Практические работы по нейронным сетям: классификация, детекция, генерация текста и изображений.
Технологический стек:
Python 3 — основной язык реализации практических работ
PyTorch — обучение и настройка моделей глубокого обучения
torchvision — работа с датасетами, преобразованиями и предобученными моделями
Ultralytics YOLO — обучение моделей для детекции объектов
Faster R-CNN — двухэтапный детектор для сравнения с YOLO
Jupyter Notebook — оформление и запуск экспериментов
Google Colab — выполнение ноутбуков с GPU-ускорением
NumPy / pandas — обработка данных и результатов экспериментов
Pillow / PyYAML — работа с изображениями и конфигурациями датасетов
scikit-learn — расчёт метрик классификации
torchmetrics / torch-fidelity — оценка качества моделей и генерации
Matplotlib / seaborn — визуализация графиков, метрик и результатов обучения
Что было выполнено:
реализация цикла практических работ по дисциплине «Нейронные сети»;
создание единого репозитория с ноутбуками и отчётами по четырём направлениям глубокого обучения;
подготовка и обработка данных для задач классификации, детекции, генерации текста и генерации изображений;
реализация собственной свёрточной нейронной сети для классификации изображений овощей;
дообучение предобученной ResNet18 и сравнение её с CNN, обученной с нуля;
применение аугментаций, нормализации, batch normalization и dropout для улучшения качества обучения;
расчёт Accuracy, Precision, Recall, F1-score и построение матрицы ошибок;
обучение моделей YOLO для обнаружения объектов на изображениях строительных площадок;
сравнение разных размеров YOLO-модели с точки зрения скорости и качества;
сопоставление одноэтапного детектора YOLO с двухэтапным Faster R-CNN;
расчёт метрик Precision, Recall, mAP@50, mAP@50-95 и IoU для задачи детекции;
реализация посимвольной языковой модели для генерации текста на корпусе Tiny Shakespeare;
обучение и сравнение LSTM, GRU и компактного Transformer;
использование perplexity и loss для оценки качества языковых моделей;
добавление температурного и top-k семплирования для управления генерацией текста;
реализация Vanilla GAN для генерации изображений;
реализация DCGAN с использованием свёрточных и транспонированных свёрточных слоёв;
сравнение качества генерации по FID, Inception Score и визуальным результатам;
исследование интерполяции в латентном пространстве GAN;
оформление отчётов по каждой практической работе;
подготовка проекта для публичного портфолио.
Проект объединяет четыре ключевых направления глубокого обучения: свёрточные сети для классификации изображений, модели детекции объектов, рекуррентные и трансформерные архитектуры для генерации текста, а также генеративно-состязательные сети для синтеза изображений.
В рамках проекта показан полный цикл работы с нейросетевыми моделями: постановка задачи, подготовка датасета, выбор архитектуры, обучение, подбор гиперпараметров, сравнение моделей, расчёт метрик и оформление выводов. Отдельный акцент сделан на честном сравнении архитектур: в каждой работе рассматривается базовый подход и более продвинутая модель.
Проект демонстрирует практические навыки в области компьютерного зрения, обработки последовательностей, генеративных моделей и анализа качества нейронных сетей. Он показывает умение работать не только с готовыми библиотеками, но и с методологией машинного обучения: валидацией, тестированием, метриками, визуализацией и воспроизводимостью экспериментов.
С проектом можно ознакомиться здесь:
https://github.com/SENATOROVAI/PRs_Neural_networks
Выполняем коммерческие проекты любой сложности и учебные работы (курсовые, дипломы, задачи) — обращайтесь в личные сообщения
#freelance
Технологический стек:
Python 3 — основной язык реализации практических работ
PyTorch — обучение и настройка моделей глубокого обучения
torchvision — работа с датасетами, преобразованиями и предобученными моделями
Ultralytics YOLO — обучение моделей для детекции объектов
Faster R-CNN — двухэтапный детектор для сравнения с YOLO
Jupyter Notebook — оформление и запуск экспериментов
Google Colab — выполнение ноутбуков с GPU-ускорением
NumPy / pandas — обработка данных и результатов экспериментов
Pillow / PyYAML — работа с изображениями и конфигурациями датасетов
scikit-learn — расчёт метрик классификации
torchmetrics / torch-fidelity — оценка качества моделей и генерации
Matplotlib / seaborn — визуализация графиков, метрик и результатов обучения
Что было выполнено:
реализация цикла практических работ по дисциплине «Нейронные сети»;
создание единого репозитория с ноутбуками и отчётами по четырём направлениям глубокого обучения;
подготовка и обработка данных для задач классификации, детекции, генерации текста и генерации изображений;
реализация собственной свёрточной нейронной сети для классификации изображений овощей;
дообучение предобученной ResNet18 и сравнение её с CNN, обученной с нуля;
применение аугментаций, нормализации, batch normalization и dropout для улучшения качества обучения;
расчёт Accuracy, Precision, Recall, F1-score и построение матрицы ошибок;
обучение моделей YOLO для обнаружения объектов на изображениях строительных площадок;
сравнение разных размеров YOLO-модели с точки зрения скорости и качества;
сопоставление одноэтапного детектора YOLO с двухэтапным Faster R-CNN;
расчёт метрик Precision, Recall, mAP@50, mAP@50-95 и IoU для задачи детекции;
реализация посимвольной языковой модели для генерации текста на корпусе Tiny Shakespeare;
обучение и сравнение LSTM, GRU и компактного Transformer;
использование perplexity и loss для оценки качества языковых моделей;
добавление температурного и top-k семплирования для управления генерацией текста;
реализация Vanilla GAN для генерации изображений;
реализация DCGAN с использованием свёрточных и транспонированных свёрточных слоёв;
сравнение качества генерации по FID, Inception Score и визуальным результатам;
исследование интерполяции в латентном пространстве GAN;
оформление отчётов по каждой практической работе;
подготовка проекта для публичного портфолио.
