Illia Yermachenkov
Zaproponuj Illia pracę nad swoim kolejnym zleceniem.
Prywatna wiadomość
Zaproponuj zlecenie
Krzywego Rogu,
Ukraina
1 dzień 7 godzin temu
gotowy do podjęcia pracy
w Serwisie 1 rok
Ranking
Zakończonych zleceń
Średnia ocena
Umiejętności i kwalifikacje
Portfolio
-
Hybrydowy system wyszukiwania filmów
AI i uczenie maszynowe
Opracowałem hybrydowy multimodalny system wyszukiwania filmów, który znajduje filmy za pomocą obrazów (zrzutów ekranu, kadrów), opisów tekstowych lub kombinowanych zapytań. Stworzyłem wielkoskalowy pipeline z rozszerzoną oczyszczaniem i deduplikacją danych, w wyniku czego uzyskano około 8000 wysokiej jakości filmów z 1 miliona i otrzymałem ponad 40 000 wektorowych embeddingów. Użyłem CLIP do łączenia obrazów i tekstu oraz FAISS do szybkiego wyszukiwania według podobieństwa. Wspiera wyszukiwanie tylko za pomocą obrazów, tylko za pomocą tekstu oraz ważone wyszukiwanie za pomocą obrazów + tekstu z wysoką dokładnością.
#uczenie maszynowe #silnikwyszukiwania #wizjatekstowa #python
-
System Oceny Zdrowia Psychicznego
AI i uczenie maszynowe
Aplikacja internetowa oparta na uczeniu maszynowym, przeznaczona do oceny prawdopodobieństwa depresji na podstawie danych dostarczonych przez użytkownika dotyczących stylu życia i czynników demograficznych. System analizuje takie dane, jak informacje demograficzne, obciążenie naukowe, nawyki snu, cechy żywieniowe itp., aby natychmiast stworzyć prognozę i dostarczyć ogólne zalecenia.
Stos technologiczny
Uczenie maszynowe i nauka o danych:
… • Python, Pandas, NumPy, Matplotlib, Sklearn: Czyszczenie, przetwarzanie danych, budowanie wykresów, uczenie i porównywanie modeli.
• Pipeline: Budowa pełnego pipeline'u przetwarzania danych (imputacja brakujących wartości, skalowanie).
Backend:
• Flask (Python): REST API do interakcji z modelem ML.
• Integracja: Obsługa statycznych plików z budowy React przez Flask (Jedno serwerowe wdrożenie).
Frontend:
• React + Vite + TypeScript: Nowoczesna, szybka i typowana część kliencka.
• Tailwind CSS: Stylizacja komponentów, responsywny design (Mobile-First).
• React Select: Dostosowane komponenty UI w celu poprawy UX na urządzeniach mobilnych.
Osiągnięto wysokie wyniki F1-score/Accuracy dzięki starannemu doborowi cech i walidacji. Opracowano wygodny formularz z natychmiastową walidacją i wizualizacją wyników. System pokazuje nie tylko wynik (Tak/Nie), ale także procent pewności modelu. Zintegrowano listę infolinii wsparcia psychologicznego. Pełne wsparcie dla urządzeń mobilnych (rozwiązano problem natywnych select na iOS/Android).
#machinelearning #ML #python #flask #React/TypeScript #React #TailwindCSS
-
System rozpoznawania tablic rejestracyjnych (ALPR)
AI i uczenie maszynowe
O projekcie
Projekt ma na celu stworzenie systemu komputerowego widzenia do automatycznej identyfikacji pojazdów poprzez odczytywanie ich tablic rejestracyjnych. System działa w dwóch etapach: najpierw znajduje numer na obrazie, a następnie rozpoznaje tekst na nim.
Wytrenuj model na niestandardowym zbiorze danych, osiągając wysoką dokładność lokalizacji numeru.
Zintegrowałem bibliotekę PaddleOCR do wyodrębniania tekstu z przyciętych (cropped) obrazów numerów.
… Zrealizowałem skrypt w Pythonie z użyciem OpenCV do wizualizacji wyników (ramki ograniczające + tekst) oraz filtrowania prognoz według progu pewności (confidence threshold).
Pipeline inferencji:
1. Obraz jest podawany na wejście modelu.
2. Otrzymane współrzędne (xyxy) są używane do wycięcia obszaru numeru (ROI crop).
3. Wycięty fragment jest przekazywany do PaddleOCR w celu rozpoznania tekstu.
4. Wynik jest filtrowany według progu pewności (conf_thresh=0.5).
Wizualizacja:
Za pomocą OpenCV na oryginalny obraz nakładane są ramki oraz rozpoznany tekst, wynik jest zapisywany lokalnie.
