Vou construir um notebook de protótipo de ML rápido e avaliação

A
ahmed_ml22
A
ahmed_ml22
M Ahmed Imtiaz
Algumas informações foram traduzidas automaticamente.
build a fast ml prototype notebook and evaluation
Tela Inteira
build a fast ml prototype notebook and evaluation
Visualizar Apresentação
Visualizar Apresentação
build a fast ml prototype notebook and evaluationbuild a fast ml prototype notebook and evaluationbuild a fast ml prototype notebook and evaluation

Sobre este Serviço

Tradução automática

Vou criar um protótipo de ML funcional (classificação ou regressão) com seu conjunto de dados e entregar um notebook reproducível do Jupyter, o checkpoint do modelo treinado e um relatório de avaliação. Meus entregáveis incluem: amostra de dados limpa, etapas de pré-processamento, modelo baseline (scikit-learn / PyTorch), métricas de avaliação (AUC/F1/RMSE conforme o caso) e recomendações para os próximos passos.

O que você recebe:

  • Notebook do Jupyter reproduzível com limpeza de dados, pipeline de recursos e treinamento do modelo.
  • Checkpoint do modelo (pickle / joblib / .pth conforme o caso) e um script simples de previsão.
  • Relatório de avaliação (matriz de confusão, precisão/recall/F1 ou RMSE/AUC) e uma breve nota sobre os próximos passos.
  • Começo com uma rodada de viabilidade rápida em uma amostra que você fornece (50200 linhas) para que você veja os resultados rapidamente.

  • Expertise em modelos

    • Desenvolvimento de modelos personalizados
    • Modelos de ajuste fino
    • IA generativa

  • Setor

    • Outros

  • Linguagem de programação

    • Python

  • Idioma

    • Inglês
    • Urdu

  • Experiência técnica

    • Machine learning (supervisionado, não supervisionado, reforço)
    • Deep learning (redes neurais, GANs)
    • Engenharia de recursos e processamento de dados

Conheça mais sobre M Ahmed Imtiaz

M Ahmed Imtiaz
  • A partir dePaquistão
  • Membro desdeset. de 2025

  • Idiomas

    Urdu, Inglês
I’m an ML engineer who builds fast, production-ready prototypes and clean data pipelines. My hands-on experience includes BERT fine-tuning for sentiment and text classification, graph-based recommenders (Node2Vec / GraphSAGE), and wrapping models into FastAPI endpoints with Docker. I focus on reproducible deliverables: Jupyter notebooks, model checkpoints, inference scripts, and clear run instructions so clients can validate and extend work easily. For example, in my DamTechhub internship I improved a GraphSAGE recommender’s validation AUC and produced a working FastAPI inference endpoint.

Tradução automática

Outros serviços de Desenvolvimento de IA que eu ofereço

Tags relacionadas