LearningProjects

Учебные и исследовательские проекты на Python в области машинного обучения, нейросетевых технологий, анализа данных и хемоинформатики.

Репозиторий собран как портфолио учебных работ: в проектах используются классические ML-алгоритмы, нейронные сети, генеративные модели, NLP-подходы, анализ табличных данных и работа с химическими представлениями молекул.

Стек

• Языки и среда: Python, Jupyter Notebook, Google Colab
• Библиотеки: NumPy, pandas, scikit-learn, PyTorch, RDKit, matplotlib, seaborn
• ML / Data Science: регрессия, классификация, кластеризация, PCA, подбор гиперпараметров, оценка качества моделей
• Deep Learning: полносвязные нейросети, CNN, GAN, conditional GAN
• NLP: multi-label classification, fine-tuning, zero-shot classification, Hugging Face Transformers
• Хемоинформатика: SMILES, дескрипторы RDKit, Morgan fingerprints, QSAR / QSPR

Проекты

Файл	Тема	Что сделано
NN_linear_regression.py	Нейросеть для регрессии	Построение и обучение простой нейросетевой модели для задачи регрессии
NN_predicting_classes.py	Классификация изображений	Обучение нейросети для классификации изображений MNIST
GAN.py	Генеративные модели	Реализация GAN для генерации изображений на датасете FashionMNIST
conditional_gan.py	Conditional GAN	Генерация изображений с учётом меток классов
classification_algorithms.py	Классификация	Сравнение алгоритмов классификации и оценка качества моделей
multi_label_classification.py	NLP / multi-label classification	Предсказание тематических тегов статей, сравнение fine-tuning и zero-shot подходов
Clustering.py	Кластеризация	Кластеризация исполнителей по жанрам на основе данных о прослушиваниях
project_qsar.py	Хемоинформатика / QSAR	Предсказание свойств химических соединений по молекулярным представлениям
task_with_audio_data.py	Анализ аудио-данных	Работа с аудио-данными и применение ML/NN-подходов

Основные проекты

QSAR / QSPR: предсказание свойств химических соединений

Файл: project_qsar.py

Учебно-исследовательский проект по хемоинформатике. Цель — сравнить разные способы представления молекул и обучить модели для предсказания свойств химических соединений.

Что было сделано:

• загрузка и обработка данных QM9;
• работа со SMILES и SDF-структурами;
• генерация Morgan fingerprints;
• расчёт молекулярных дескрипторов RDKit;
• обучение моделей Ridge и Random Forest;
• подбор гиперпараметров через GridSearchCV / HalvingGridSearchCV;
• сравнение моделей с PCA и без PCA;
• оценка качества по MSE и R²;
• формулирование выводов по результатам экспериментов.

Используемый стек: Python, pandas, NumPy, RDKit, scikit-learn, PCA, Ridge, Random Forest.

Multi-label classification текстов

Файл: multi_label_classification.py

Проект по предсказанию тематических тегов статей Medium. Задача относится к multi-label классификации: одному тексту может соответствовать несколько тегов.

Что было сделано:

• подготовка данных для multi-label классификации;
• отбор и обработка тематических меток;
• выбор модели из открытых источников;
• fine-tuning модели для классификации текстов;
• применение zero-shot классификации;
• сравнение fine-tuned и zero-shot подходов;
• оценка качества модели подходящими метриками.

Используемый стек: Python, pandas, Hugging Face Transformers, NLP, zero-shot classification, fine-tuning.

Нейросетевые модели

Файлы: NN_linear_regression.py, NN_predicting_classes.py

Учебные проекты по построению и обучению нейросетей для задач регрессии и классификации.

Что было сделано:

• построение нейросетевых моделей;
• обучение моделей на подготовленных данных;
• настройка параметров обучения;
• оценка качества модели;
• анализ результатов и ошибок.

Используемый стек: Python, PyTorch, нейронные сети, регрессия, классификация.

GAN и conditional GAN

Файлы: GAN.py, conditional_gan.py

Учебные проекты по генеративным моделям.

Что было сделано:

• реализация генеративно-состязательной сети;
• обучение генератора и дискриминатора;
• генерация изображений;
• реализация conditional GAN для генерации изображений с учётом класса;
• анализ результатов генерации.

Используемый стек: Python, PyTorch, GAN, conditional GAN, FashionMNIST.