверенности (confidence threshold).
Пайплайн инференса:
1. Изображение подается на вход модели.
2. Полученные координаты (xyxy) используются для вырезания области номера (ROI crop).
3. Вырезанный фрагмент передается в PaddleOCR для распознавания текста.
4. Результат фильтруется по порогу уверенности (conf_thresh=0.5).
Визуализация:
С помощью OpenCV на оригинальное изображение наносятся рамки и распознанный текст, результат сохраняется локально.
Технический стек
• Язык: Python
• ML/DL Frameworks: PyTorch, PaddlePaddle
• CV Libraries: Ultralytics (YOLO), PaddleOCR, OpenCV
#машинноеобучение #компьютерноезрение #ML #AI
-
Система детекции головы людей
AI и машинное обучение
Проект
Проект фокусируется на задаче подсчета толпы и мониторинга безопасности путем точного обнаружения голов людей. Это базовая задача для систем видеонаблюдения, где важно видеть количество людей даже в плотной толпе.
Тренировочный процесс:
… • Модель: YOLOv11n (самая быстрая версия, оптимизированная для Edge-устройств).
• Эпохи: 100.
• Устройство: GPU (CUDA).
• Результат: Стабильно высокая точность (mAP50 ≈ 0.97).
Визуализация
Кастомная функция на OpenCV, которая рисует ограничительные рамки (bounding boxes) и отображает уровень уверенности модели (confidence score) над каждым объектом.
Результаты обучения
Модель демонстрирует высокую способность к обобщению. Графики потерь (Loss functions) показывают стабильное снижение.
Показатель mAP50 (средняя точность при 50% перекрытии) превышает 0,9, что считается отличным результатом.
Показатель mAP50-95 достигает 0,65+, что является высоким результатом для легких детекторов.
Технический стек
• Core: Python
• ML: Ultralytics YOLOv11, PyTorch
• CV: OpenCV
#машинноеобучение #компьютерное_зрение #ML #AI
-
Системы рекомендаций для ресторанов
AI и машинное обучение
Работа направлена на разработку системы рекомендаций заведений питания (ресторанов) для отдельных пользователей. Основной фокус работы заключался в предварительной обработке сложного, многотабличного набора данных и построении модели, способной прогнозировать, понравится ли конкретный ресторан конкретному пользователю.
Целью было создать функцию прогнозирования (рекомендации) рейтинга ресторана для пользователя на основе данных профилей пользователей и их предыдущих оценок. То есть выполнение задачи User-based collaborative filtering с использованием KNN.
… Шаги для выполнения:
• Загрузка и объединение данных из пяти различных источников.
• Выявление и обработка пропущенных и неконсистентных значений в данных.
• Очистка и нормализация географических и мета-данных пользователей и ресторанов.
• Создание модели рекомендательной системы.
Используемые данные
Проект использует набор данных restaurant-data-with-consumer-ratings, состоящий из 9 таблиц, из которых были использованы пять взаимосвязанных CSV-файлов:
1. geoplaces2.csv: Географические характеристики и атрибуты заведений (например, ценовой диапазон, алкоголь, дресс-код и др.).
2. rating_final.csv: Финальные оценки пользователей заведениям (общий рейтинг, рейтинг еды, рейтинг обслуживания).
3. userprofile.csv: Демографические и поведенческие профили пользователей (например, уровень потребления алкоголя, никотина, бюджет и др.).
4. usercuisine.csv: Предпочтения пользователей относительно кухни.
5. chefmozcuisine.csv: Типы кухни, которые предлагают заведения.
Моделирование
• Применена концепция User-Based Collaborative Filtering (UBCF), где KNN использовался для поиска K-ближайших соседей на основе метрик сходства косинуса (Cosine Similarity).
• Оптимизация: Устранены проблемы масштабируемости классического UBCF путем использования оптимизированных методов, подтверждена необходимость перехода к взвешенному среднему (Weighted Average) для точного прогноза рейтинга, который основан на расстояниях и индексах соседей.
• Функция рекомендации: Разработана функция recommend_restoran(), которая принимает целевое заведение (target_placeID), целевого пользователя (target_userID) и количество соседей (k) для прогнозирования рейтинга.
• Критерий рекомендации: Прогнозируемый рейтинг округляется, и если он равен или превышает пороговое значение (recommend_threshold), ресторан рекомендуется.
Используемые технологии
Язык программирования: Python
Библиотеки:
• pandas, numpy: Обработка и манипуляции с данными.