Проект объединяет четыре ключевых направления глубокого обучения: свёрточные сети для классификации изображений, модели детекции объектов, рекуррентные и трансформерные архитектуры для генерации текста, а также генеративно-состязательные сети для синтеза изображений.
В рамках проекта показан полный цикл работы с нейросетевыми моделями: постановка задачи, подготовка датасета, выбор архитектуры, обучение, подбор гиперпараметров, сравнение моделей, расчёт метрик и оформление выводов. Отдельный акцент сделан на честном сравнении архитектур: в каждой работе рассматривается базовый подход и более продвинутая модель.
Проект демонстрирует практические навыки в области компьютерного зрения, обработки последовательностей, генеративных моделей и анализа качества нейронных сетей. Он показывает умение работать не только с готовыми библиотеками, но и с методологией машинного обучения: валидацией, тестированием, метриками, визуализацией и воспроизводимостью экспериментов.
С проектом можно ознакомиться здесь:
https://github.com/SENATOROVAI/PRs_Neural_networks
Выполняем коммерческие проекты любой сложности и учебные работы (курсовые, дипломы, задачи) — обращайтесь в личные сообщения
#freelance
GitHub
GitHub - SENATOROVAI/PRs_Neural_networks
Contribute to SENATOROVAI/PRs_Neural_networks development by creating an account on GitHub.
❤2💊2👍1🔥1
Hi, my name is Oleh.
Role: intern
English Level: B2
How did you hear about us: YouTube
Experience: Completed several Data Science modules and gained coding practice during university.
Goal: To gain practical experience in Data Science and improve my coding skills through real projects.
Country: UK
Hobbies: Gym, Kaggle competitions, and playing video games.
GitHub: https://github.com/olehpatsan
Kaggle: https://www.kaggle.com/olehpatsan
ODS: https://ods.ai/users/x3487f4cecc0f
Role: intern
English Level: B2
How did you hear about us: YouTube
Experience: Completed several Data Science modules and gained coding practice during university.
Goal: To gain practical experience in Data Science and improve my coding skills through real projects.
Country: UK
Hobbies: Gym, Kaggle competitions, and playing video games.
GitHub: https://github.com/olehpatsan
Kaggle: https://www.kaggle.com/olehpatsan
ODS: https://ods.ai/users/x3487f4cecc0f
💊3❤1
Лабораторные работы по компьютерному зрению и анализу изображений.
Технологический стек:
Python — реализация алгоритмов обработки изображений и компьютерного зрения
OpenCV — базовые операции компьютерного зрения и анализа изображений
NumPy — численные вычисления и работа с матрицами изображений
Matplotlib — визуализация результатов экспериментов
Jupyter Notebook — проведение исследований и оформление лабораторных работ
Scikit-learn — методы машинного обучения и анализа данных
JSON / CSV — хранение и обработка результатов экспериментов
Что было выполнено:
• реализация лабораторных работ по компьютерному зрению;
• исследование методов обработки и анализа изображений;
• работа с цветовыми пространствами и преобразованиями изображений;
• применение фильтрации и методов подавления шума;
• реализация алгоритмов выделения границ и контуров объектов;
• исследование методов сегментации изображений;
• работа с признаковыми описаниями и детекторами ключевых точек;
• применение классических методов компьютерного зрения для решения практических задач;
• визуализация промежуточных и итоговых результатов обработки;
• проведение сравнительных экспериментов для различных алгоритмов;
• анализ качества работы методов на различных наборах данных;
• оформление результатов исследований и лабораторных работ;
• подготовка проекта для публичного портфолио на GitHub.
Проект демонстрирует практическое применение методов компьютерного зрения и обработки изображений, начиная от базовых преобразований и фильтрации до более сложных задач анализа визуальных данных.
В рамках проекта показано, как с помощью современных инструментов Python и OpenCV можно решать широкий спектр задач Computer Vision, проводить эксперименты, анализировать результаты и сравнивать эффективность различных подходов.
