Ілля Єрмаченков
Запропонуйте Іллі роботу над вашим наступним проєктом або зареєструйте профіль фрилансера і починайте заробляти просто зараз.
Особисте повідомлення
Запропонувати роботу
Кривий Ріг,
Україна
1 день 7 годин тому
вільний для роботи
на сервісі 1 рік
Рейтинг
Успішних проєктів
Середня оцінка
Резюме
Вітаю, мене звати Ілля.
👨💻 Працюю з Python, Python web scraping та автоматизація, C# включаючи WinForms і WPF, а також створюю повноцінні застосунки з бекендом FastAPI, Node.js + express і фронтендом на React та застосуванням БД. Є досвід виконання завдань машинного навчання.
🔧 У роботі роблю акцент на якісні рішення та зручність використання.
Навички та вміння
Портфоліо
-
Hybrid Movie Search System
AI та машинне навчання
Розробив гібридну мультимодальну систему пошуку фільмів, яка знаходить фільми за допомогою зображень (скріншотів, кадрів), текстових описів або комбінованих запитів. Створив великомасштабний пайплайн з розширеною очисткою та дедуплікацією даних, в результаті чого було отримано близько 8000 високоякісних фільмів з 1 мільйона та отрымав понад 40 000 векторних ембендінгів. Використовував CLIP для об'єднання зображень і тексту та FAISS для швидкого пошуку за схожістю. Підтримує пошук тільки за зображеннями, тільки за текстом і зважений пошук за зображеннями + текстом з високою точністю.
#machinelearining #searchengine #computervision #python
-
Mental Health Assessment System
AI та машинне навчання
Веб-додаток на основі машинного навчання, призначений для оцінки ймовірності депресії на основі наданих користувачем даних про спосіб життя та демографічних факторів.
Система аналізує такі дані, як демографічна інформація, навчальне навантаження, звички сну, особливості харчування тощо, щоб миттєво сформувати прогноз та надати загальні рекомендації.
Технічний стек
… Machine Learning & Data Science:
• Python, Pandas, NumPy, Matplotlib, Sklearn: Очищення, обробка даних, побудова графіків, навчання та порівняння моделей.
• Pipeline: Побудова повного пайплайну обробки даних (імпутація пропущених значень, масштабування).
Backend:
• Flask (Python): REST API для взаємодії з ML-моделлю.
• Integration: Обслуговування статичних файлів React-білда через Flask (Single Server Deployment).
Frontend:
• React + Vite + TypeScript: Сучасна, швидка та типізована клієнтська частина.
• Tailwind CSS: Стилізація компонентів, адаптивний дизайн (Mobile-First).
• React Select: Кастомізовані UI-компоненти для покращення UX на мобільних пристроях.
Було досягнуто високих показників F1-score/Accuracy завдяки ретельному підбору фічей та валідації. Розроблено зручну форму з миттєвою валідацією та візуалізацією результату. Система показує не тільки результат (Так/Ні), а й відсоток впевненості моделі. Інтегровано список гарячих ліній психологічної підтримки. Повна підтримка мобільних пристроїв (вирішено проблему нативних select на iOS/Android).
#machinelearining #ML #python #flask #React/TypeScript #React #TaillwindCSS
-
Система розпізнавання номерних знаків (ALPR)
AI та машинне навчання
Про проект
Проект спрямований на створення системи комп'ютерного зору для автоматичної ідентифікації транспортних засобів шляхом зчитування їхніх номерних знаків. Система працює у два етапи: спочатку знаходить номер на зображенні, а потім розпізнає текст на ньому.
Натренував модель на кастомному датасеті, досягнувши високої точності виявлення локалізації номера.
Інтегрував бібліотеку PaddleOCR для витягування тексту з вирізаних (cropped) зображень номерів.
… Реалізував скрипт на Python з використанням OpenCV для візуалізації результатів (bounding boxes + текст) та фільтрації передбачень за порогом впевненості (confidence threshold).
Пайплайн інференсу:
1. Зображення подається на вхід моделі.
2. Отримані координати (xyxy) використовуються для вирізання області номера (ROI crop).
3. Вирізаний фрагмент передається в PaddleOCR для розпізнавання тексту.
4. Результат фільтрується за порогом впевненості (conf_thresh=0.5).