Stos technologiczny
• Język: Python
• Frameworki ML/DL: PyTorch, PaddlePaddle
• Biblioteki CV: Ultralytics (YOLO), PaddleOCR, OpenCV
#machinelearning #computervision #ML #AI
-
System detekcji głowy ludzi
AI i uczenie maszynowe
O projekcie
Projekt koncentruje się na zadaniu liczenia tłumu oraz monitorowaniu bezpieczeństwa poprzez dokładne wykrywanie głów ludzi. Jest to podstawowe zadanie dla systemów monitoringu wideo, gdzie ważne jest widzenie liczby ludzi nawet w gęstym tłumie.
Pipeline treningowy:
… • Model: YOLOv11n (najszybsza wersja, zoptymalizowana dla urządzeń Edge).
• Epoki: 100.
• Urządzenie: GPU (CUDA).
• Wynik: Stabilnie wysoka dokładność (mAP50 ≈ 0.97).
Wizualizacja
Niestandardowa funkcja w OpenCV, która rysuje ramki ograniczające (bounding boxes) i wyświetla poziom pewności modelu (confidence score) nad każdym obiektem.
Wyniki szkolenia
Model wykazuje wysoką zdolność do uogólniania. Wykresy strat (Loss functions) pokazują stabilny spadek.
Wskaźnik mAP50 (średnia dokładność przy 50% pokryciu) przekracza 0,9, co uważane jest za doskonały wynik.
Wskaźnik mAP50-95 osiąga 0,65+, co jest wysokim wynikiem dla lekkich detektorów.
Stos technologiczny
• Core: Python
• ML: Ultralytics YOLOv11, PyTorch
• CV: OpenCV
#machinelearning #computerwzrok #ML #AI
-
Systemy rekomendacji dla restauracji
AI i uczenie maszynowe
Praca jest skierowana na opracowanie systemu rekomendacji lokali gastronomicznych (restauracji) dla poszczególnych użytkowników. Główny fokus pracy polegał na wstępnym przetwarzaniu złożonego, wielotabelowego zbioru danych oraz budowie modelu, który jest w stanie prognozować, czy danej restauracji spodoba się konkretnemu użytkownikowi.
Celem było stworzenie funkcji prognozowania (rekomendacji) oceny restauracji dla użytkownika na podstawie danych profili użytkowników oraz ich wcześniejszych ocen. To znaczy wykonanie zadania User-based collaborative filtering z wykorzystaniem KNN.
… Kroki do wykonania:
• Załadowanie i połączenie danych z pięciu różnych źródeł.
• Wykrywanie i przetwarzanie brakujących oraz niespójnych wartości w danych.
• Oczyszczenie i normalizacja danych geograficznych oraz meta-danych użytkowników i restauracji.
• Stworzenie modelu systemu rekomendacji.
Wykorzystane dane
Projekt wykorzystuje zbiór danych restaurant-data-with-consumer-ratings, który składa się z 9 tabel, z których wykorzystano pięć powiązanych plików CSV:
1. geoplaces2.csv: Charakterystyki geograficzne i atrybuty lokali (np. przedział cenowy, alkohol, dress code itp.).
2. rating_final.csv: Ostateczne oceny użytkowników dla lokali (ogólna ocena, ocena jedzenia, ocena obsługi).
3. userprofile.csv: Demograficzne i behawioralne profile użytkowników (np. poziom spożycia alkoholu, nikotyny, budżet itp.).
4. usercuisine.csv: Preferencje użytkowników dotyczące kuchni.
5. chefmozcuisine.csv: Typy kuchni oferowane przez lokale.
Modelowanie
• Zastosowano koncepcję User-Based Collaborative Filtering (UBCF), gdzie KNN był używany do wyszukiwania K-najbliższych sąsiadów na podstawie metryk podobieństwa kosinusowego (Cosine Similarity).
• Optymalizacja: Usunięto problemy skalowalności klasycznego UBCF poprzez zastosowanie zoptymalizowanych metod, potwierdzono konieczność przejścia do ważonej średniej (Weighted Average) dla dokładnej prognozy oceny, która opiera się na odległościach i indeksach sąsiadów.
• Funkcja rekomendacji: Opracowano funkcję recommend_restoran(), która przyjmuje docelowy lokal (target_placeID), docelowego użytkownika (target_userID) oraz liczbę sąsiadów (k) do prognozowania oceny.
• Kryterium rekomendacji: Prognozowana ocena jest zaokrąglana, a jeśli jest równa lub przekracza próg (recommend_threshold), restauracja jest rekomendowana.
Wykorzystane technologie
Język programowania: Python
Biblioteki:
• pandas, numpy: Przetwarzanie i manipulacje danymi.
• requests: Do wywoływania zewnętrznego serwisu geograficznego (GPS-Coordinates.net).
• sklearn (Scikit-learn): Wykorzystanie metryk.