С проектом можно ознакомиться здесь:
https://github.com/SENATOROVAI/ITMO_CVLab
Выполняем коммерческие проекты любой сложности и учебные работы (курсовые, дипломы, задачи) — обращайтесь в личные сообщения
#freelance
Технологический стек:
Python — реализация алгоритмов обработки изображений и компьютерного зрения
OpenCV — базовые операции компьютерного зрения и анализа изображений
NumPy — численные вычисления и работа с матрицами изображений
Matplotlib — визуализация результатов экспериментов
Jupyter Notebook — проведение исследований и оформление лабораторных работ
Scikit-learn — методы машинного обучения и анализа данных
JSON / CSV — хранение и обработка результатов экспериментов
Что было выполнено:
• реализация лабораторных работ по компьютерному зрению;
• исследование методов обработки и анализа изображений;
• работа с цветовыми пространствами и преобразованиями изображений;
• применение фильтрации и методов подавления шума;
• реализация алгоритмов выделения границ и контуров объектов;
• исследование методов сегментации изображений;
• работа с признаковыми описаниями и детекторами ключевых точек;
• применение классических методов компьютерного зрения для решения практических задач;
• визуализация промежуточных и итоговых результатов обработки;
• проведение сравнительных экспериментов для различных алгоритмов;
• анализ качества работы методов на различных наборах данных;
• оформление результатов исследований и лабораторных работ;
• подготовка проекта для публичного портфолио на GitHub.
Проект демонстрирует практическое применение методов компьютерного зрения и обработки изображений, начиная от базовых преобразований и фильтрации до более сложных задач анализа визуальных данных.
В рамках проекта показано, как с помощью современных инструментов Python и OpenCV можно решать широкий спектр задач Computer Vision, проводить эксперименты, анализировать результаты и сравнивать эффективность различных подходов.
С проектом можно ознакомиться здесь:
https://github.com/SENATOROVAI/ITMO_CVLab
Выполняем коммерческие проекты любой сложности и учебные работы (курсовые, дипломы, задачи) — обращайтесь в личные сообщения
#freelance
GitHub
GitHub - SENATOROVAI/ITMO_CVLab
Contribute to SENATOROVAI/ITMO_CVLab development by creating an account on GitHub.
💊2
При обучении немалая роль уделяется построении пайплайнов. Вот какие пайплайны я создал в процессе обучения.
intro_simple_eda_senatorovai - В нем я изучал EDA анализ и линейную регрессию на датасете BostonHousing.
Целевая переменная price.
MSE = 33.45
Немного, но цель была самому написать и понять как работают данные при обучении.
intro_regression_senatorovai - здесь я углубился в регрессионный анализ изучая корреляцию, и подбор признаков на датасете BostonHousing изучая влияние отобраных признаков на целевую переменную .
Целевая переменная - medv
R2 - 0.65
Данная метрика показывает что 65% изменчивости цены объясняется независимыми переменными, которые мы выбрали для модели.
car-price-eda-senatorovai - в этом пайплайне я с нуля анализировал данные проводя EDA анализ используя датасет cars-dataset. После очистки данных, анализа целевых переменных, проверка на пропуски я перешел к обучению модели с помощью линейной регрессии.
Целевая переменная - цена автомобиля
Цель сравнить валидационную и тестовую цены:
Результат :
validation: 0.466
test: 0.463
Значения очень позожи, когда при проверке я отменил логарифмирование то цена предсказанная (array([31500.67022188])) почти точно совпадала с тестовой(Реальная цена этого автомобиля — 31 120 долларов, так что наша модель очень точно предсказала цену.)
Это была очень объёмная работа, в ней я использовал и логарифмирование цены, конструирование признаков, обработка категориальных переменных и регуляризацию для улучшения качества предсказания.
airbnb_eda_regression_senatorovai - в этом пайплайне я проводил EDA и работал с пропусками на датасете new-york-city-airbnb-open-data/AB_NYC_2019. Так же исследовал преобразование категориальных данных и влияние на целевую переменную(price).
Целевая переменная - price
RMSE: 0.5
Я добавили в числовые признаки категориальные, перед этим закодировав их и прологарифмировали нашу целевую переменную, что позволило улучшить показатель качества модели с 3,7 до 46,55 % на тестах.
intro_ML(Лабораторная работа "Введение в ML") - Большая лабораторная работа в которой использовался датасет intro_ML_linear_models_education_yandex_handb.
Целевая переменная - предсказание среднего чека (average_bill)
RMSE - 515.14
linear_models(Лабораторная работа "Линейные модели") - Так же большая лабораторная работа в которой мне нужно было предсказать цену на жильё (Sale_Price)
Целеваая переменная - Sale_Price
MAE - 18299.73
RMSLE - 0.157272
Так же хочу немного сказать о градиентном спуске. В процессе построения пайплайнов возникал вопрос что лучше использовать. Градиентный спуск отлично работает там, где невозможно использовать аналитические модели, а именно на больших наборах данных, онлайн или потоковые данные, невыпуклые функции потерь.
Ссылка на мои ноутбуки : https://www.kaggle.com/viktor1606/code
intro_simple_eda_senatorovai - В нем я изучал EDA анализ и линейную регрессию на датасете BostonHousing.
Целевая переменная price.
