Машинное обучение — работа в Москве

Для себя Проект по машинному обучению на любых данных с пояснениями (необязательно все пункты): 1.Постановку задачи и ожидаемый результат. Например: метрики качества / бизнес метрики / сокращение издержек в выражении денег / времени / социальную значимость) 2.Наличие наработок/исследований по теме проекта, если такие есть. Важно помнить, что достижение или превышение индустриальных стандартов может требовать значительных вычислительных ресурсов и большой команды разработки, включающей не только мл-специалистов, так что эти решения могут быть ориентиром для вашего проекта, а не конкурентом, результаты которого обязательно превзойти. Опыт показывает, что в реальном бизнесе индивидуальный подход и минимализм могут быть важнее уже существующих решений для конечного клиента. Более того о решениях зарубежных компаний могут и не знать, к тому же ценные корпоративные данные не всегда могут вынесены вне контура компании. 3.Источники данных и их исследование. Источником могут быть ваши собственные данные, спаршенные из интернета, готовые датасеты или комбинация перечисленных. Источником могут быть и модели, которые были уже обучены для вашей задачи, и их нужно дообучить под существующий набор. Для поиска моделей и датасетов можете воспользоваться [1], [2], [3], [4], [5]. Визуализации (EDA, исследование данных) можно отрисовать в любой библиотеке (matplotlib, seaborn, plotly), веб-фреймворке (streamlit, mpld3, dash, flask, django) или gui-приложении (pyqt5). 4.Подготовку данных. Какие преобразования и/или аугментации применялись и почему? Какие из этих этапов должны присутсвовать в inference модели? 5.Какие модели и какие их гиперпараметры были исследованы? Почему именно они были выбраны а не другие во вкладке SOTA на paperswithcode? Время (желательно потребление по памяти) прогноза для одного примера / батча, подходит ли модель это под ограничения решаемой задачи? 6.Какие метрики качества были получены для разных моделей? Если это возможно, какое отображения метрики имеют на поставленную задачу? Другими словами: как эти метрики конвертируются в, например, бизнес показатели? В проекте должен быть минимум 1 из следующих пунктов: 1.Полнота выполнения всех пунктов из блока выше 2.Деплой модели в виде апи (fastapi, flask). Обратите внимание на сваггер, в реальных проектах его обязательно надо переопределить. Веб-интерфейс. Настоятельно рекомендуется streamlit т.к. код пишется в пару десятков строк и документация крайне проста и минималистична. Более продвинутое решение - flask+bootstrap, django, dart+flutter. Наличие этого пункта выгодно отличают вас от конкурентов, способных запускать модели только в джупитер ноутбуке. 3.Деплой модели и/или веб интерфейса в докер контейнере. Свой гпу-контейнер будет огромным плюсом. Возможность асинхронно распознавать данные батчами крайне ценна. 4.Дистилляция, прунинг, квантизация 5.GUI-приложение (matplolib, pyqt5) 6.Наличие открытого гита с инструкцией по установке под windows / linux, демо с готовыми cli-командами для запусками, колаб ноутбук с установкой и запуском демо cli или в виде мини-библиотекой, примером обучения/дообучения модели под свои данные. Наличие детальных комментариев каждой функции (в качестве примера см. sklearn) c описанием ее функционала в рамках системы, описанием аргументов и их типов данных, результатов на выход и их типов данных с примерами использования