این پروژه‌ها بر تحلیل داده‌های پیچیده بازار، پیاده سازی استراتژی‌ها ، به ویژه معاملات آپشن (Options Trading)، پیاده سازی مدلهای تصمیم گیری تمرکز دارد و هدف آن، ساخت یک دستیار تحلیلی هوشمند و سودآور است.

فاز اولیه (MVP) پروژه با هدف تحویل در حدود شش ماه برنامه‌ریزی شده است.

چشم انداز ما : ساخت یک دستیار تحلیلگر هوشمند که با ترکیب مدل‌های کوانتیتیتیو، یادگیری ماشین و تحلیل داده‌های آن‌چین، توصیه‌های معاملاتی دقیقی را برای مدیریت بهینه سرمایه ارائه می‌دهد.

لطفا صرفا تیم هایی پیشنهاد دهند که مهارتهای زیر را دارا می باشند:

1. تخصص مالی و استراتژیک (الزامی):

تسلط کامل و تجربه عملیاتی گسترده در معاملات آپشن (اختیار معامله) و درک عمیق مدل‌های قیمت‌گذاری آن. دانش عمیق از بازارهای کریپتو و مدل‌سازی کوانتیتیتیو (Quantitative Modeling). تجربه در طراحی، تست و ارزیابی استراتژی‌های معاملاتی و تحلیل شاخص‌های ریسک (Sharpe Ratio, Max Drawdown).

۲. مهارت‌های فنی و مهندسی نرم‌افزار: تسلط کامل بر پایتون (Python) و فریم‌ورک‌های وب مانند FastAPI. تجربه عمیق در طراحی معماری نرم‌افزار، APIهای (REST/WebSocket) و کار با پایگاه‌های داده (PostgreSQL/TimescaleDB). تجربه عملی در علم داده و ML با کتابخانه‌هایی مانند Pandas, NumPy, scikit-learn و Hugging Face (برای NLP). توانایی پیاده‌سازی فریم‌ورک‌های بک‌تست (Backtest) قوی و دقیق.

شرح کلی پروژه: ما یک پرینتر سه‌بعدی بتن کاملاً عملیاتی داریم که در حال حاضر توسط اپراتور کنترل می‌شود. هدف این پروژه طراحی و پیاده‌سازی یک سیستم نظارت و کنترل خودکار مبتنی بر پردازش تصویر است تا بتواند فرآیند چاپ را در زمان واقعی بررسی و اصلاح کند. این سیستم باید به گونه‌ای کار کند که اپراتور دیگر نیاز به مداخله مستمر در کنترل چاپ نداشته باشد.

هدف اصلی سیستم: طراحی یک ماژول هوشمند که با استفاده از چند دوربین و الگوریتم‌های بینایی ماشین، پارامترهای چاپ را در حین اجرا رصد کرده، تحلیل کند و به صورت خودکار آن‌ها را تنظیم نماید. سیستم تصویربرداری چنددوربینه

نصب 3 تا 4 دوربین روی گنتری/کنار نازل

جمع‌آوری فریم‌ها در زمان واقعی

کالیبراسیون دقیق برای تشخیص شکل و کیفیت مسیر چاپ

پردازش تصویر و استخراج اطلاعات

تشخیص عرض لایه چاپ‌شده

محاسبه ارتفاع لایه و انحراف احتمالی

تشخیص انسداد نازل یا ناهماهنگی در خروجی

تشخیص سرعت و یکنواختی جریان متریال

مدل تصمیم‌گیری و کنترل خودکار سیستم باید بتواند بر اساس داده‌های تصویری:

سرعت پرینتر را کاهش/افزایش دهد

عرض مسیر چاپ را اصلاح کند یا هشدار دهد

سرعت و دبی پمپ متریال را تنظیم کند

در شرایط بحرانی چاپ را متوقف یا Pause کند

ارتباط با کنترلر پرینتر

ارسال فرمان تنظیمات در لحظه

API یا رابط نرم‌افزاری برای تبادل داده بین ماژول بینایی ماشین و کنترلر دستگاه

ثبت لاگ کامل از تمام تغییرات

داشبورد نظارت و گزارش‌دهی (اختیاری)

نمایش تصویر زنده

نمایش پارامترهای لحظه‌ای چاپ

ثبت تاریخچه‌ی چاپ‌ها و اصلاحات انجام‌شده

ممنون میشم دوستانی که در این حوزه فعالیت داشتن برای همکاری پیام بدن.