MSE = 33.45
Немного, но цель была самому написать и понять как работают данные при обучении.
intro_regression_senatorovai - здесь я углубился в регрессионный анализ изучая корреляцию, и подбор признаков на датасете BostonHousing изучая влияние отобраных признаков на целевую переменную .
Целевая переменная - medv
R2 - 0.65
Данная метрика показывает что 65% изменчивости цены объясняется независимыми переменными, которые мы выбрали для модели.
car-price-eda-senatorovai - в этом пайплайне я с нуля анализировал данные проводя EDA анализ используя датасет cars-dataset. После очистки данных, анализа целевых переменных, проверка на пропуски я перешел к обучению модели с помощью линейной регрессии.
Целевая переменная - цена автомобиля
Цель сравнить валидационную и тестовую цены:
Результат :
validation: 0.466
test: 0.463
Значения очень позожи, когда при проверке я отменил логарифмирование то цена предсказанная (array([31500.67022188])) почти точно совпадала с тестовой(Реальная цена этого автомобиля — 31 120 долларов, так что наша модель очень точно предсказала цену.)
Это была очень объёмная работа, в ней я использовал и логарифмирование цены, конструирование признаков, обработка категориальных переменных и регуляризацию для улучшения качества предсказания.
airbnb_eda_regression_senatorovai - в этом пайплайне я проводил EDA и работал с пропусками на датасете new-york-city-airbnb-open-data/AB_NYC_2019. Так же исследовал преобразование категориальных данных и влияние на целевую переменную(price).
Целевая переменная - price
RMSE: 0.5
Я добавили в числовые признаки категориальные, перед этим закодировав их и прологарифмировали нашу целевую переменную, что позволило улучшить показатель качества модели с 3,7 до 46,55 % на тестах.
intro_ML(Лабораторная работа "Введение в ML") - Большая лабораторная работа в которой использовался датасет intro_ML_linear_models_education_yandex_handb.
Целевая переменная - предсказание среднего чека (average_bill)
RMSE - 515.14
linear_models(Лабораторная работа "Линейные модели") - Так же большая лабораторная работа в которой мне нужно было предсказать цену на жильё (Sale_Price)
Целеваая переменная - Sale_Price
MAE - 18299.73
RMSLE - 0.157272
Так же хочу немного сказать о градиентном спуске. В процессе построения пайплайнов возникал вопрос что лучше использовать. Градиентный спуск отлично работает там, где невозможно использовать аналитические модели, а именно на больших наборах данных, онлайн или потоковые данные, невыпуклые функции потерь.
Ссылка на мои ноутбуки : https://www.kaggle.com/viktor1606/code
Kaggle
Viktor1606
Kaggle profile for Viktor1606
🔥3❤2🎉1
Аналитическое и численное решение задач по оптимальному управлению.
Технологический стек:
Python 3 — реализация численных расчётов и запуск вычислительных экспериментов
NumPy — матричные операции и линейная алгебра
SciPy — численное интегрирование дифференциальных уравнений и решение уравнений Риккати
Matplotlib — построение графиков переходных процессов и частотных характеристик
Control theory — постановка и анализ задач оптимального управления
LQR — синтез линейно-квадратичного регулятора
Уравнение Риккати — аналитический вывод и численное решение
Принцип максимума Понтрягина — вывод оптимального закона управления
Фильтр Калмана–Бьюси — задача оптимального оценивания состояния
Частотный анализ — исследование сингулярных значений замкнутой системы
DOCX / PDF — оформление полного отчёта с выводами и расчётами
Что было выполнено:
реализация отчёта по задачам оптимального управления;
рассмотрение линейной стационарной системы с квадратичным функционалом качества;
аналитический вывод условий оптимальности через принцип максимума Понтрягина;
построение гамильтоновой системы для задачи управления;
вывод оптимального закона управления через сопряжённые переменные;
получение матричного дифференциального уравнения Риккати;
решение LQR-задачи на конечном горизонте времени;
исследование задачи со свободной начальной компонентой состояния;
получение условия трансверсальности для свободной начальной точки;
численное решение задачи для модели двойного интегратора;
расчёт оптимальной траектории состояния и оптимального управления;
вычисление значения функционала качества для разных постановок задачи;
сравнение конечногоризонтного решения с стационарным решением CARE;
проверка устойчивости замкнутой системы по собственным значениям;
вывод уравнения Риккати для фильтра Калмана–Бьюси;
демонстрация двойственности между LQR-регулятором и фильтром Калмана;
построение частотной характеристики замкнутой системы;
анализ сингулярных значений передаточной матрицы;
подготовка Python-скрипта для автоматического расчёта результатов;
генерация графиков матрицы Риккати, оптимальной траектории, управления и sigma-графика;
оформление полного отчёта в форматах DOCX и PDF;
подготовка проекта для публичного портфолио.
Проект посвящён теории оптимального управления и показывает полный путь решения LQR-задачи: от математической постановки и аналитического вывода условий оптимальности до численного эксперимента и анализа полученных результатов.
В рамках проекта рассматривается модель двойного интегратора — точечной массы под действием управляющей силы. На этой модели исследуются оптимальный регулятор, поведение замкнутой системы, значение функционала качества, устойчивость, а также связь между задачами управления и оценивания состояния.
