Стажировка по проекту
Компания: INSPECTRUM CLINIC
Рекомендательная система для профпатолога
Суть проекта
Задача
Для чего
Вводные данные
Выходные данные
Разработать прототип системы, реализующей функцию рекомендательной системы для врача профпатолога
Сократить время, требуемое врачу-профпатологу для принятия решения о пригодности конкретного лица для определенной должности, либо о необходимости созыва врачей специалистов для проведения коллегиального совещания по пациенту
Архивные данные медицинского осмотра с записями от различных специалистов для людей, претендующих на разнообразные производственные роли. Данные содержат качественные и количественные характеристики, полученные в результате медкомиссии
1 команда: точность определения класса достигает 98%, на расширенных данных, взятых из нормативного документа 29Н.
2 команда: точность классификации достигает 98% на синтетически сбалансированных данных.
3 команда: достигнута точность классификации в 98% на искусственно сбалансированных данных.
Всеми командами реализованы текстовые рекомендации для врача, ориентирующие его в вынесении финального решения
2 команда: точность классификации достигает 98% на синтетически сбалансированных данных.
3 команда: достигнута точность классификации в 98% на искусственно сбалансированных данных.
Всеми командами реализованы текстовые рекомендации для врача, ориентирующие его в вынесении финального решения
Участники
1 команды проекта
1 команды проекта
- Рубцов АнтонТимлид проектаАнтон - руководитель группы разработчиков, отвечал за полную разработку проекта
- Земляков СергейМенеджер по продажам в Группе компаний Техполимер
- Использование методов Numpy, Pandas, Regex, Keras.Tokenizer для подготовки данных;
- Балансировка классов: срез из общего dataframe, генерация данных на основании нормативного документа «Приказ 29н»;
- Использование фреймворка AutoKeras для решения задачи;
- Реализация алгоритма текстовых рекомендаций врачу профпатологу, дополняющее решение от нейронной сети;
- Визуализация результатов обучения. Использование Matplotlib, Confusion Matrix
- Дунаев АртемВрач-терапевт/врач-эксперт
- Анализ задачи и подготовка данных. Sklearn, Numpy, Pandas, Regex;
- Использование Tokenizer, Embedding и LSTM в парсинге текстовых данных;
- Балансировка классов: срез из общего dataframe, генерация данных на основании нормативного документа «Приказ 29н»;
- Подбор гиперпараметров и использование Callbacks при обучении нейросети;
- Реализация алгоритма текстовых рекомендаций врачу профпатологу, дополняющее решение от нейронной сети;
- Визуализация результатов обучения. Использование Matplotlib, Confusion Matrix
- Некрасова ТатьянаРазработчик - куратор в Университете Искуственного Интеллекта
- Анализ и подготовка данных. Использование методов Numpy, Pandas, Regex, Word2Vec;
- Эксперименты с кластеризацией для решения задачи: K-Means, Agglomerative Clustering и DBSCAN;
- Балансировка классов. Scikit-learn upsampling, downsampling;
- Использование фреймворков AutoKeras, TerraAI;
- Визуализация результатов обучения. Использование Matplotlib, Confusion Matrix
- Сусарев Андрейведущий эксперт в Управлении автодорог Республики Карелия
- Анализ и исследование корреляций данных, подбор алгоритмов решения;
- Подготовка данных с помощью Sklearn, Numpy, Pandas, Regex;
- Нормализация данных MinMaxScaler;
- Использование алгоритмов ML - GradientBoostingRegressor, RandomForestRegressor, XGBRegressor для решения задачи;
- Использование фреймворка AutoKeras для решения задачи;
- Визуализация результатов обучения с помощью Matplotlib.
