پارس‌کدرز چگونه کار می‌کند؟

از پارس‌کدرز بیشترین بهره را ببرید و رویای کاری خود را زندگی کنید.

پارس‌کدرز خریداران یا کارفرمایان را به مجری‌ها /فریلنسرهای خبره‌ای متصل می‌کند که برای انجام پروژه آماده هستند.

تحلیل ML روی داده‌های سری زمانی gait (Python)

یک روز پیش منتشر شده

تعداد بازدید: 109

کد پروژه: 623100


شرح پروژه

به یک متخصص Python با تجربه Machine Learning برای همکاری در یک پروژه پژوهشی در حوزه gait analysis نیاز داریم.

داده‌ها از قبل بررسی شده‌اند و ساختار آن‌ها تأیید شده است (شامل position، orientation، شتاب خام، و foot contact در فایل‌های خام). حجم داده متوسط است (n=65 برای تحلیل اصلی). کار شامل کل چرخه تحلیل است: از Feature Extraction تا ML Pipeline، XAI، و تحلیل آماری.

توجه مهم: با توجه به حجم متوسط نمونه، استفاده از مدل‌های کم‌پارامتر و feature selection دقیق ضروری است. مدل‌های پیچیده با تعداد زیاد ویژگی، به‌دلیل خطر overfitting، قابل قبول نیستند.

جزئیات داده و روش، پس از انتخاب و توافق اولیه در اختیار شما قرار می‌گیرد.

---

محدوده کار

فریلنسر باید یک pipeline کامل Python توسعه دهد که شامل موارد زیر باشد:

۱. Feature Extraction

· Segmentation چرخه راه‌رفتن با استفاده از foot contact (یا روش جایگزین در صورت نبود)
· شناسایی و حذف turn point (چون trialها رفت و برگشت هستند)
· استخراج ویژگی از سیگنال خام IMU (time-domain و frequency-domain)
· استخراج ویژگی از کینماتیک مفاصل (دامنه حرکتی، فازهای چرخه، ویژگی‌های موجی)
· تجمیع در سطح شرکت‌کننده (نه stride)

نکته روش‌شناختی: تعداد strideها نباید به‌عنوان نمونه مستقل آماری در نظر گرفته شود. تجمیع در سطح فرد الزامی است.

۲. ML Pipeline

· Feature selection داخل fold (نه قبل از split) — با توجه به n=65، فقط ۱۰–۱۵ ویژگی منتخب
· مدل‌های کم‌پارامتر (Logistic Regression با regularization، Random Forest با max_depth محدود، LDA) — نه deep learning
· cross-validation در سطح شرکت‌کننده (subject-level)، ترجیحاً Repeated GroupKFold
· مقایسه پیکربندی‌های ورودی مختلف (ترکیب‌های مختلف ویژگی‌ها + سرعت)
· ارزیابی discrimination (AUROC) و calibration (Brier score, calibration slope)
· گزارش عملکرد به تفکیک شرایط مختلف

۳. تحلیل تفسیرپذیری (XAI)

· SHAP برای همه پیکربندی‌ها
· بررسی پایداری تبیین بین شرایط مختلف (Spearman rank correlation)
· Ablation study (حذف خانواده‌های ویژگی برای بررسی ارزش افزوده)

۴. تحلیل آماری

· مدل‌های mixed-effects برای تعدیل متغیرهای مخدوش‌کننده (age, sex, BMI)
· Bootstrap در سطح شرکت‌کننده برای محاسبه CI (نه bootstrap روی strideها)
· کنترل خطای آماری (BH-FDR)
· تحلیل حساسیت (matched subsamples: sex-matched, age-matched, BMI-matched)
· گزارش effect size + 95% CI به‌همراه p-value

---

خروجی مورد انتظار

· کد کامل Python در GitHub repository تحت مالکیت کارفرما (شامل commit history، requirements.txt، README، و مستندات)
· features.csv با ویژگی‌های استخراج‌شده
· نتایج ML در CSV (AUROC، calibration، performance gap)
· شکل‌های آماده (ROC curves، calibration plots، SHAP summary)
· گزارش فنی دقیق شامل روش شفاف هر مرحله (چه کردید، چرا، با چه پارامترهایی)
· مستندات کافی برای اجرای مجدد کد

نکته مهم: گزارش باید به‌قدری دقیق باشد که بتوان از آن در یک مقاله علمی دفاع کرد. برای هر مرحله، روش، پارامترها، و منطق انتخاب باید مستند شود.