Візуалізація:
За допомогою OpenCV на оригінальне зображення наносяться рамки та розпізнаний текст, результат зберігається локально.
Технічний стек
• Мова: Python
• ML/DL Frameworks: PyTorch, PaddlePaddle
• CV Libraries: Ultralytics (YOLO), PaddleOCR, OpenCV
#machinelearining #computervision #ML #AI
-
Система детекції голови людей
AI та машинне навчання
Про проект
Проект фокусується на задачі Crowd Counting та моніторингу безпеки шляхом точної детекції голів людей. Це базова задача для систем відеоспостереження, де важливо бачити кількість людей навіть у щільному натовпі.
Training Pipeline:
… • Модель: YOLOv11n (найшвидша версія, оптимізована для Edge-пристроїв).
• Епохи: 100.
• Device: GPU (CUDA).
• Результат: Стабільно висока точність (mAP50 ≈ 0.97).
Візуалізація
Кастомна функція на OpenCV, яка малює обмежувальні рамки (bounding boxes) та відображає рівень впевненості моделі (confidence score) над кожним об'єктом.
Результати навчання
Модель демонструє високу здатність до узагальнення. Графіки втрат (Loss functions) показують стабільне спадання.
Показник mAP50 (середня точність при 50% перекритті) перевищує 0,9, що вважається відмінним результатом.
Показник mAP50-95 досягає 0,65+, що є високим результатом для легких детекторів.
Технічний стек
• Core: Python
• ML: Ultralytics YOLOv11, PyTorch
• CV: OpenCV
#machinelearining #computervision #ML #AI
-
Recommendation systems for restaurants
AI та машинне навчання
Робота спрямована на розробку системи рекомендацій закладів харчування (ресторанів) для окремих користувачів. Основний фокус роботи полягав у попередній обробці складного, багатотабличного набору даних та побудові моделі, яка здатна прогнозувати, чи сподобається певний ресторан конкретному користувачеві.
Метою було створити функцію прогнозування (рекомендації) рейтингу ресторану для користувача на основі даних профілів користувачів та їхніх попередніх оцінок. Тобто виконання задачі User-based collaborative filtering з використанням KNN.
… Кроки для виконання:
• Завантаження та об'єднання даних із п'яти різних джерел.
• Виявлення та обробка пропущених і неконсистентних значень у даних.
• Очищення та нормалізація географічних і мета-даних користувачів та ресторанів.
• Створення моделі рекомендаційної системи.
Використані дані
Проект використовує набір даних restaurant-data-with-consumer-ratings, що складається з 9 таблиць, з яких були використані п'ять взаємопов'язаних CSV-файлів:
1. geoplaces2.csv: Географічні характеристики та атрибути закладів (наприклад, ціновий діапазон, алкоголь, дрес-код та ін.).
2. rating_final.csv: Фінальні оцінки користувачів закладам (загальний рейтинг, рейтинг їжі, рейтинг обслуговування).
3. userprofile.csv: Демографічні та поведінкові профілі користувачів (наприклад, рівень споживання алкоголю, нікотину, бюджет та ін.).
4. usercuisine.csv: Переваги користувачів щодо кухні.
5. chefmozcuisine.csv: Типи кухні, які пропонують заклади.
Моделювання
• Застосовано концепцію User-Based Collaborative Filtering (UBCF), де KNN використовувався для пошуку K-найближчих сусідів на основі метрик подібності косинуса (Cosine Similarity)
• Оптимізація: Усунуто проблеми масштабованості класичного UBCF шляхом використання оптимізованих методів, підтверджено необхідність переходу до зваженого середнього (Weighted Average) для точного прогнозу рейтингу, яка базується на відстанях та індексах сусідів.
• Функція рекомендації: Розроблено функцію recommend_restoran(), яка приймає цільовий заклад (target_placeID), цільового користувача (target_userID) і кількість сусідів (k) для прогнозування рейтингу.
• Критерій рекомендації: Прогнозний рейтинг заокруглюється, і якщо він дорівнює або перевищує порогове значення (recommend_threshold), ресторан рекомендується.
Використані технології
Мова програмування: Python
Бібліотеки:
• pandas, numpy: Обробка та маніпуляції з даними.
• requests: Для виклику зовнішнього гео-сервісу (GPS-Coordinates.net).