- Черный АриэлАналитикв банке Юникредит
- Анализ данных и подбор алгоритмов решения;
- Подготовка данных с помощью Sklearn, Numpy, Pandas, Regex;
- Алгоритмы ML(XGBClassifier, LGBMClassifier) для решения задачи;
- Подбор архитектуры для DL решения, работа с метриками F1Score;
- Визуализация и анализ результатов обучения
- Химяк ПавелПрограммист и преподаватель йоги
- Анализ и обработка данных. Numpy, Pandas, Regex, Tokenizer;
- Подготовка данных с помощью самописных классов и функций Python;
- Подбор архитектуры для DL решения, работа с Callback и метриками F1Score;
- Использование фреймворка AutoKeras для решения задачи;
- Анализ корреляций данных и их визуальное представление, визуализация оценки ошибки на выборках Matplotlib
- Мороз АлесяУпрaвление проектами (Руководитель проекта)
- Анализ данных и подбор алгоритмов решения;
- Обработка данных с помощью Sklearn, Numpy, Pandas, Regex, Tokenizer;
- Подбор DL-архитектуры, работа с Callback и метриками F1Score;
- Визуализация результатов обучения с помощью Matplotlib, Seaborn, ConfusionMatrix;
- Реализация раздела текстовых рекомендаций для профпатолога
Участники
2 команды проекта
2 команды проекта
- Козлов Алексейинженер-программист в ООО «ТАиП» (Технологии Автоматизации и Программирования - taip.su)
- Анализ и обработка табличных данных Sklearn, Pandas;
- Подготовка данных с помощью Numpy, Regex, Tokenizer, Bag Of Words;
- Балансировка классов методами downsampling и oversampling;
- Подбор DL-архитектуры, визуализация обучения с помощью Matplotlib;
- Создание алгоритма текстового представления по пациенту на основе нормативного документа
- Косенков АлександрСтудент в КамчатГТУ
- Анализ данных и подбор алгоритмов решения;
- Обработка данных с помощью Sklearn, Numpy, Pandas;
- Подбор гиперпараметров Deep Learnig модели нейросети;
- Визуализация результатов обучения с помощью Matplotlib
- Гриднев АндрейГейм-дизайнер
- Анализ данных и подбор алгоритмов решения;
- Обработка данных с помощью Sklearn, Numpy, Pandas;
- Подбор гиперпараметров Deep Learnig модели нейросети;
- Визуализация результатов обучения с помощью Matplotlib
- Гаврилков Николай
- Анализ данных и подбор алгоритмов решения;
- Обработка данных с помощью Numpy, Pandas, Regex, Tokenizer, Bag Of Words;
- Балансировка классов методами downsampling и oversampling;
- Подбор DL-архитектуры, работа с Callback и метриками F1Score;
- Визуализация результатов обучения с помощью Matplotlib, Seaborn, ConfusionMatrix;
- Реализация раздела текстовых рекомендаций для профпатолога
- Марфида Александр
- Анализ, обработка и очистка табличных данных;
- Обработка данных с помощью Sklearn, Numpy, Pandas, Tokenizer, BoW;
- Подбор гиперпараметров DL-архитектуры, использование Callback при обучении модели;
- Визуализация результатов обучения с помощью Matplotlib
- Алешин Денис
- Чтение и редактирование кода Python;
- Обработка данных с помощью Numpy, Pandas, Regex, Tokenizer;
- Подбор гиперпараметров Deep Learnig модели нейросети;
- Реализация раздела текстовых рекомендаций для профпатолога;
- Визуализация результатов обучения с помощью Matplotlib
Участники
3 команды проекта
3 команды проекта
- Борисов ВасилийРуководитель проектов внедрения корпоративных систем 1с
- Анализ данных и подбор алгоритмов решения
- Обработка и подготовка данных Sklearn, Pandas, Numpy;
- Токенизация текстовых данных Fasttext;
- Использование архитектуры FunctionalAPI и Callback при обучении DL-модели нейросети;
- Визуализация результатов обучения с помощью Matplotlib, Seaborn, ConfusionMatrix
- Костин СергейСтудент МГТУ им. Н.Э. Баумана
- Статистический анализ данных и подбор алгоритмов решения;
- Параметризация и очистка данных. Sklearn, Pandas, Datetime, Numpy;
- Подбор гиперпараметров Deep Learnig модели нейросети;
- Визуализация результатов обучения с помощью Matplotlib, Seaborn, ConfusionMatrix
- Федосеев СергейПреподаватель в учебном центре ОАО «РЖД»/Тренер по бразильскому джиу-джитсу
- Анализ данных и подбор алгоритмов решения;
- Обработка и подготовка данных Sklearn, Pandas, Regex, Tokenizer, Numpy;
- Использование архитектуры FunctionalAPI при обучении DL-модели нейросети;
- Визуализация результатов обучения с помощью Matplotlib;
- Обучение модели, на основе архитектуры, предложенной ChatGPT
- Сидоров Александр
- Загрузка и анализ данных. Gdrive, ZipFile, Pandas;
- Подготовка данных. Sklearn, Pandas, Regex, Tokenizer, Numpy;
- Подбор гиперпараметров Deep Learnig модели нейросети;
- Использование архитектуры FunctionalAPI;
- Визуализация результатов обучения с помощью Matplotlib, Seaborn, ConfusionMatrix
- Таранов Анатолий
- Анализ данных и подбор алгоритмов решения;
- Подготовка данных. Sklearn, Pandas, Regex, Tokenizer, Numpy;
- Подбор гиперпараметров Deep Learnig модели нейросети;
- Визуализация результатов обучения с помощью Matplotlib, Seaborn, ConfusionMatrix
- Ромашенков Леонид
- Анализ данных и подбор алгоритмов решения;
- Обработка и подготовка данных Sklearn, Pandas, Tokenizer, Numpy;
- Подбор гиперпараметров Deep Learnig модели нейросети, FunctionalAPI архитектура;
- Визуализация результатов обучения с помощью Matplotlib, Seaborn, ConfusionMatrix
Демонстрация проекта