Отдельное внимание уделено уравнению Риккати: оно выводится аналитически через принцип максимума Понтрягина, решается численно на конечном горизонте и сравнивается со стационарным решением. Также показано, что фильтр Калмана–Бьюси имеет двойственную структуру по отношению к LQR-регулятору.
Проект демонстрирует навыки в области оптимального управления, математического моделирования, численных методов, анализа устойчивости и частотного анализа динамических систем. Он объединяет строгие теоретические выкладки с практической реализацией на Python и визуализацией результатов.
С проектом можно ознакомиться здесь:
https://github.com/SENATOROVAI/Optimal_Control_Report
Выполняем коммерческие проекты любой сложности и учебные работы (курсовые, дипломы, задачи) — обращайтесь в личные сообщения
#freelance
Технологический стек:
Python 3 — реализация численных расчётов и запуск вычислительных экспериментов
NumPy — матричные операции и линейная алгебра
SciPy — численное интегрирование дифференциальных уравнений и решение уравнений Риккати
Matplotlib — построение графиков переходных процессов и частотных характеристик
Control theory — постановка и анализ задач оптимального управления
LQR — синтез линейно-квадратичного регулятора
Уравнение Риккати — аналитический вывод и численное решение
Принцип максимума Понтрягина — вывод оптимального закона управления
Фильтр Калмана–Бьюси — задача оптимального оценивания состояния
Частотный анализ — исследование сингулярных значений замкнутой системы
DOCX / PDF — оформление полного отчёта с выводами и расчётами
Что было выполнено:
реализация отчёта по задачам оптимального управления;
рассмотрение линейной стационарной системы с квадратичным функционалом качества;
аналитический вывод условий оптимальности через принцип максимума Понтрягина;
построение гамильтоновой системы для задачи управления;
вывод оптимального закона управления через сопряжённые переменные;
получение матричного дифференциального уравнения Риккати;
решение LQR-задачи на конечном горизонте времени;
исследование задачи со свободной начальной компонентой состояния;
получение условия трансверсальности для свободной начальной точки;
численное решение задачи для модели двойного интегратора;
расчёт оптимальной траектории состояния и оптимального управления;
вычисление значения функционала качества для разных постановок задачи;
сравнение конечногоризонтного решения с стационарным решением CARE;
проверка устойчивости замкнутой системы по собственным значениям;
вывод уравнения Риккати для фильтра Калмана–Бьюси;
демонстрация двойственности между LQR-регулятором и фильтром Калмана;
построение частотной характеристики замкнутой системы;
анализ сингулярных значений передаточной матрицы;
подготовка Python-скрипта для автоматического расчёта результатов;
генерация графиков матрицы Риккати, оптимальной траектории, управления и sigma-графика;
оформление полного отчёта в форматах DOCX и PDF;
подготовка проекта для публичного портфолио.
Проект посвящён теории оптимального управления и показывает полный путь решения LQR-задачи: от математической постановки и аналитического вывода условий оптимальности до численного эксперимента и анализа полученных результатов.
В рамках проекта рассматривается модель двойного интегратора — точечной массы под действием управляющей силы. На этой модели исследуются оптимальный регулятор, поведение замкнутой системы, значение функционала качества, устойчивость, а также связь между задачами управления и оценивания состояния.
Отдельное внимание уделено уравнению Риккати: оно выводится аналитически через принцип максимума Понтрягина, решается численно на конечном горизонте и сравнивается со стационарным решением. Также показано, что фильтр Калмана–Бьюси имеет двойственную структуру по отношению к LQR-регулятору.
Проект демонстрирует навыки в области оптимального управления, математического моделирования, численных методов, анализа устойчивости и частотного анализа динамических систем. Он объединяет строгие теоретические выкладки с практической реализацией на Python и визуализацией результатов.
С проектом можно ознакомиться здесь:
https://github.com/SENATOROVAI/Optimal_Control_Report
Выполняем коммерческие проекты любой сложности и учебные работы (курсовые, дипломы, задачи) — обращайтесь в личные сообщения
#freelance
GitHub
GitHub - SENATOROVAI/Optimal_Control_Report
Contribute to SENATOROVAI/Optimal_Control_Report development by creating an account on GitHub.
❤3
Media is too big
VIEW IN TELEGRAM
02.07.2026
#group_1_scrum
Запись созвона 1 группы.
Участники:
@svet_lana1588
https://github.com/svetlana-s88
@dddos_1107
https://github.com/1GitHope1
#group_1_scrum
Запись созвона 1 группы.
Участники:
@svet_lana1588
https://github.com/svetlana-s88
@dddos_1107
https://github.com/1GitHope1
Созвон 1 группы состоится 4 июля в 9 pm (GMT+3)
👌1
Live stream scheduled for
Защита курса https://stepik.org/a/245654
Live stream started
Live stream finished (1 hour)
Hi, my name is Anton!
I’m engineer and DS, and a former athlete (BJJ). Currently, I work on developing AI-agents & analytics and async support 3 IT B2B projects.
