Подработка для репетиторов по машинное обучение в России

Для себя Помощь с практическим заданием.

Подготовка к экзамену

Подготовка к экзамену

Для работы Нужен специалист по машинному обучению с практическим опытом, занятия очные в Нижнем Новгороде в удобное для преподавателя время, т [Телефон скрыт] Владимир.

Для учебы Необходимо помочь разработать нейронную сеть на питоне (например, на Keras) для интеллектуального анализа курса акций.

Для работы Нужна помощь в написании ВКР.

Для работы Сделать классификацию жестов.

Для работы Изучить нейронные сети.

Подготовка к экзамену

Подготовка к экзамену

Для себя Объяснения введение машинного обучение, обучение с учителем и тд.

Для работы Применение питона для машинного обучения.

Для себя Python, data science.

Подготовка к экзамену

Для работы

Для себя Помощь с решением задания на kaggle (построение простой нейросети).

Для работы Машинное обучение с нуля.

Для себя Здравствуйте, мне нужна помощь, нужно разработать модуль для увеличения разрешения изображений с помощью нейронной сети SRGAN. Необходимо, чтобы Вы объяснили мне как работает эта нейронная сеть. Исходники нейронной сети есть в открытом доступе. - Объяснили как работает генеративно-состязательная нейронная сеть - SRGAN. - Поможете её запустить и реализовать увеличение разрешения фото-изображений. @skand21.

Для себя Помощь в разработке проекта по CV.

Для работы The question is simple: is there any way to predict which customers are more likely to respond positively to a marketing call? Your assignment is to answer that question using machine learning techniques and produce a system that would be able to tell StirCom which customers it should target the marketing at. You can use Orange, Python, R, or any data mining package of your choice. The data for the assignment is in a file stircom.csv provided for you. A data dictionary is provided describing the columns in this file. Please note that this is an individual assignment, not group work. Requirement You should submit a report describing the modelling process you followed and your results. You should try to frame the problem in the form of CRISP-DM framework to better facilitate the discussion. Refer to the relevant CRISP-DM stages at each stage of your report. You do not need to submit code or data. The report is worth 100 marks in total and must cover the following (with weightings per section as shown): Business Understanding [10%] Describe the task you were given: is it clustering, classification or regression?; describe the data you received and the requirements of the finished system, including why machine learning is suitable for this task. Define any terminology that you will use in the report (for example, model, variable, task, etc.). Comment on any issues around ethics or trust that may be relevant to the framing of the problem. Data Summary [10%] List the variables that you found in the file provided by the company. For each one, say whether it should be treated as categorical or numeric; nominal, ordinal, continuous or discrete; and whether or not it is likely to be of use in building the solution. Explain your decisions: if you rule out any variables at this stage, you can justify your choice using summary statistics, or a histogram plot of its distribution. Data Preparation [10%] Describe what you did with the data prior to the modelling process. Show histograms of the data before and after any pre-processing that you carried out. (you do not need to give histograms of all variables, just the ones that need some cleaning) If you corrected any mis-typed or corrupted entries in the data, report what you changed, such as any rules you used, or examples of specific data points that were cleaned. Modelling [30%] You must use three different techniques and build models with each: these should include one tree-based model, one based on logistic regression, and one based on neural networks. Try to make each model perform as well as it can: if you varied the hyperparameters of a model, show which hyperparameters you varied and how this impacted on the results. Describe how you split the data for training, validation and testing purposes. Be methodical and record each result. This stage is a little like scientific research – you are carrying out experiments in your search for the best solution. Once you have a solution, show how you verified its robustness. For the three different techniques report on their comparative ability to make predictions for this problem, but only select a single model for the final test Don't try to find a perfect or extremely accurate model - one does not exist! We are interested in the procedure you followed and the justification you give for choosing particular model types/parameters/features. Evaluation [10%] Analyse and describe the level of accuracy the model achieves and the errors your model makes. Show a confusion matrix for your model. Are there any areas of the data where it performs worse than in others, and are there any types of error that the company would want to avoid more than others? Show a lift curve or a ROC curve for the model’s predictive capability, and explain what this tells you. Comment on whether the modelling approach chosen and the results raise any trust or ethical issues Overall Approach and Creativity [30%] You should adopt a structured approach to the whole process and clearly identify the five CRISP-DM stages excluding deployment in your report. Additional marks are available within this category for going beyond the basic approaches mentioned in the sections above and those covered within the course; for example, you might consider feature construction or adding some explanation to the predictions the model makes. Those showing (per the common marking scheme) originality and exceptional analytical, problem-solving and/or creative skills will be awarded the highest marks.