• requests: Для вызова внешнего гео-сервиса (GPS-Coordinates.net).
• sklearn (Scikit-learn): Использование метрик.
P.S На скриншоте показаны количества пропусков данных в таблицах, с которыми я работал, финальная матрица для расчетов и 3 результата работы функции.
#ML #machinelearining #datascience #database #analitycs #dataanalysis
-
Конвертер Валют з оновленням Курсів у Реальному Часі
Веб-программирование
Я разработал полнофункциональный сайт конвертер валют, который предоставляет актуальные курсы обмена в режиме реального времени. Этот проект демонстрирует мои навыки в создании интерактивных веб-приложений с комплексным бэкендом и надежной базой данных.
Интуитивный Фронтенд на React.js:
- Разработал отзывчивый и удобный пользовательский интерфейс с использованием React.js, обеспечивая плавное взаимодействие и приятный внешний вид.
… - Реализовал адаптивную верстку для корректного отображения на различных устройствах (десктоп, планшеты, мобильные телефоны).
- Внедрил интерактивные элементы для удобного выбора валют, ввода сумм и отображения результатов конвертации.
- Добавил функционал поиска по сайту для быстрого доступа к необходимой информации.
Надежный бэкенд на Node.js с Express:
- Построил мощный и эффективный RESTful API с использованием Node.js и фреймворка Express. Этот API служит мостом между фронтенд-приложением и базой данных, обеспечивая стандартизированный способ взаимодействия.
- Обеспечил безопасную авторизацию пользователей с тремя уровнями доступа: Администратор, Премиум-пользователь, пользователь с бесплатной подпиской и неавторизованный пользователь. Это позволяет гибко управлять функционалом и доступом к данным в зависимости от роли пользователя.
- Использовал JSON Web Tokens (JWT) для управления пользовательскими сессиями и безопасной аутентификации, что гарантирует защиту пользовательских данных.
- Реализовал механизм работы с HTTP cookies для поддержки состояния авторизации и улучшения пользовательского опыта.
- Разработал полноценный CRUD (Create, Read, Update, Delete) функционал для управления данными, обеспечивая полный контроль над информацией в приложении (например, управление пользователями или валютами).
- Внедрил Server-Sent Events (SSE) для обновления курсов валют в реальном времени. Это позволяет мгновенно получать актуальные данные без постоянных запросов со стороны клиента, что критически важно для приложения-конвертера.
Керование данными с MySQL:
- Для хранения и управления данными о пользователях и валютных курсах использовал реляционную базу данных MySQL.
- Спроектировал и реализовал структуру базы данных, которая включает таблицы для пользователей (с хешированием паролей и ролями) и для актуальных курсов валют.
-
Бот-парсер продуктов со скидками сети супермаркетов АТБ
Разработка ботов
Создан Telegram-бот для автоматического мониторинга и уведомления пользователей о скидках на интересующие их товары с платформы электронной коммерции.
Бот предоставляет пользователю:
- просмотр категорий товаров с актуальными скидками;
… - возможность добавлять и удалять выбранные товарные коды;
- подписку на автоматические сообщения о снижении цен на выбранные товары;
- взаимодействие через inline-кнопки, команды и FSM.
Стек технологий:
- Python, aiogram (v3)
- BeautifulSoup, requests - для парсинга
- dotenv, json, os - работа с конфигурацией и файлами
- APScheduler - для планировщика задач
- asyncio, FSMContext - асинхронная логика и управление состояниями
#Telegram #parse #python
Активность
| Последние ставки 10 | Бюджет | Добавлена | Сроки | Ставка | |
|---|---|---|---|---|---|
|
Правки в сайт
3547 UAH
|
|||||
|
Выгрузка файлов с сайта (парсинг / экспорт данных)
3660 UAH
|
|||||
|
Восстановление / удаление пароля на файл *xlsx
1000 UAH
|
|||||
|
Парсинг и фильтр маркета скинов в steam
4434 UAH
|
|||||
|
Служба компьютерного зрения
133 020 UAH
|
|||||
|
Преобразовать время
22 170 UAH
|
|||||
|
Распознавание номерных знаков
31 038 UAH
|
|||||
|
Парсинг Amazon → XML для Prom.ua + Excel
3000 UAH
|
|||||
|
Парсинг сайту
1000 UAH
|
|||||
|
Калькулятор на Windows Forms C#
700 UAH
|
