وبلاگ

2026-09-01 تحلیل و پیش‌بینی داده

داشبورد مدیریتی که واقعاً استفاده می‌شود: چه شاخص‌هایی را نشان دهیم

بیشتر داشبوردهای مدیریتی پس از چند هفته رها می‌شوند. انتخاب درست شاخص‌ها و تفکیک تصمیم از داده، تنها راه ساخت داشبوردی است که روزانه بررسی شود.

2026-08-30 تحلیل و پیش‌بینی داده

چرا دقت بالا در مدل‌های هوش مصنوعی پزشکی گمراه‌کننده است؟ بررسی یک نمونه داده واقعی

بررسی خطای معیار Accuracy در سیستم‌های غربالگری پزشکی با داده‌های نامتوازن و معرفی جایگزین‌های عملیاتی مانند Focal Loss و تحلیل آستانه تصمیم‌گیری.

2026-08-30 تحلیل و پیش‌بینی داده

مخزن FarrokhML؛ نمونه‌کارهای کاربردی یادگیری ماشین با تمرکز بر مسائل واقعی کسب‌وکار

مجموعه پورتفولیوی FarrokhML رویکردی عملیاتی به یادگیری ماشین دارد و بر تصمیم‌گیری مالی، ارزیابی دقیق مدل‌ها و حل مسائل واقعی صنعت تمرکز می‌کند.

2026-08-26 تحلیل و پیش‌بینی داده

سیستم تشخیص هوشمند عیوب صنعتی با بینایی ماشین کلاسیک

پروژه کنترل کیفیت بصری سطوح فلزی با استخراج ویژگی‌های HOG و LBP و الگوریتم‌های یادگیری ماشین روی پردازنده‌های عادی.

2026-08-25 تحلیل و پیش‌بینی داده

پروژه Decision Layer؛ ارزیابی واقعی مدل‌های پیش‌بینی در مدیریت زنجیره تامین

پروژه Decision Layer یک سیستم هوش عملیاتی است که بر اساس ۱۰۰ هزار سفارش واقعی، کارایی مدل‌های یادگیری عمیق و آماری را در کاهش هزینه‌های موجودی مقایسه می‌کند.

2026-08-25 تحلیل و پیش‌بینی داده

پایش هوشمند تجهیزات ایمنی فردی با پردازش تصویر کلاسیک

پروژه helmet-safety-gear-detection ابزاری سبک و سریع برای ارزیابی رعایت الزامات ایمنی در محیط‌های صنعتی بر پایه پردازش تصویر کلاسیک و فضای رنگی HSV است.

2026-08-24 تحلیل و پیش‌بینی داده

پورتفولیوی کاربردی FarrokhML: ارزیابی واقعی و متدولوژی دقیق در پروژه‌های یادگیری ماشین

مجموعه پروژه‌های کاربردی یادگیری ماشین فرخ احمدی با تمرکز بر ارزیابی دقیق، جلوگیری از نشت داده و حل مسائل واقعی صنعت و مالی.

2026-08-22 تحلیل و پیش‌بینی داده

ارزیابی اثرات تقویمی و کشف ناهنجاری در داده‌های مالی با ابزارهای کمی

پروژه FarrokhML چارچوبی کاربردی برای سنجش الگوهای فصلی تقویمی و شناسایی شوک‌های قیمتی با ترکیب Z-Score و Isolation Forest در داده‌های مالی ارائه می‌دهد.

2026-08-22 تحلیل و پیش‌بینی داده

ارزیابی ریسک اعتباری با XGBoost و SHAP: هوش مصنوعی قابل‌تفسیر در خدمت صنعت مالی

بررسی پروژه credit-scoring-explainable-ai؛ مدل‌سازی واقع‌گرایانه ریسک نکول وام‌گیرندگان با الگوریتم XGBoost و تحلیل شفاف دلایل تصمیم‌گیری به کمک SHAP.

2026-08-22 تحلیل و پیش‌بینی داده

معماری واقعی تشخیص تقلب آنلاین: ارزیابی زمانی و تاخیر میلی‌ثانیه‌ای در مدل XGBoost

پروژه Real-Time Fraud Detection با تمرکز بر ارزیابی زمانی داده‌ها، تحلیل نقاط عملیاتی کسب‌وکار و بنچمارک تاخیر ۲.۲۵ میلی‌ثانیه‌ای، متدولوژی استقرار مدل‌های مالی را بررسی می‌کند.