My role in the school is intern and may be Executor.
I’ll do my best to live up to my own expectations and those of the group.
English Language skill ~ Pre-Intermediate.
I found out about the school through an ad on the one DS channel.
I’ve experience in engineer and Product Owner in Fintech + I have experience in 3 Startups and in entrepreneurship (EdTech niche).
I’ve just been accepted into the Senatorov Ruslan Academy DS, that to improve my DS/ML/Engineering skills and meet like-minded people.
I’m from Russia.
I like Physics / Math / self-improvement / enterpreneurship and do calisthetics in my sport retirement in free time that erase brain fog.
My dev’s artifacts below:
https://github.com/AmadeyM111
https://www.kaggle.com/amadeyml111
https://ods.ai/users/o74670ecf7286
Nice to meet you!
I’m engineer and DS, and a former athlete (BJJ). Currently, I work on developing AI-agents & analytics and async support 3 IT B2B projects.
My role in the school is intern and may be Executor.
I’ll do my best to live up to my own expectations and those of the group.
English Language skill ~ Pre-Intermediate.
I found out about the school through an ad on the one DS channel.
I’ve experience in engineer and Product Owner in Fintech + I have experience in 3 Startups and in entrepreneurship (EdTech niche).
I’ve just been accepted into the Senatorov Ruslan Academy DS, that to improve my DS/ML/Engineering skills and meet like-minded people.
I’m from Russia.
I like Physics / Math / self-improvement / enterpreneurship and do calisthetics in my sport retirement in free time that erase brain fog.
My dev’s artifacts below:
https://github.com/AmadeyM111
https://www.kaggle.com/amadeyml111
https://ods.ai/users/o74670ecf7286
Nice to meet you!
❤2
SenatorovAI работает с 2023 года и занимается проектами в сфере Data Science, машинного обучения, Python-разработки, автоматизации и IT-аутсорсинга.
При этом я понимаю, что не все заказчики готовы сразу переводить полную сумму напрямую, особенно если это первый проект или речь идёт о крупном бюджете.
Поэтому для новых клиентов доступен более безопасный формат сотрудничества через Kwork/upwork: мы заранее согласовываем задачу, стоимость, сроки и критерии готовности, после чего проект выполняется в рамках зафиксированных условий.
Работа возможна по следующим направлениям:
— Data Science и машинное обучение
— Python-разработка
— автоматизация бизнес-процессов
— парсинг, сбор и обработка данных
— разработка Telegram-ботов
— интеграции с API и базами данных
— веб-разработка
— DevOps, настройка серверов и деплой проектов
— техническое сопровождение и доработка существующих решений
Подробнее о направлениях работы:
https://senatorovai.com/outsourcing/
Безопасная сделка через Kwork:
https://kwork.ru/user/ruslansenatorov
При этом я понимаю, что не все заказчики готовы сразу переводить полную сумму напрямую, особенно если это первый проект или речь идёт о крупном бюджете.
Поэтому для новых клиентов доступен более безопасный формат сотрудничества через Kwork/upwork: мы заранее согласовываем задачу, стоимость, сроки и критерии готовности, после чего проект выполняется в рамках зафиксированных условий.
Работа возможна по следующим направлениям:
— Data Science и машинное обучение
— Python-разработка
— автоматизация бизнес-процессов
— парсинг, сбор и обработка данных
— разработка Telegram-ботов
— интеграции с API и базами данных
— веб-разработка
— DevOps, настройка серверов и деплой проектов
— техническое сопровождение и доработка существующих решений
Подробнее о направлениях работы:
https://senatorovai.com/outsourcing/
Безопасная сделка через Kwork:
https://kwork.ru/user/ruslansenatorov
❤6💊2
Channel name was changed to «SenatorovAI | IT-компания Руслана Сенаторова»
IT-компания SenatorovAI вошла в топ-7 IT-организаций по вкладу в CatBoost
SenatorovAI вошла в число топ-7 организаций, внесших вклад в развитие CatBoost, одного из ведущих open-source инструментов в области машинного обучения.
CatBoost — это библиотека машинного обучения с открытым исходным кодом, предназначенная для задач классификации, регрессии, ранжирования и прогнозирования. Проект используется специалистами по data science и machine learning для построения высокоточных моделей на основе данных.
Вклад в CatBoost имеет особое значение, потому что такие проекты требуют не только практического опыта в программировании, но и глубокого понимания алгоритмов машинного обучения, качества кода, тестирования и open-source процессов.
Сегодня в SenatorovAI состоит более 200 участников со всего мира:
https://github.com/orgs/SENATOROVAI/people
Попадание в топ-7 организаций по вкладу в CatBoost подтверждает техническую экспертизу SenatorovAI и показывает, что команда не только использует современные ML-инструменты, но и участвует в развитии глобальной open-source экосистемы.
Источники:
- CatBoost Insights
- CatBoost official
- CatBoost GitHub
Официальный сайт IT-компании SenatorovAI:
https://senatorovai.com/
Youtube | SenatorovAI | Live
SenatorovAI вошла в число топ-7 организаций, внесших вклад в развитие CatBoost, одного из ведущих open-source инструментов в области машинного обучения.
