Wybrane projekty
Produkt w budowie i cztery techniczne case studies — każde oddziela pytanie, metodę, raportowany wynik i to, czego dowód nie potrafi wykazać.
Moja soczewka ewaluacyjna
Tych samych pięciu pytań używam, żeby połączyć jakość techniczną z tym, co człowiek może bezpiecznie zdecydować.
Werdykt: prototyp badawczy, nie produkt kliniczny.
Zobacz metodę i kod ↓
Evidence-first B2B SaaS projektowany, aby pomagać brytyjskim wykonawcom fire-safety znajdować właściwe zamówienia publiczne i prawdopodobne okna odnowień kontraktów.
Prognoza odnowienia nie jest przedstawiana jako opublikowany przetarg. Dowody pozostają przypięte do sygnału.
Profile, deterministyczny matching i analiza odnowień koncentrują produkt na brytyjskich zamówieniach fire-safety.
Zweryfikowano lokalny build i ścieżkę przeglądarkową; nie deklaruję jeszcze hosted CI, odbioru docelowego VPS ani gotowości produkcyjnej.
01 · RAG i ewaluacja
Badawczy prototyp wyszukiwania i odpowiedzi, w którym każda odpowiedź ma pozostać związana z dowodem oraz konkretnym pacjentem w syntetycznym zbiorze.
Zbudować sprawdzalny przepływ RAG dla fragmentów dokumentacji w stylu NHS bez używania prawdziwych danych pacjentów.
Wyszukiwanie TF-IDF, qrels, odpowiedzi świadome cytowań, bezpieczne reakcje przy braku wsparcia w danych, testy pytest i dokumentacja założeń.
Raportowane wyniki retrievalu: Precision@3 0,583, Recall@3 1,000 i MRR 1,000 w zdefiniowanej ewaluacji projektu.
Zbiór jest syntetyczny, a system jest prototypem akademickim — nie produktem klinicznym ani narzędziem medycznym.
02 · Computer vision
Implementacja perceptronu i sieci feed-forward w NumPy, skupiona na jakości etykiet, analizie błędów i porównaniu modeli.
Zrozumieć mechanikę uczenia sieci, implementując kluczowe elementy bez gotowej warstwy wysokiego poziomu.
Backpropagation, regularyzacja, early stopping, porównanie modeli liniowych i nieliniowych oraz kontrola niespójności etykiet.
Wyrównana dokładność wieloklasowa 0,8862 po udokumentowanej korekcie mapowania etykiet.
Wynik dotyczy benchmarku Sign Language MNIST; nie opisuje jakości systemu rozpoznającego rzeczywisty język migowy z kamery.
03 · Machine learning
Reprodukowalny pipeline regresji i klasyfikacji z baseline’ami, inżynierią cech, walidacją i automatycznymi testami.
Oddzielić sygnał predykcyjny od atrakcyjnie brzmiącej, lecz słabo uogólniającej historii o danych muzycznych.
CatBoost dla regresji, Linear SVC dla klasyfikacji, porównanie modeli, figury diagnostyczne i testy jakości danych.
Raportowany benchmark RMSE 6,52657 oraz dokładność klasyfikacji 0,57142.
Wyniki są zależne od zbioru, podziału i skali celu. Projekt dokumentuje ryzyko przeuczenia i nie jest produkcyjnym systemem rekomendacji.
04 · Optymalizacja
Chronologiczna ewaluacja 15-parametrowej strategii z kosztami transakcyjnymi i kilkoma punktami odniesienia.
Ograniczyć ryzyko dopasowania strategii do historii i sprawdzić ją na danych poza próbą.
Podział train/test zgodny z czasem, random search, reguła stała i buy-and-hold jako baseline’y oraz jawne koszty transakcyjne.
Raportowany zwrot out-of-sample 7,50% przy maksymalnym obsunięciu 9,99%.
Projekt badawczy, nie porada inwestycyjna. Wynik historyczny nie przewiduje przyszłego zwrotu i wymaga interpretacji razem z okresem oraz benchmarkiem.