Explorar las categorías
Explora
Fiverr Pro
Español
$
USD
Diseñaré modelos de procesamiento de señal y aprendizaje profundo en python
Ingeniero en hardware embebido, controles de vuelo y ML
Conecto la brecha entre firmware de metal desnudo y diseño compacto de hardware. Me especializo en desarrollar PCBs personalizadas de múltiples capas (ESP32, LoRa, celular, GPS) y escribir código C al...
Acerca de este Servicio
Transforma datos de señal en información útil para la toma de decisiones.
Construyo pipelines personalizados de procesamiento de señal y modelos de aprendizaje profundo para datos de sensores 1D/2D, audio y visuales.
Capacidades principales:
Preprocesamiento de señal: Extracción de características mediante PyWavelets (Transformadas wavelet continuas) y OpenCV.
Aprendizaje profundo: Redes neuronales convolucionales (CNN) personalizadas construidas y entrenadas en TensorFlow y Keras.
Algoritmos en Python puro: Lógica de matrices y implementación de algoritmos sin librerías pesadas de ML para hardware limitado.
Entregables:
Código fuente en Python documentado.
Matrices de características preprocesadas.
Redes neuronales entrenadas con métricas de evaluación completas.
Por favor, envíame un mensaje antes de ordenar para revisar la estructura de tu dataset y los requisitos de arquitectura.
Lenguaje de programación:
Python
Marcos:
Scikit-learn
•
DeepPy
•
keras
•
PyTorch
•
Panda
API:
Microsoft Computer Vision AI
Herramientas:
opencv
•
OpenNN
•
TensorFlow
•
SimpleCV
Mi porfolio
FAQ
Traducción automática
¿Con qué tipos de datos de señal en bruto puedes trabajar?
Trabajo con señales 1D y 2D, incluyendo datos de sensores en serie temporal en bruto, grabaciones de audio (.wav), matrices de imágenes láser y conjuntos de datos en formato CSV, JSON o arrays de NumPy (.npy).
¿Puedes implementar algoritmos en Python puro sin librerías pesadas de ML?
Sí. Si tu proyecto tiene limitaciones de hardware o requiere un diseño algorítmico personalizado, puedo construir modelos, rutinas de descenso de gradiente y transformaciones de matrices usando Python puro y NumPy.
¿Qué técnicas de preprocesamiento de señal aplicas?
Utilizo Transformadas wavelet continuas (CWT vía PyWavelets), Transformadas de Fourier (FFT/espectrogramas), filtrado de ruido y extracción de características con OpenCV para preparar las señales en bruto para el aprendizaje profundo.
¿Qué archivos recibiré al finalizar?
Recibirás código fuente en Python completamente documentado, matrices de características preprocesadas, archivos del modelo de red neuronal entrenada (.keras / .h5) y gráficos completos de evaluación de rendimiento (curvas de pérdida, precisión, matriz de confusión).