• sklearn (Scikit-learn): Використання метрик.
P.S На скріншоті показані кількості пропусків даних в талицях з якими я працював, фінальна матриця для розрахунків та 3 результати роботи функції.
#ML #machinelearining #datascience #database #analitycs #dataanalysis
-
Конвертер Валют з оновленням Курсів у Реальному Часі
Веб-програмування
Я розробив повнофункціональний сайт конвертер валют, який надає актуальні курси обміну в режимі реального часу. Цей проєкт демонструє мої навички у створенні інтерактивних веб-застосунків з комплексним бекендом і надійною базою даних.
Інтуїтивний Фронтенд на React.js:
- Розробив чуйний і зручний користувацький інтерфейс із використанням React.js, забезпечуючи плавну взаємодію і приємний зовнішній вигляд.
… - Реалізував адаптивну верстку для коректного відображення на різних пристроях (десктоп, планшети, мобільні телефони).
- Впровадив інтерактивні елементи для зручного вибору валют, введення сум і відображення результатів конвертації.
- Додав функціонал пошуку по сайту для швидкого доступу до необхідної інформації.
Надійний бекенд на Node.js з Express:
- Побудував потужний і ефективний RESTful API з використанням Node.js і фреймворку Express. Цей API слугує мостом між фронтенд-додатком і базою даних, забезпечуючи стандартизований спосіб взаємодії.
- Забезпечив безпечну авторизацію користувачів із трьома рівнями доступу: Адміністратор, Преміум-користувач, користувач з безкоштовною підпискою та неавторизований користувач. Це дає змогу гнучко керувати функціоналом і доступом до даних залежно від ролі користувача.
- Використовував JSON Web Tokens (JWT) для управління користувацькими сесіями та безпечної аутентифікації, що гарантує захист користувацьких даних.
- Реалізував механізм роботи з HTTP cookies для підтримки стану авторизації та поліпшення користувацького досвіду.
- Розробив повноцінний CRUD (Create, Read, Update, Delete) функціонал для управління даними, що забезпечує повний контроль над інформацією в застосунку (наприклад, управління користувачами або валютами).
- Впровадив Server-Sent Events (SSE) для оновлення курсів валют у реальному часі. Це дає змогу миттєво отримувати актуальні дані без постійних запитів з боку клієнта, що критично важливо для застосунку-конвертера.
Керування даними з MySQL:
- Для зберігання та управління даними про користувачів і валютні курси використовував реляційну базу даних MySQL.
- Спроектував і реалізував структуру бази даних, що включає таблиці для користувачів (з хешуванням паролів і ролями) і для актуальних курсів валют.
-
Бот-парсер продуктів зі знижками мережі супермаркетів АТБ
Розробка ботів
Створено Telegram-бота для автоматичного моніторингу та повідомлення користувачів про знижки на цікаві для них товари з e-commerce платформи.
Бот надає користувачеві:
- перегляд категорій товарів з актуальними знижоками;
… - можливість додавати та видаляти обрані товарні коди;
- підписку на автоматичні повідомлення про зниження цін на обрані товари;
- взаємодію через inline-кнопки, команди та FSM.
Стек технологій:
- Python, aiogram (v3)
- BeautifulSoup, requests - для парсингу
- dotenv, json, os - робота з конфігурацією та файлами
- APScheduler - для планувальника завдань
- asyncio, FSMContext - асинхронна логіка та управління станами
#Telegram #parse #python
Активність
| Останні ставки 10 | Бюджет | Додано | Терміни | Ставка | |
|---|---|---|---|---|---|
|
Правки на сайт
3547 UAH
|
|||||
|
Вивантаження файлів з сайту (парсинг / експорт даних)
3660 UAH
|
|||||
|
Відновлення / видалення пароля на файл *xlsx
1000 UAH
|
|||||
|
Парсинг та фільтр ринку скінів у Steam
4434 UAH
|
|||||
|
Служба комп'ютерного зору
133 020 UAH
|
|||||
|
Перетворити час
22 170 UAH
|
|||||
|
License Plate Recognition
31 038 UAH
|
|||||
|
Парсинг Amazon → XML для Prom.ua + Excel
3000 UAH
|
|||||
|
Парсинг сайту
1000 UAH
|
|||||
|
Калькулятор на Windows Forms C#
700 UAH
|
