تحقیق و توسعه مدل‌های یادگیری ماشین برای پیش‌بینی بیماری‌های قلبی-عروقی با استفاده از تکنیک‌های حفظ حریم خصوصی (Differential Privacy)

---

شرح پروژه

توضیحات کامل پروژه (متن آماده برای پست در پارس کدرز):
سلام دوستان فریلنسرهای عزیز،

من دانشجوی دکتری در رشته هوش مصنوعی هستم و برای بخشی از تحقیقات پایان‌نامه‌ام (تزیس PhD) نیاز به یک پروژه تحقیقاتی پیشرفته دارم. موضوع اصلی تحقیقاتم تمرکز روی کاربردهای اخلاقی هوش مصنوعی در حوزه بهداشت و درمان است، به ویژه حفظ حریم خصوصی داده‌های حساس پزشکی در حالی که مدل‌های یادگیری ماشین (ML) با دقت بالا عمل کنند. این پروژه بخشی از یک مطالعه واقعی است که نتایج آن می‌تواند در مقالات علمی (مانند کنفرانس‌های IEEE یا journals مرتبط با AI in Healthcare) استفاده شود و حتی به عنوان پایه‌ای برای انتشار مقاله عمل کند.

هدف پروژه: طراحی، پیاده‌سازی و ارزیابی یک سیستم یادگیری ماشین برای پیش‌بینی بیماری‌های قلبی-عروقی (مانند حمله قلبی یا نارسایی قلبی) با استفاده از تکنیک‌های حفظ حریم خصوصی مانند Differential Privacy (DP). این روش‌ها اجازه می‌دهند مدل بدون افشای داده‌های شخصی افراد آموزش ببیند، که در سال ۲۰۲۵ یکی از ترندهای کلیدی در ML اخلاقی است (بر اساس گزارش‌های اخیر از منابع مانند arXiv و Nature). پروژه باید شامل جمع‌آوری داده، مدل‌سازی، مقایسه عملکرد، و گزارش کامل باشد تا بتوانم آن را در تزیس‌ام ادغام کنم.

نیازمندی‌ها و deliverables دقیق (خروجی‌های مورد انتظار):

جمع‌آوری و پیش‌پردازش داده:استفاده از datasetهای عمومی و معتبر مانند UCI Heart Disease Dataset، Cleveland Heart Disease، یا datasetهای مشابه از Kaggle (حداقل ۱۰۰۰ نمونه برای آموزش و تست).
پیش‌پردازش شامل پاک‌سازی داده (handling missing values، normalization)، feature engineering، و اضافه کردن نویز با Differential Privacy برای حفظ حریم خصوصی (با استفاده از کتابخانه‌هایی مانند TensorFlow Privacy یا Opacus).
تمرکز روی ویژگی‌های کلیدی مانند سن، فشار خون، کلسترول، و سابقه پزشکی.
مدل‌سازی و پیاده‌سازی:پیاده‌سازی مدل‌های ML/DL پایه مانند Random Forest، SVM، یا Neural Networks (MLP یا CNN ساده) با PyTorch یا TensorFlow.
ادغام Differential Privacy: اضافه کردن نویز به gradients یا داده‌ها (با پارامتر epsilon برای کنترل privacy budget).
مقایسه عملکرد مدل با و بدون DP: محاسبه metrics مانند Accuracy، Precision، Recall، F1-Score، AUC-ROC، و تأثیر DP روی دقت (مثلاً کاهش دقت کمتر از ۱۰% هدف است).
گزینه پیشرفته: ترکیب با Federated Learning (FL) برای سناریوهای توزیع‌شده (اگر تجربه دارید، مزیت محسوب می‌شود).
تحقیق و تحلیل:بررسی تأثیر DP روی مدل (privacy-utility trade-off): چگونه اضافه کردن نویز دقت را تحت تأثیر قرار می‌دهد؟ پیشنهاد تکنیک‌های بهینه‌سازی مانند Flow Matching یا adaptive noise (بر اساس ترندهای ۲۰۲۵).
تست روی سناریوهای مختلف: مدل centralized vs. differentially private، و اگر ممکن، FL + DP.
تحلیل امنیتی: بحث در مورد مقاومت در برابر حملات مانند inference attacks یا data poisoning.
کد و ابزارها:کد کامل در Jupyter Notebook یا Google Colab (با کامنت‌های دقیق به فارسی و انگلیسی برای readability).
استفاده از کتابخانه‌های استاندارد: Python 3.x، Scikit-learn، TensorFlow/PyTorch، Pandas، NumPy، Matplotlib/Seaborn برای visualization.
دمو ساده: یک اپلیکیشن وب کوچک (مثل Streamlit) برای ورودی داده کاربر و پیش‌بینی ریسک قلبی (با حفظ privacy).
گزارش و مستندات:گزارش تحقیقاتی کامل (۱۰-۲۰ صفحه PDF) شامل: مقدمه (background on heart disease prediction و اهمیت DP)، روش‌شناسی (architecture مدل)، نتایج (charts و tables)، بحث (limitations و future work)، و references (حداقل ۱۰ منبع معتبر از ۲۰۲۴-۲۰۲۵ مانند arXiv، IEEE، یا Nature).
ویدیو کوتاه (۵-۱۰ دقیقه) توضیحی از کد و نتایج (اختیاری اما مزیت).
مهارت‌های مورد نیاز فریلنسر:

تسلط بر Python و ML libraries (Scikit-learn، TensorFlow/PyTorch).
تجربه در Data Privacy (Differential Privacy، Federated Learning).
آشنایی با حوزه Healthcare AI (پروژه‌های قبلی در پیش‌بینی بیماری مزیت دارد).
توانایی نوشتن گزارش علمی (PhD-level) با انگلیسی خوب.
زمان تحویل: حداکثر ۳-۴ هفته (با milestones: هفته ۱: داده و مدل پایه، هفته ۲: ادغام DP، هفته ۳: گزارش و تست). قابل مذاکره بر اساس proposal.

بودجه: بین ۱,۵۰۰,۰۰۰ تا ۵,۰۰۰,۰۰۰ تومان (بسته به عمق proposal، تجربه، و کیفیت نمونه کارهای قبلی). اولویت با پیشنهادهای متعادل (نه خیلی پایین که کیفیت پایین بیاید). لطفاً در پیشنهادتان breakdown قیمت بدهید (مثل ۴۰% برای کد، ۳۰% برای گزارش، ۳۰% برای تحلیل) و timeline دقیق. اگر GitHub یا نمونه کار مشابه دارید، لینک کنید – اولویت با کسانی که پروژه‌های تحقیقاتی واقعی انجام دادن.

این پروژه واقعی و بخشی از تحقیقات PhD منه، پس کیفیت و originality مهمه (no plagiarism). منتظر پیشنهادهای حرفه‌ای و خلاقانه هستم تا بتونیم همکاری بلندمدت داشته باشیم!

فایل مقاله برسی شود:

https://www.scitepress.org/Papers/2025/131889/131889.pdf

مهارت ها و تخصص های مورد نیاز

---

---