Kategorien durchsuchen
Entdecken
Fiverr Pro
Deutsch
$
USD
Ich werde fortgeschrittene Machine-Learning-Modelle und Python-Datenwissenschaftsprojekte durchführen
Kundenzufriedenheit hat für mich oberste Priorität
Ich bin Data Analyst & Machine Learning Spezialist mit Fachkenntnissen in Angewandter Statistik, Explorative Datenanalyse und Predictive Modeling in Python.
Ich unterstütze Kunden dabei, komplexe Dat...
Über diesen Service
Suchst du einen Experten für Advanced Machine Learning, Bayes-Klassifikatoren und Modellleistungsbewertung? Dann bist du hier genau richtig!
Ich spezialisiere mich auf den Aufbau, die Analyse und die Optimierung komplexer Machine-Learning-Modelle mit Python, Scikit-Learn, SciPy und NumPy.
Was ich anbiete:
- Bayes-Klassifikator & Wahrscheinlichkeitsanalyse: Gemeinsame Wahrscheinlichkeitsberechnungen, multivariate Normalverteilungen, Kovarianz und Entscheidungregionen-Kartierung.
- Modellgenauigkeit & Bewertung: Tiefgehender Vergleich von Resubstitution (Training)-Genauigkeit, 10-Fold Cross-Validation und echter Testgenauigkeit.
- Algorithmus-Implementierung: Lineare Diskriminanzanalyse (LDA), 1-NN, Entscheidungsbäume, SVM, Bagging und Random Forest Ensembles.
- Lösungen bei Klassenungleichgewicht: Analyse des Imbalanced Data Triangle, Entropiebewertung und Resampling mit SMOTE / imbalanced-learn.
- Python Data Science: Jupyter Notebooks, saubere Visualisierung (Matplotlib, Seaborn) und detaillierte theoretische Berichte.
Warum du mich wählen solltest?
- Mathematisch rigorose & präzise Lösungen
- Gut dokumentierter Python-Code
- 100% originelle Arbeit, maßgeschneidert nach deinen Vorgaben
_uj5yw6.jpg)
Expertise:
Klassifizierung
•
Clustering
•
Entscheidungsbäume
Programmiersprache:
Python
Frameworks:
scikit-learn
•
Panda
Tools:
Jupyter-Notizbuch
Mein Portfolio
FAQ
Automatische Übersetzung
Welche Machine-Learning-Bibliotheken und Tools verwendest du?
Ich verwende hauptsächlich Python zusammen mit branchenüblichen Bibliotheken wie Scikit-Learn, SciPy, NumPy, Pandas, Matplotlib, Seaborn und imbalanced-learn für Datenmodellierung und Visualisierung.
Stellst du vollständigen Quellcode und Dokumentation bereit?
Ja! Du erhältst sauberen, gut kommentierten Python-Code (Jupyter Notebook oder .py-Dateien) zusammen mit strukturierten Berichten, die die Ergebnisse und Methodik erklären.
Kannst du unausgeglichene Datensätze verarbeiten?
Absolut. Ich wende fortgeschrittene Techniken wie SMOTE-Overampling, Klassengewichtung und spezielle Bewertungsmetriken (F1-Score, Precision, Recall) an, um Klassenungleichgewicht effektiv zu handhaben.
Wie bewertest und validierst du die Modelle?
Ich führe strenge Leistungsevaluierungen durch, bei denen ich die Training-/Resubstitution-Genauigkeit, $k$-Fold Cross-Validation und Testgenauigkeit über mehrere Algorithmen wie Bayes-Klassifikatoren, SVM, Entscheidungsbäume und Ensembles vergleiche.