با سلام حتما نمونه کار هوش مصنوعی بینایی ماشین داشته باشید حتما تمامی مراحل باید توضیح و آموزش کامل داده شود به ما )از طریق همین صفحه کار) API نمیخواییم،تحلیل تحت وب(روی سرور اصلی) نمیخواییم

مدت زمان پروژه تحویل پروتوتایپ 7 روز: 2.000.000 تحویل کار یکماه 5.000.000 پشتیبانی 1 ماه بعد تحویل 3.000.000

نزدیک به 150 ویدئو از مسواک زدن موجود هست.که سورت نشده اصلا

باید خروجی قابل استفاده در سمت کلاینت موبایل(اندروید) تحویل بدهید. برنامه به عنوان افزونه به یک اپلیکیشن دیگر متصل میشود که کار شناسایی مسواک زدن رو خودکار میکنه و دیگه نیاز به تایید دستی نیست.

عنوان پروژه: تحلیل تصاویر با استفاده از شبکه عصبی و خودرمزگذار در پایتون

توضیحات پروژه:

در این پروژه، هدف ما تحلیل و پردازش تصاویر مختلف با استفاده از شبکه‌های خودرمزگذار (Autoencoder) در زبان برنامه‌نویسی پایتون است. این فرآیند شامل مراحل زیر می‌باشد:

1. پیش‌پردازش داده‌ها: در این مرحله، تصاویر ورودی به منظور بهینه‌سازی و آماده‌سازی برای مدل، پردازش خواهند شد. این شامل تغییر اندازه، نرمال‌سازی و سایر تکنیک‌های لازم است.

2. آموزش مدل: در این گام، ما از تصاویر پردازش شده برای آموزش یک مدل خودرمزگذار استفاده خواهیم کرد که به ما امکان استخراج ویژگی‌های مهم تصاویر را می‌دهد.

3. تولید تصویر نهایی: پس از آموزش موفق مدل، از آن برای تولید خروجی به صورت تصاویر جدید استفاده خواهیم کرد که نشان‌دهنده‌ی ویژگی‌های استخراج‌شده از تصاویر ورودی خواهد بود.

نیازمندی‌ها:

• تسلط بر زبان برنامه‌نویسی پایتون
• آشنایی با مفاهیم شبکه‌های عصبی و به ویژه خودرمزگذارها
• تجربه در پیش‌پردازش داده‌های تصویری
• توانایی در توسعه و آموزش مدل‌های یادگیری ماشین

دسته‌بندی پروژه: توسعه‌ نرم‌افزار و آی‌تی

از تمامی علاقه‌مندان و افرادی که در این زمینه تجربه دارند دعوت می‌شود تا برای همکاری در این پروژه اقدام کنند.

پروژه ایجاد سیستم تشخیص پلاک ایرانی با زبان c++ با مشخصات زیر We are looking for an experienced C++ developer with strong expertise in computer vision and video streaming to build a real-time license plate detection and recognition system. The system should be containerized using Docker, consume an RTSP video stream from IP cameras, detect vehicle license plates, and extract plate numbers using OCR.

This solution will be used in a production environment, so it must be efficient, stable, and easy to deploy.

Project Requirements:

Core Features: RTSP Video Stream Input

Configurable via environment variable or config file

Use GStreamer for robust and low-latency video handling

License Plate Detection

Implement or integrate a YOLO-based model (YOLOv5/v8 or YOLOv4-tiny)

Detect license plates in real-time (at least 5 FPS)

Plate Recognition (OCR)

Extract and recognize text from detected plates

Use Tesseract OCR or a deep learning-based CRNN model

Dockerized Deployment

Package the application in a Docker container

Ensure lightweight and clean runtime environment

Output Handling

Print detected plate numbers to console and/or log to file

Optionally, expose results through a simple REST API or send to an external service

Technical Expectations:

Language: C++

Libraries: OpenCV, GStreamer, Tesseract or custom OCR

Optional: CUDA/NVIDIA GPU acceleration support

Well-documented code and Docker setup

Clean, modular, and extensible architecture

Deliverables:

Full source code (C++) with documentation

Dockerfile and build instructions

Sample config.json or .env file for configuration

README with usage instructions

(Optional) Demo video or screenshots

Bonus Skills (Nice to Have):

Experience with TensorRT or YOLOv8 ONNX models

Experience with edge devices (e.g., NVIDIA Jetson)

Prior work in ALPR (Automatic License Plate Recognition) projects

To Apply, Please Include:

A brief proposal explaining your approach

Relevant experience or sample projects

Time estimate and cost

Any suggestions to improve the system

پیش بینی روند آتی سهام با استفاده از تحلیل احساسات (اخبار و گزارشات مالی) و تحلیل داده های سری زمانی (قیمت سهام)

پروژه درخواستی یک مدل ترکیبی خواهد بود که در مدل یا بخش اول داده های متنی متشکل از اخبار و گزارشات مالی سهام (داخلی/خارجی) توسط یک مدل یادگیری BERT تحلیل خواهند شد. در مدل یا بخش دوم موازی و همزمان با مدل اول، داده های سری زمانی (قیمت سهام) در بازه تعیین شده توسط یک مدل یادگیری LSTM تحلیل خواهند شد. در مدل یا بخش سوم خروجی دو مدل اول و دوم در قالب یک ساختار فیوژن با هم ترکیب و به عنوان ورودی به یک مدل شبکه عصبی تزریق خواهند شد که در نهایت پیش بینی ما از روند آتی سهام (صعودی/نزولی/خنثی) انجام شود. لازم به ذکر است که تمامی پروژه می بایستی به زبان پایتون نوشته شود.