---

الزامات

ضروری:

· Python (pandas, numpy, scipy, scikit-learn, statsmodels)
· تجربه با داده‌های سری زمانی
· تجربه با cross-validation در سطح نمونه (subject-level)
· تجربه با Git و GitHub
· کد قابل تکرار (reproducible)
· تجربه با ML pipeline کامل (نه فقط preprocessing)
· توانایی نوشتن گزارش فنی دقیق با روش شفاف
· آگاهی از محدودیت‌های n کوچک و overfitting

مطلوب (امتیاز مثبت):

· تجربه با داده‌های IMU یا بیومکانیک
· آشنایی با SHAP یا XAI
· آشنایی با mixed-effects models
· آشنایی با فرمت Xsens MVN

---

معیارهای انتخاب (فیلتر اولیه)

فقط متقاضیانی بررسی می‌شوند که:

1. نمونه‌کار ML روی time-series ارائه دهند (لینک GitHub یا مقاله)
2. در پیشنهاد خود، رویکردشان را برای Feature Extraction توضیح دهند (حداقل ۳–۴ خط)
3. توانایی خود را برای ML Pipeline نشان دهند — مثلاً اشاره به پروژه ML قبلی، یا توضیح رویکرد برای cross-validation و XAI

متقاضیانی که صرفاً پیشنهاد قیمت می‌دهند (بدون توضیح رویکرد فنی)، بررسی نمی‌شوند.

---

لطفاً در پیشنهاد خود بنویسید:

  1. نمونه‌کار ML مرتبط: لینک GitHub یا توضیح پروژه‌های مشابه (time-series، ML pipeline، signal processing)
    2. تجربه: کوتاه درباره تجربه‌تان با ML و cross-validation در سطح نمونه
    3. رویکرد پیشنهادی: به‌طور خلاصه (۳–۴ خط) بگویید برای Feature Extraction و ML Pipeline چه می‌کنید
    4. زمان‌بندی پیشنهادی: کل پروژه چقدر طول می‌کشد
    5. قیمت پیشنهادی
  2. پیشنهاد هم نویسنده بودن در مقاله در ازای هزینه کمتر پذیرفته می شود.

مهارت ها و تخصص های مورد نیاز


بودجه

25,000 تومان تا 500,000 تومان

مهلت برای انجام

6روز

وضعیت مناقصه

باز (آماده دریافت پیشنهاد)


درباره کارفرما

عضویت یک روز پیش

1 پروژه ثبت شده ،
0 پروژه در حال انجام ،
1 پروژه آماده دریافت پیشنهاد ،
نرخ پذیرش پیشنهاد 0%

برای پیدا کردن پروژه‌های مشابه ثبت نام کنید و پروفایل خود را بسازید.

ورود با گوگل
یا
نام نباید خالی باشد.
نام خانوادگی نباید خالی باشد.

نیاز به استخدام فریلنسر یا سفارش پروژه مشابه دارید؟

سفارش پروژه مشابه

نیاز به استخدام فریلنسر یا سفارش پروژه مشابه دارید؟

سفارش پروژه مشابه

قادر به انجام این پروژه هستید؟

ارسال پیشنهاد قیمت

تا کنون 23 پیشنهاد قیمت از سمت فریلنسرها برای این پروژه ارسال شده

سری به پروژه‌های مشابه بزنید

روش کار در پارس‌کدرز

به رایگان یک حساب کاربری بسازید

مهارت‌ها و تخصص‌های خود را ثبت کنید، رزومه و نمونه‌کارهای خود را نشان دهید و سوابق کاری خود را شرح دهید.

به شیوه‌ای که دوست دارید کار کنید

برای پروژه‌های دلخواه در زمان دلخواه پیشنهاد قیمت خود را ثبت کنید و به فرصت‌های شغلی منحصر به فرد دسترسی پیدا کنید.

با اطمینان دستمزد دریافت کنید

از زمان شروع کار تا انتهای کار به امنیت مالی شما کمک خواهیم کرد. وجه پروژه را از ابتدای کار به امانت در سایت نگه خواهیم داشت تا تضمین شودکه بعد از تحویل کار دستمزد شما پرداخت خواهد شد.

می‌خواهید شروع به کار کنید؟

یک حساب کاربری بسازید


بهترین مشاغل فریلنسری را پیدا کنید
رشد شغلی شما به راحتی ایجاد یک حساب کاربری رایگان و یافتن کار (پروژه) متناسب با مهارت‌های شما است.

پیدا کردن کار (پروژه)

تماشای دمو روش کار