Dodatkowe dostosowanie modelu do klasyfikacji danych szeregów czasowych (time series data)

Budżet: 2000 EUR Termin: 5 dni

https://freelancehunt.com/project/postroenie-funktsioniruyuschey-modeli-mashinnogo-obucheniya/1321582.html

https://github.com/limitedonly41/portfolio/blob/a41d8eb6a0912be0854d3edc5979cb46f399c8bf/Data%20science/ML/exam/exam.py#L91

Witaj
Jestem programistą Python
specjalizuję się w dziedzinie data science
Zrealizowałem ogromną liczbę podobnych projektów

Przeczytaj opinie
Pracę wykonuję starannie i na czas Rozwiń

Budżet: 1998 EUR Termin: 15 dni

Cześć Daria,

Mam duże doświadczenie w pracy z danymi szeregów czasowych i modelami uczenia maszynowego. Przez ostatnie 10+ lat pracowałem nad różnymi projektami związanymi z analizą szeregów czasowych i modelowaniem predykcyjnym. Wierzę, że mogę skutecznie przyczynić się do tego projektu.

Techniki używane:
Modele Boostingowe Gradientu (XGBoost, LightGBM, CatBoost) – Są one niezbędne do poprawy wydajności zadań klasyfikacji szeregów czasowych. Optymalizowałem modele w przeszłych projektach, dostosowując hiperparametry i stosując inżynierię cech.
Pipelines ML oparte na Pythonie – Tworzenie, debugowanie i optymalizacja pipelines opartych na Pythonie to dla mnie chleb powszedni. Moim celem jest zapewnienie płynnej integracji tych pipelines z PostgreSQL w celu efektywnego zarządzania danymi.
PostgreSQL do zarządzania danymi – Pracowałem nad obsługą dużych zbiorów danych przechowywanych w PostgreSQL, zapewniając integralność danych i optymalizację wydajności.
Obsługa danych o wysokiej częstotliwości – Choć nie jest to ścisły wymóg, mam doświadczenie w pracy z danymi szeregów czasowych o wysokiej częstotliwości, zapewniając przetwarzanie w czasie rzeczywistym i dokładność.
Dodatkowo pracowałem nad unikalnym projektem, w którym zbudowałem system predykcyjnego utrzymania dla sprzętu przemysłowego. System ten opierał się na danych szeregów czasowych zbieranych z czujników IoT w celu prognozowania awarii sprzętu. To, co sprawiło, że zadanie było trudne, to radzenie sobie z brakującymi lub szumowymi punktami danych, co wymagało zaawansowanych technik imputacji i detekcji anomalii w czasie rzeczywistym. To doświadczenie zwiększyło moją zdolność do zarządzania złożonymi zbiorami danych i optymalizacji modeli dla konkretnych wyników.

Moje doświadczenie pozwoliło mi eksperymentować z różnymi technikami, porównując ich wydajność i stosując najlepsze rozwiązanie dla każdego projektu. Moim celem jest dostarczenie rozwiązania, które jest efektywne, skalowalne i łatwe w utrzymaniu.

Proponuję wprowadzenie nowej funkcji – detekcji anomalii w czasie rzeczywistym – która zwiększy zdolność modelu do identyfikacji wartości odstających lub nietypowych wzorców w danych, dodając dodatkową warstwę dokładności.

Jestem dostępny do rozpoczęcia od zaraz i mogę poświęcić ponad 40 godzin tygodniowo na ten projekt.

Jobert Rozwiń