Разработка машинного обучения — удалённая работа в Москве

Пожелания и особенности: Здравствуйте! Ищу наставника по машинному обучению для интенсивной практики решения задач. Моя цель — не изучать теорию с нуля, а решать много конкретных кейсов, чтобы закрепить навыки. Мой уровень: · Закончил базовый курс эконометрики, знаю статистику и линейную регрессию. ( вообще хорошо было бы все повторить , но только через практику ) · Владею Python на базовом/среднем уровне.

Подготовка к экзамену по теории и практике по современным методам анализа данных и машинному обучению.

Добрый день! Кратко! Ищу человека с опытом установки и настройки ЛЛМ! Задача примерно такая, есть 3 макстудио на них надо развернуть несколько ЛЛМ для работы внутри компании и подключить к ним ОпенКло.

Пожелания и особенности: Открытые маленькие модели не справились с распознаванием спецификаций. Нужен локальный механизм распознавания таблиц спецификаций без применения внешних систем.

Написать рекомендательное письмо для поступления в высшее учебное заведение за границей с соблюдением всех правил написания письма установленных учебным заведением.

Создание сайта для общения с обучающимся с использованием технологии RAG и GigaChat на основе учебной информации - тексты и графы знаний (онтологии).

Анализ финансовых данных по криптовалютам за последние 3-5 лет. Выявление линейных зависимостей (и не только) с графиками. Важен опыт в трейдинг и знание технических индикаторов. Требуется разработка модели машинного обучения на исторических криптовалютных данных (BTC, ETH и ликвидные альты) с таймфреймами от 1 часа до 1 дня для применения в стратегиях возврата к среднему (mean reversion) и продолжения тренда (trend following). Цель — определить наличие предсказательной способности в данных и возможность построения на её основе прибыльной стратегии. Необходимо провести полный цикл работы с данными: предобработка, формирование признаков (доходности, волатильность, лаги, технические индикаторы), а также исследовательский анализ с визуализациями (корреляции, распределения, зависимости признаков от будущей доходности, автокорреляции) и проверкой эффектов MR и трендовости. Модель должна быть реализована на Python с использованием как базовых, так и продвинутых алгоритмов (например, градиентный бустинг). Обязательно корректное разбиение данных (без утечки) и валидация, включая out-of-sample тест. Ключевая часть — бэктест стратегии на основе сигналов модели с учетом комиссий OKX. Необходимо предоставить метрики (PnL, Sharpe, просадка, winrate), а также визуализации (equity curve и др.) и пример результатов на тестовых данных. Результат — код и аналитический отчёт с выводом о наличии альфы и сравнением подходов (mean reversion vs trend following).