CatBoost — это библиотека машинного обучения с открытым исходным кодом, предназначенная для задач классификации, регрессии, ранжирования и прогнозирования. Проект используется специалистами по data science и machine learning для построения высокоточных моделей на основе данных.
Вклад в CatBoost имеет особое значение, потому что такие проекты требуют не только практического опыта в программировании, но и глубокого понимания алгоритмов машинного обучения, качества кода, тестирования и open-source процессов.
Сегодня в SenatorovAI состоит более 200 участников со всего мира:
https://github.com/orgs/SENATOROVAI/people
Попадание в топ-7 организаций по вкладу в CatBoost подтверждает техническую экспертизу SenatorovAI и показывает, что команда не только использует современные ML-инструменты, но и участвует в развитии глобальной open-source экосистемы.
Источники:
- CatBoost Insights
- CatBoost official
- CatBoost GitHub
Официальный сайт IT-компании SenatorovAI:
https://senatorovai.com/
Youtube | SenatorovAI | Live
💊4🔥1
My role in school:
I am a intern - I submit a report, do my homework, communicate with the teacher.
English language level: Basic
I learned about Ruslan Senatorov's school from telegram chats.
I have a little experience learning Python.
I want to study and use Machine Learning in my work.
I'm from Russia. I am currently traveling the world.
Hobbies - travel, yoga, psychology.
https://github.com/Nastasya388
https://www.kaggle.com/nastasya388
https://ods.ai/users/n2537fb71af09
I am a intern - I submit a report, do my homework, communicate with the teacher.
English language level: Basic
I learned about Ruslan Senatorov's school from telegram chats.
I have a little experience learning Python.
I want to study and use Machine Learning in my work.
I'm from Russia. I am currently traveling the world.
Hobbies - travel, yoga, psychology.
https://github.com/Nastasya388
https://www.kaggle.com/nastasya388
https://ods.ai/users/n2537fb71af09
GitHub
Nastasya388 - Overview
I'm studying at @SENATOROVAI. Nastasya388 has one repository available. Follow their code on GitHub.
❤2
Я тут немного поностальгировал и решил рассказать вам о своём первом опыте коммерческой разработки.
До этого проекта у меня не было вообще никакого коммерческого опыта. Были обучение, учебные задачи, свои небольшие проекты, но одно дело делать что-то для себя, где дедлайн можно перенести, а ошибку никто, кроме тебя, не заметит. И совсем другое — когда есть заказчик, конкретное ТЗ и ответственность за результат.
Так у меня появился CarPrediction.
Нужно было собрать не менее 10 000 качественных и уникальных фотографий китайских автомобилей, равномерно распределить их по классам, подготовить датасет и обучить модель распознавать 54 модели машин. Вместе с моделью заказчик должен был получить код, веса, конфигурацию, метрики, графики обучения и матрицу ошибок.
Когда я впервые прочитал ТЗ, задача выглядела вполне понятной: собрать фотографии, обучить модель, оформить результат. Что тут может пойти не так?
Как оказалось, примерно всё.
Одних только фотографий требовалось десять тысяч. Мы собирали их с автомобильных площадок, в основном с Auto.ru и «Дрома», немного из Google. Для этого написали парсер, который проходил по списку автомобилей, открывал объявления и сохранял изображения.
Но просто скачать картинки недостаточно. Нужно проверить качество, убрать дубли, правильно разложить данные по 54 классам, выровнять количество фотографий и подготовить всё к обучению. Некоторые изображения приходилось обрабатывать отдельно. А ещё нужно было следить, чтобы модель училась именно распознавать автомобили, а не запоминала случайные детали фотографий.
Весь проект вели через GitHub: отдельные ветки, коммиты, pull request и ревью. Для меня это тоже было частью первого коммерческого опыта. До этого Git казался просто местом, куда можно загрузить код. Здесь я впервые почувствовал, что это рабочий инструмент команды и что один неудачный коммит может устроить очень весёлый вечер.
Так и случилось. В какой-то момент из репозитория пропала часть фотографий. Начали разбираться, смотреть историю изменений и выяснять, на каком этапе данные потерялись. Файлы удалось восстановить через историю Git, но времени и нервов мы на это потратили прилично.
Отдельным приключением стало обучение модели. Сначала мы проверяли подход на 16 классах, затем готовили полный датасет на 54 модели. Обучение запускали в Kaggle, с которым я до этого практически не работал. Пришлось на ходу разбираться с окружением, путями к данным, зависимостями и переносом проекта с локальной машины.
И вот здесь я хочу отдельно поблагодарить Валентина.
Валентин — сеньор в Data Science и Machine Learning. Он не просто сделал свою часть и ушёл. Он объяснял мне, как устроено обучение модели, помогал разбираться с кодом, проверял результаты, отвечал на вопросы и вытаскивал нас из технических проблем. Причём вопросы у меня тогда были буквально обо всём.