P.S Na zrzucie ekranu pokazano ilości braków danych w tabelach, z którymi pracowałem, finalną macierz do obliczeń oraz 3 wyniki działania funkcji.
#ML #machinelearining #datascience #database #analitycs #dataanalysis
-
Kantor Walut z aktualizacją Kursów w Czasie Rzeczywistym
Programowanie stron internetowych
Stworzyłem w pełni funkcjonalną stronę konwertera walut, która zapewnia aktualne kursy wymiany w czasie rzeczywistym. Ten projekt demonstruje moje umiejętności w tworzeniu interaktywnych aplikacji internetowych z rozbudowanym backendem i niezawodną bazą danych.
Intuicyjny frontend na React.js:
- Opracowałem responsywny i wygodny interfejs użytkownika z użyciem React.js, zapewniając płynną interakcję i atrakcyjny wygląd.
… - Wdrożyłem adaptacyjne układy do poprawnego wyświetlania na różnych urządzeniach (desktop, tablety, telefony komórkowe).
- Dodałem elementy interaktywne do wygodnego wyboru walut, wprowadzania kwot i wyświetlania wyników konwersji.
- Wprowadziłem funkcję wyszukiwania na stronie dla szybkiego dostępu do potrzebnych informacji.
Niezawodny backend na Node.js z Express:
- Zbudowałem wydajne i skuteczne RESTful API z użyciem Node.js i frameworka Express. To API służy jako most między frontendem a bazą danych, zapewniając standaryzowany sposób komunikacji.
- Zapewniłem bezpieczną autoryzację użytkowników z trzema poziomami dostępu: Administrator, Użytkownik premium, Użytkownik z darmową subskrypcją oraz niezalogowany użytkownik. Umożliwia to elastyczne zarządzanie funkcjami i dostępem do danych w zależności od roli użytkownika.
- Używałem JSON Web Tokens (JWT) do zarządzania sesjami użytkowników i bezpiecznej autentykacji, co gwarantuje ochronę danych użytkowników.
- Wdrożyłem mechanizm obsługi HTTP cookies do utrzymania stanu autoryzacji i poprawy doświadczenia użytkownika.
- Opracowałem pełny CRUD (Create, Read, Update, Delete) do zarządzania danymi, zapewniając pełną kontrolę nad informacjami w aplikacji (np. zarządzanie użytkownikami lub walutami).
- Wprowadziłem Server-Sent Events (SSE) do aktualizacji kursów walut w czasie rzeczywistym. Umożliwia to natychmiastowe otrzymywanie aktualnych danych bez konieczności ciągłych zapytań od klienta, co jest kluczowe dla aplikacji-konwertera.
Zarządzanie danymi z MySQL:
- Do przechowywania i zarządzania danymi o użytkownikach i kursach walut korzystałem z relacyjnej bazy danych MySQL.
- Zaprojektowałem i zaimplementowałem strukturę bazy danych, obejmującą tabele dla użytkowników (z haszowaniem haseł i rolami) oraz dla aktualnych kursów walut.
-
Bot-parser produktów ze zniżkami sieci supermarketów ATB
Tworzenie chatbota
Stworzono Telegram-bota do automatycznego monitorowania i powiadamiania użytkowników o zniżkach na interesujące ich towary z platformy e-commerce.
Bot zapewnia użytkownikowi:
- przeglądanie kategorii towarów z aktualnymi zniżkami;
… - możliwość dodawania i usuwania wybranych kodów towarów;
- subskrypcję na automatyczne powiadomienia o obniżkach cen na wybrane towary;
- interakcję za pomocą przycisków inline, poleceń i FSM.
Stos technologii:
- Python, aiogram (v3)
- BeautifulSoup, requests - do parsowania
- dotenv, json, os - do pracy z konfiguracją i plikami
- APScheduler - do planowania zadań
- asyncio, FSMContext - asynchroniczna logika i zarządzanie stanami
#Telegram #parse #python
Aktywność
| Ostatnie oferty 10 | Budżet | Dodana | Terminy | Oferta | |
|---|---|---|---|---|---|
|
Poprawki na stronie
291 PLN
|
|||||
|
Eksportowanie plików z witryny (parsowanie / eksport danych)
300 PLN
|
|||||
|
Przywracanie / usuwanie hasła do pliku *xlsx
82 PLN
|
|||||
|
Parsowanie i filtr rynku skórek w Steam
363 PLN
|
|||||
|
Usługa widzenia komputerowego
10 904 PLN
|
|||||
|
Konwertuj czas
1817 PLN
|
|||||
|
Rozpoznawanie tablic rejestracyjnych
2544 PLN
|
|||||
|
Parsowanie Amazon → XML dla Prom.ua + Excel
246 PLN
|
|||||
|
Parsowanie strony
82 PLN
|
|||||
|
Kalkulator na Windows Forms C#
57 PLN
|