Для работы Консультация по работе на тему "Рекомендательные системы в социальных сетях". Не знаю с чего начать, как должен выглядеть датасет, какую модель использовать.

Для себя Консультация по проекту над которым я сейчас работаю.

Для себя Помочь в решении задачи по GAN.

Для себя Необходимо написать рекомендательную систему, основываясь на данном датасете, с использованием нескольких ML-алгоритмы и сравнить их.

Подготовка к экзамену

Подготовка к экзамену

Для себя Необходимо помочь решить задачи и ответить на вопросы.

Цель занятия: machine learning tutor.

Для себя

курсовая работа Необходимо создать нейросеть, архитектуру DL для компьютерного зрения. Помочь написать на торче (PyTorch), написать нужно не с нуля, есть полное понимание в голове, как это сделать, помощь нужна именно в контексте кода, так как не особо силен в этом и убиваю кучу времени на имплементацию. Необходимо понимание как работать с предобученными моделями, даталоадерами, pruning'ом и прочими вещами на торче. Подробнее в лс.

Для себя Решение задач и домашних заданий (объяснить как решать) по предмету Машинное обучение в ВУЗе (не профильный).

Для себя Помощь в решении задач, домашних заданий ( объяснить решение) по курсу машинное обучение в Вузе.

Для работы Написать алгоритм для поиска аномалий в данных.

Для себя Выполнение практического задания.

Для работы

Для себя Цель занятия: Reinforcement Learning на Python (Monte Carlo и Temporal Difference Learning) на примере квадратного поля с ловушкой. Есть код (большая часть), пропущены некоторые функции. Не очень понимаю как их заполнить. Хотела бы разобрать.

Для себя Разобраться в видах машинного обучения и метрики.

Для работы Подготовка к собеседованию.

Подготовка к экзамену

Для себя

Для себя Нужна помощь и консультация в составлении модели в программе orange(поскольку там все наглядно можно увидеть) по базе данных.

Для себя Помочь разобраться и сделать лабораторную работу.

Для себя Помощь с выполнением лабораторной работы.

Помощь в написании кода

Для себя Работа над проектом по Machine Learning Что сделать: выбрать любой датасет и применить любых 2-3 метода, но FROM SCRATCH Кратко обсудить выводы.

Для себя Объяснить принципы работы моделей-трансфомеров.

Объяснение кода и сдача лабораторных работ Есть написанный код, в области машинного обучения. Конкретно по темам: Линейная регрессия + Mini-bach градиентный спуск, дерево решений + случаянный лес, Нейронная сеть (функции активации ELU, Leaky ReLU ReLU). Проблема состоит в том, что мне не понятно почему и как конкретно это работает, а так же зачем нужны те или иные строчки кода.

Объяснение кода и сдача лабораторных работ Есть написанный код, в области машинного обучения. Конкретно по темам: Линейная регрессия + Mini-bach градиентный спуск, дерево решений + случаянный лес, Нейронная сеть (функции активации ELU, Leaky ReLU ReLU). Проблема состоит в том, что мне не понятно почему и как конкретно это работает, а так же зачем нужны те или иные строчки кода.

Для себя Нужна помощь в разборе задач. Помощь в изучении ML.

Для работы Помощь в реализации проекта в области Text mining and sentimental analysis Язык Python.