Работать рядом с сильным специалистом оказалось намного полезнее, чем пытаться самостоятельно угадать правильное решение по статьям и видео. Я видел не готовый ответ, а то, как опытный разработчик рассуждает, проверяет гипотезы и принимает решения. Валентин, спасибо тебе за терпение, помощь и знания, которыми ты со мной делился.
В результате мы собрали датасет из 10 000 изображений для 54 моделей китайских автомобилей и обучили модель с Precision 0,91 и Recall 0,91. Подготовили код, веса, графики обучения, таблицы с метриками и матрицу ошибок.
Проект сдали. По самой работе правок не получили.
Посмотреть результат можно здесь:
github.com/SENATOROVAI/CarPrediction
Сейчас я смотрю на этот проект совсем иначе. Вижу места, которые можно было сделать быстрее или организовать лучше. Но именно поэтому он для меня важен. Это был момент, когда разработка перестала быть просто обучением и стала настоящей работой: с командой, заказчиком, ошибками, дедлайном и результатом, за который отвечаешь.
Первый коммерческий опыт редко начинается со слов: «Я полностью готов». Обычно ты ещё многого не знаешь, но рядом есть люди, которые помогают не утонуть, и реальная задача, которая заставляет быстро расти.
До этого проекта у меня не было вообще никакого коммерческого опыта. Были обучение, учебные задачи, свои небольшие проекты, но одно дело делать что-то для себя, где дедлайн можно перенести, а ошибку никто, кроме тебя, не заметит. И совсем другое — когда есть заказчик, конкретное ТЗ и ответственность за результат.
Так у меня появился CarPrediction.
Нужно было собрать не менее 10 000 качественных и уникальных фотографий китайских автомобилей, равномерно распределить их по классам, подготовить датасет и обучить модель распознавать 54 модели машин. Вместе с моделью заказчик должен был получить код, веса, конфигурацию, метрики, графики обучения и матрицу ошибок.
Когда я впервые прочитал ТЗ, задача выглядела вполне понятной: собрать фотографии, обучить модель, оформить результат. Что тут может пойти не так?
Как оказалось, примерно всё.
Одних только фотографий требовалось десять тысяч. Мы собирали их с автомобильных площадок, в основном с Auto.ru и «Дрома», немного из Google. Для этого написали парсер, который проходил по списку автомобилей, открывал объявления и сохранял изображения.
Но просто скачать картинки недостаточно. Нужно проверить качество, убрать дубли, правильно разложить данные по 54 классам, выровнять количество фотографий и подготовить всё к обучению. Некоторые изображения приходилось обрабатывать отдельно. А ещё нужно было следить, чтобы модель училась именно распознавать автомобили, а не запоминала случайные детали фотографий.
Весь проект вели через GitHub: отдельные ветки, коммиты, pull request и ревью. Для меня это тоже было частью первого коммерческого опыта. До этого Git казался просто местом, куда можно загрузить код. Здесь я впервые почувствовал, что это рабочий инструмент команды и что один неудачный коммит может устроить очень весёлый вечер.
Так и случилось. В какой-то момент из репозитория пропала часть фотографий. Начали разбираться, смотреть историю изменений и выяснять, на каком этапе данные потерялись. Файлы удалось восстановить через историю Git, но времени и нервов мы на это потратили прилично.
Отдельным приключением стало обучение модели. Сначала мы проверяли подход на 16 классах, затем готовили полный датасет на 54 модели. Обучение запускали в Kaggle, с которым я до этого практически не работал. Пришлось на ходу разбираться с окружением, путями к данным, зависимостями и переносом проекта с локальной машины.
И вот здесь я хочу отдельно поблагодарить Валентина.
Валентин — сеньор в Data Science и Machine Learning. Он не просто сделал свою часть и ушёл. Он объяснял мне, как устроено обучение модели, помогал разбираться с кодом, проверял результаты, отвечал на вопросы и вытаскивал нас из технических проблем. Причём вопросы у меня тогда были буквально обо всём.
Работать рядом с сильным специалистом оказалось намного полезнее, чем пытаться самостоятельно угадать правильное решение по статьям и видео. Я видел не готовый ответ, а то, как опытный разработчик рассуждает, проверяет гипотезы и принимает решения. Валентин, спасибо тебе за терпение, помощь и знания, которыми ты со мной делился.
В результате мы собрали датасет из 10 000 изображений для 54 моделей китайских автомобилей и обучили модель с Precision 0,91 и Recall 0,91. Подготовили код, веса, графики обучения, таблицы с метриками и матрицу ошибок.
Проект сдали. По самой работе правок не получили.
Посмотреть результат можно здесь:
github.com/SENATOROVAI/CarPrediction
Сейчас я смотрю на этот проект совсем иначе. Вижу места, которые можно было сделать быстрее или организовать лучше. Но именно поэтому он для меня важен. Это был момент, когда разработка перестала быть просто обучением и стала настоящей работой: с командой, заказчиком, ошибками, дедлайном и результатом, за который отвечаешь.
Первый коммерческий опыт редко начинается со слов: «Я полностью готов». Обычно ты ещё многого не знаешь, но рядом есть люди, которые помогают не утонуть, и реальная задача, которая заставляет быстро расти.
❤3💊1