Дополнительная настройка модели для классификации данных временных рядов (time series data)

Бюджет: 2000 EUR Срок: 5 дней

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

Привет
Я разработчик на Python
специализируюсь в области data science
Сделал огромное количество подобных работ

Почитайте отзывы
Работу выполняю качественно и своевременно Развернуть

Бюджет: 1998 EUR Срок: 15 дней

Привет, Дарья,

У меня есть обширный опыт работы с временными рядами и моделями машинного обучения. За последние 10+ лет я работал над различными проектами, связанными с анализом временных рядов и предсказательным моделированием. Я верю, что смогу эффективно внести свой вклад в этот проект.

Используемые методы:
Модели градиентного бустинга (XGBoost, LightGBM, CatBoost) – они необходимы для повышения производительности задач классификации временных рядов. Я оптимизировал модели в прошлых проектах, настраивая гиперпараметры и применяя инжиниринг признаков.
ML-пайплайны на Python – разработка, отладка и оптимизация пайплайнов на Python для меня естественны. Моя цель – обеспечить бесшовную интеграцию этих пайплайнов с PostgreSQL для эффективного управления данными.
PostgreSQL для управления данными – я работал с большими наборами данных, хранящимися в PostgreSQL, обеспечивая целостность данных и оптимизацию производительности.
Обработка данных высокой частоты – хотя это не строгое требование, у меня есть опыт работы с данными временных рядов высокой частоты, обеспечивая обработку в реальном времени и точность.
Кроме того, я работал над уникальным проектом, в котором я создал систему предсказательного обслуживания для промышленного оборудования. Эта система полагалась на данные временных рядов, собранные с IoT-датчиков, для прогнозирования сбоев оборудования. Сложность этой задачи заключалась в работе с отсутствующими или шумными данными, что требовало применения продвинутых методов импутации и обнаружения аномалий в реальном времени. Этот опыт улучшил мои навыки управления сложными наборами данных и оптимизации моделей для достижения конкретных результатов.

Мой опыт позволил мне экспериментировать с различными методами, сравнивать их производительность и применять наилучшее решение для каждого проекта. Я стремлюсь предоставить решение, которое будет эффективным, масштабируемым и простым в обслуживании.

Я предлагаю включить новую функцию – обнаружение аномалий в реальном времени – что повысит способность модели выявлять выбросы или необычные паттерны в данных, добавляя дополнительный уровень точности.

Я готов начать немедленно и могу уделять более 40 часов в неделю этому проекту.

Жобер Развернуть