Выполнить базовое задание на кластеризацию, а также одно из двух заданий по выбору: прототип голосового помощника или модель компьютерного зрения (либо оба).
Нейрокомпьютерные интерфейсы — системы анализа электроэнцефалограммы (ЭЭГ) в реальном времени, позволяющих управлять компьютером или роботизированными системами без помощи мышц. Это один из самых передовых методов взаимодействия человека и техники.
Одним из ключевых подходов является анализ ритмической активности мозга. Например, известно, что альфа-ритм усиливается в состоянии расслабления и ослабевает при напряжении. Это свойство можно использовать для управления устройствами: при регистрации увеличения мощности сигнала в диапазоне около 10 Гц можно, например, активировать определенную команду. Коммерческие устройства используют этот принцип, но страдают от шумов и артефактов, что снижает точность. Другой метод — интерфейсы, основанные на представлении движений, которые находят применение в реабилитации.
Применение данных интерфейсов и возможностей машинного обучения позволяют создавать инновационные способы взаимодействия человека с техникой, в особенности доступности управления для людей с ограниченными возможностями.
Вам требуется проанализировать данные ЭЭГ, провести их кластеризацию и сделать выводы.
В рамках данного задания необходимо:
- Провести кластерный анализ данных ЭЭГ;
- Подготовить данные (очистка, нормализация, выделение ключевых признаков);
- Применить методы кластеризации;
- Визуализировать результаты и провести интерпретацию кластеров;
- Привести выводы по результатам кластеризации.
Ограничения: использование только базовых пакетов Python, Sklearn, Pandas и библиотек для визуализации данных
Результат должен представлять из себя Jupyter Notebook (.ipynb) с кодом выполнения, визуализацией и выводами о проделанной работе.
- Используемые метрики
silhouette_score и davies_bouldin_score из Sklearn. Семантический смысл исходных данных
- Работа с данными и полученные выводы
Отдельно будет оцениваться работа с данными: анализ, предобработка и т.д, а также сделанные выводы по результатам кластеризации.
- Качество кода
Читаемость кода, эффективность, логичность.
В представленом датасете находятся данные записи показаний нейросетевого интерфейса одного субъекта, который играл в разножанровые игры. Общая продолжительность записи 15 минут. Датасет
Голосовые ассистенты становятся неотъемлемой частью современных технологий, позволяя пользователям взаимодействовать с устройствами с помощью естественного языка. В рамках этого задания необходимо разработать прототип ассистента «Вика», главной задачей которого является активация из спящего режима по имени, аналогично тому, как это реализовано в «Алисе» или «Siri».
Дополнительный функционал может быть реализован на усмотрение разработчика, без ограничений по используемым технологиям.
В рамках задания необходимо:
- Реализовать механизм активации ассистента по ключевому слову «Вика»;
- Обеспечить корректное функционирование в фоновом режиме;
- Реализовать дополнительный функционал (по выбору разработчика).
Необходимо представить:
- Исходный код для самой системы, чтобы можно было оценить код;
- Код обучения модели/моделей;
- Скринкаст использования системы Запуск системы не должен быть сложным. Необходимо предоставить пошаговую инструкцию для запуска, например, "установить зависимости Python из файла requirements.txt и запустить файл main.py".
Ограничений по используемым технологиям нет, допускается использование любых инструментов для реализации задачи (кроме использования API больших моделей, по типу DeepSeek и ChatGPT).
- Качественное распознавания обращения к системе
- Качество кода
Читаемость кода, эффективность, логичность.
- Архитектура системы
Оценка всей архитектуры работы системы
- Оценка дополнительного функционала
Разнообразие и качество реализованного дополнительного функционала системы
Важно!! Главная задача реализовать распознавание обращения к системе
В последние годы технологии дополненной реальности (AR) активно развиваются, предлагая пользователям новый уровень взаимодействия с цифровым миром. Одним из перспективных направлений является применение AR для диагностики и ремонта компьютерного оборудования.
В рамках данного задания необходимо разработать легковесную модель, способную в режиме реального времени детектировать и выделять определённые места на материнской плате и распознавать комплектующие для дальнейшего использования AR-очков совместно со смартфоном под управлением Android.
В рамках задания необходимо:
-
Разработать модель машинного зрения, способную распознавать ключевые элементы материнской платы;
-
Реализовать систему детекции и классификации комплектующих на изображении в режиме реального времени.
Важно! Не требуется реализовывать систему для запуска на смартфоне Обязательно Разработать функционал для тестирования программы в виде консольного приложения, которое принимает на вход путь до видеофайла и выводит его обработанную версию (с выделением требуемых комплектующих и метками классов)
Необходимо представить:
- Исходный код для самой системы, чтобы можно было оценить код;
- Код обучения модели/моделей;
- Веса модели/моделей; Запуск системы не должен быть сложным. Необходимо предоставить пошаговую инструкцию для запуска, например, "установить зависимости Python из файла requirements.txt и запустить файл main.py".
Ограничений по используемым технологиям нет, допускается использование любых инструментов для реализации задачи.
- Точность работы системы
Будет оцениваться качество детекции и классификации модели
- Качество кода
Читаемость кода, эффективность, логичность.
- Архитектура системы
Оценка всей архитектуры работы системы
- Подготовка данных
Сбор, разметка, анализ, чистка, предобработка данных
- Характеристики используемых моделей
Количество гиперпараметров и требуемые системные характеристики для работы системы.
В представленном датасете находятся размеченные фотографии целевой платы и комплектующих. При необходимости можно провести переразметку или перебалансировку train/test. Также приложен видеофайл для проверки эффективности приложения. Датасет