Digitale Gesundheit

Expertise: Digitale Gesundheit

Maschinelles Lernen zur Verbesserung der Genauigkeit einer Periodenvorhersage-App

Wichtige Details Erhöhte Vorhersagegenauigkeit der Periode bis zu 15%. Herausforderung Verbesserung der Genauigkeit der Periodenvorhersage für Anwendungsnutzer Lösung Lineare und baumbasierte Modelle zur besseren Vorhersage des Menstruationszyklus Technologien und Tools Maschinelles Lernen: Regressions- und Gradient-Boosting-Modelle Wissenschaftlich (Predictive Analytics Python-Stack): Python, NumPy, scikit-learn, LightGBM, XGBoost; Web-Anwendung: hug (Web-Framework), Gunicorn (Web-Server) ... Weiterlesen …

Implementierung neuronaler Netze für bessere Zyklusvorhersagen. Erfolgsgeschichte von Flo

Wichtige Details Verbesserte Genauigkeit der Zyklusvorhersage um bis zu 54,2%. Herausforderung Vorhersage unregelmäßiger weiblicher Zyklen Lösung Integration neuronaler Netze zur Vorhersage des Menstruationszyklus Technologien und Werkzeuge Python Client Flo ist ein intelligenter Perioden-Tracker, der die Menstruationszyklen, den Eisprung und die fruchtbaren Tage von Frauen genau vorhersagt. Herausforderung: Verbesserung der Vorhersage von unregelmäßigen Zyklen für die Anwendung ... Weiterlesen ... Weiterlesen …

Schätzung der Körperhaltung für Fitness- und Physiotherapieanwendungen

Wichtige Details Verbesserte Posenschätzung und Fehlererkennung durch 64%. Aufgabe Entwicklung eines hochmodernen Posenschätzungsmodells zur Erkennung einer menschlichen Körperhaltung in einem Echtzeitszenario sowie Durchführung von Fehleranalysen und Zählung von Wiederholungen Lösung Deep Learning für eine genaue menschliche Posenschätzung und datenwissenschaftliche Algorithmen zur Fehlererkennung Technologien und Werkzeuge PyTorch, CoreML, TFLite, OpenCV, ... Weiterlesen ... Weiterlesen …