Prije podešavanja AI modela, pregledajte podatke
Promjene modela se lako vide. U praksi stvarnu granicu često postavljaju nedosljedne oznake, slabo porijeklo podataka i nejasne domenske definicije.
Pročitajte bilješkuRAD I UVIDI
Rad, način razmišljanja i dokazi.
Klijentski projekti, samostalni rad i istraživačke bilješke — svaki s problemom, pristupom, potvrđenim rezultatima i jasnim ograničenjima.
Izdvajanje dobi iz Instagram biografije je problem konteksta
Stvarni klijentski projekat počeo je naizgled jednostavnim zahtjevom: prepoznati „25 yo“ ili godinu rođenja, a „married in 2018“ ne proglasiti dobi.
Pročitajte bilješku
Šta me rad na medicinskom AI-u naučio o domenskom znanju
Istraživačka saradnja s ljekarima bavila se deep learningom u histopatologiji karcinoma dojke. Ključna lekcija bila je koliko model zavisi od kliničkih definicija, porijekla podataka i poštene evaluacije.
Pročitajte bilješku
Šta me master rad o UAV podacima naučio o kvalitetu podataka
Moj master rad iz 2021. spojio je 2D i 3D segmentaciju, poređenje scena, geokodiranje i point cloud modele. Najtrajnija lekcija je da kvalitet modela zavisi od pretpostavki skrivenih u podacima.
Pročitajte bilješku
Automatizacija Excel fajla koji se vraćao svakog mjeseca
Klijent je imao Excel fajl koji se ažurirao svakog mjeseca i morao je odgovarati zadanom ciljnom formatu. Najvažniji dio bio je pretvoriti taj vizuelni cilj u ponovljiva pravila.
Pročitajte bilješkuPlatforma za učenje anomaly detectiona: prvo definiši slučaj upotrebe
Klijentu je trebao jasan Google Colab demo nekoliko anomaly-detection algoritama. Teži dio nije bio pozvati fit(), nego učiniti podatke i rezultat razumljivim.
Pročitajte bilješku
Filtriranje velikih datasetova pomoću Pythona
Javni projekat nastao iz praktičnog pitanja: kako filtrirati CSV koji je prevelik za običnu tabelu, a da pravila ne budu skrivena od osobe koja ga koristi?
Pročitajte bilješkuRaniji tehnički tekstovi dostupni su i na Mehmedovom Medium profilu.