جزئیات پروژه: ساخت کاراکتر انسانی با هوش مصنوعی برای هر سازنده (Developer)، یک شخصیت اختصاصی انسانی طراحی می‌شود که چهره و صدای آن بر اساس یکی از نمایندگان فروش ما (با استفاده از عکس یا ویدیوهای مرجع) ساخته خواهد شد.

تولید ویدیو بر اساس اطلاعات پروژه با در اختیار قرار دادن اطلاعات کامل پروژه شامل:

بروشورها و کاتالوگ‌ها

یک نمونه ویدیوی مرجع (در صورت وجود)

توضیحات متنی یا صوتی درباره پروژه سیستم باید بتواند یک ویدیوی تبلیغاتی کامل با فرمت مناسب برای استفاده در شبکه‌های اجتماعی تولید کند.

کیفیت خروجی ویدیوهای خروجی باید از نظر بصری جذاب، از نظر گفتار و صدای شخصیت مصنوعی روان و طبیعی، و از نظر فنی مناسب برای انتشار در پلتفرم‌هایی مانند Instagram Reels، YouTube Shorts و TikTok باشند.

مهارت‌های مورد نیاز: آشنایی با ابزارهای تولید ویدیو مبتنی بر هوش مصنوعی (مانند Synthesia، D-ID، HeyGen، Pictory و غیره)

تجربه در ساخت آواتارهای هوشمند و مدل‌سازی چهره بر اساس عکس یا ویدیو

توانایی تدوین و تنظیم صدا و تصویر برای خروجی حرفه‌ای

خلاقیت در ارائه طرح‌های ویدیویی تبلیغاتی در حوزه املاک

نحوه همکاری: این پروژه در فاز اولیه برای چند ویدیوی آزمایشی خواهد بود و در صورت رضایت از خروجی، همکاری به‌صورت بلندمدت ادامه خواهد یافت.

بنده یک ربات با زبان پایتون طراحی کرده‌ام که قابلیت شناسایی ریمیکس‌ها از طریق ویژگی‌های صوتی را دارد. کاربر می‌تواند فایل صوتی، ویس یا حتی بخشی از یک ویدئو را ارسال کند و ربات با استفاده از تکنیک‌های پردازش سیگنال صوتی مانند MFCC، Chroma و Spectral Features، آهنگ مشابه را در پایگاه داده خود جستجو می‌کند.

ربات از یک پایگاه داده SQLite برای ذخیره‌سازی اطلاعات آهنگ‌ها و تاریخچه تطبیق‌ها استفاده می‌کند. همچنین، امکان تأیید یا رد تطبیق‌ها توسط کاربر وجود دارد و نتایج تطبیق‌های تأیید شده برای پاسخ‌های سریع‌تر در آینده ذخیره می‌شوند.

علاوه بر این، ربات بررسی می‌کند که آیا کاربر در کانال‌های خاصی عضو است یا خیر و در صورت عدم عضویت، کاربر را مجبور به عضویت می‌کند. برای مدیریت فایل‌های صوتی و پاسخ‌گویی به کاربران، ربات از کتابخانه‌هایی مانند librosa، pydub و telegram.ext استفاده می‌کند.

مشکل موجود: زمانی که تعداد آهنگ‌ها در دیتابیس حدود 10 تا 15 عدد باشد، دقت ربات حدود 70 درصد است، اما زمانی که دیتابیس به بیش از 5000 آهنگ می‌رسد، دقت آن کاهش زیادی پیدا می‌کند. به طور مثال، با تست روی 150 آهنگ، دقت ربات به حدود 20 تا 30 درصد می‌رسد.

هدف: بنده قصد دارم کد ربات را به نحوی بازطراحی کنم که دقت تشخیص نسخه‌های دمو ریمیکس‌ها به بیش از 90 درصد برسد. همچنین باید توجه داشته باشید که ربات مخصوص تشخیص موزیک‌های ریمیکس شده در سبک رپ است و به دلیل محدودیت‌ها، امکان استفاده از API وجود ندارد. بنابراین، مدل باید از فایل‌های محلی تمرین داده شود.

این پروژه دارای فورس زمانی ویژه است، خواهشمند است اگر امروز می توانید روی آن کار کنید درخواست ارسال کنید.

در یک پروژه ساده خواسته می شود که با زبان پایتون یک برنامه در حوزه ماشین لرنینگ نوشته شود که مشخصات ابتدایی در حوزه پردازش داده های صوتی داشته باشد. توضیحات کامل ارائه می شود.