Интерпретатор Python на Python (python)
- Мне нужно было написать свой собственный интерпретатор, который будет корректно работать со встроенными функциями.
- Основная проблема, с которой я столкнулся, заключалась в понимании байт-кода, который выглядит довольно близко к ассемблеру.
Map-Reduce реализация собственная имплементация, которая эмулирует работу технологии Map-Reduce с использованием сопрограмм Python и asyncio
- Основная проблема была в том, чтоб понять как оптимально менеджить память в условиях Big Data, а также разобраться в том, как строить вычислительный граф.
- Условие. Отчёт. Градиентный спуск с постоянным шагои, с одномерным поиском, сравнение с методом Нелдера—Мида из scipy. Сравнение эффективности методов в зависимости от числа переменных.
- Условие. Отчёт. Метод Ньютона с постоянным шагои, с одномерным поиском, с критерием Wolfe, сравнение с Newton-CG и BFGS из scipy.
- Условие. Отчёт. Введение в ML и реализация SGD, применительно к задаче линейной регрессии.
- Градиентный бустинг на решающих деревьях. Пока организатор курса попросил меня не выкладывать данную работу, поэтому код хранится в приватном репозитории
- Описание Написание контеста на Kaggle 2011 года по предсказанию выдавать или нет кредит заемщику. Подробное решение на гитхабе на Jupyter Notebook
- Описание Собственная реализация классификатора и применение к задаче классификации с небольшим количеством численных признаков. Подробное решение на гитхабе на Jupyter Notebook.
-
Реализация собственной нейронной сети на Numpy. Эта библиотека позволяет писать, как обычные полносвязные, так и сверточные нейросети. Есть слои активации, ядер, пуллинга. Все методы оптимизировано вычислияют backpropogation полностью на numpy без циклов.
-
Легковесная LLM на основе LSTM, дающая рекомендации на день в зависимости от гороскопа и текста пользователя. Алгоритм использует Byte Pair Encoding.
-
Собственная архитектура нейросети с ResNet-50 конфигурацией для регрессии точек лица (всего 28 точек). Получилось 4.0 по метрике MSE на валидации и на тесте.
-
FineTuning MobileNetV2 под задачу классификации птиц. Получилось выбить accuracy 0.99 на валидации и на тесте. В данной работе я активно использовал Lightning, в то время как в прошлых я использовал нативный pytorch.