Add AI projects descs

project-topics/README.md

@@ -84,26 +84,28 @@
 25. Работа с крайни автомати
 26. Работа с размити множества
 
-## AI
+## AI / ML / Data Science
 (пишете ни, ако не намерите подходящ набор от данни (dataset) за вашата идея)
 (също пишете, ако ви е много интересна някоя тема, но нямате идея как да я реализирате)
 
-26. Trading bot
-27. Предсказване на възраст/пол/настроение по снимка
-28. Сегментиране на потребители/клиенти
-29. Откриване на аномалии/измами
-30. Засичане на природни бедствия (наводнения, пожари, нефтени разливи или др.) по сателитни снимки
-31. Класифициране на ревюта (на хотели, книги, филми или др.) или коментари/постове в соц. мрежи
-32. Препоръчваща система (на книги, филми, музика или др.)
-33. Откриване на медицински заболявания (напр. рак, тумори, паркинсон или др.)
-34. Машинен превод
-35. Генериране на текст (например статии, истории и др.) в нечий стил
-36. Fake news detector / fact-checker
-37. E-Mail spam detector
-38. Предвиждане на цена за кола/имот
-39. Чат по собствени файлове или база данни/знания
-40. Правен асистент
-41. Платформа за създаване на и roleplay чат с различни AI "геройчета"
-42. Brainrot video generator (например текст към глас върху видео от игра)
-43. Video/podcast summarizer
-44. AI софтуерен екип - бизнес анализатор, програмист, QA
+27.  Trading backtesting система
+28.  Machine Learning
+    1. Предсказване на възраст/пол/настроение по снимка
+    2. Сегментиране на потребители/клиенти
+    3. Откриване на аномалии/измами
+    4. Засичане на природни бедствия (наводнения, пожари, нефтени разливи или др.) или обекти (облаци, ниви, т.н.) по сателитни снимки
+    5. Класифициране на ревюта (на хотели, книги, филми или др.) или коментари/постове в соц. мрежи
+    6.  Откриване на медицински заболявания (напр. рак, тумори, паркинсон или др.)
+    7.  E-Mail spam detector
+    8.  Генериране на описания на изображения (image captions)
+29. RAG системи
+    1.  Обобщение на новини и статии от интернет по дадена тема
+    2.  Асистент за пазарни анализи и финансови новини
+    3.  Персонализиран гид за пътувания (събира информация за дестинации, атракции, ресторанти)
+    4.  Асистент за сравнение на продукти и цени от различни онлайн магазини
+    5.  Чатбот за техническа поддръжка (Support Chatbot)
+    6.  Персонализиран асистент за учене
+30. AI-базирани приложения / агентизирани системи
+    1.  Brainrot video generator
+    2.  Video/podcast summarizer
+    3.  AI софтуерен екип

project-topics/ai-ml-data_science/27-trading.md

@@ -0,0 +1,27 @@
+# Тема за проект: Trading backtesting система
+
+## Описание
+Създайте система за backtesting стратегии за търговия на активи на финансови пазари.
+
+## Основна функционалност
+- Зареждане на исторически данни от интернет. Избор за един тип данни от следните видове: акции, крипто, форекс, опции.
+- Възможност за дефиниране и изпробване на различни стратегии за търговия, които взимат решения на база на минали данни и технически индикатори (като rolling averages, RSI, MACD и др.).
+- Избор на период от време за симулация.
+- Задаване на начален размер на портфолиото.
+- Изчисляване на ключови показатели за ефективност на стратегията, като обща възвръщаемост за периода (печалба в % от портфолиото, и отделно в % от рискуваните пари), максимална загуба, съотношение на Шарп и други.
+- Сравниение на всяка една стратегия с базови стратегии като например "купи и задръж" (просто long позиции по избраните активи за целия период), както и с движението на S&P500 индекса (ticker: [`SPX`](https://finance.yahoo.com/quote/%5ESPX)) за периода.
+
+## Технически изисквания
+- Демо апликация, който да пуска симулацията и да визуализация на резултатите чрез подходящи графики и таблици.
+- API с endpoint, който да позволява пускането на backtest симулация с подадени параметри (име на стратегия, период, начален капитал и др.) и връщане на резултатите (метрики) в JSON формат.
+
+## Препоръчителни технологии
+- Зареждане на финансови данни: `alpaca-py`, `yfinance`
+- Демо апликация: `streamlit`
+- Работа с данни: `pandas`, `numpy`
+- Графики: `plotly` (има специални видове графики за финансови данни), `matplotlib`, `seaborn`
+- API: `FastAPI`, `Flask`
+- LLMs (ако е приложимо): `openai`, `anthropic` и др. - специфичната библиотека зависи от доставчика на модела
+
+## Бонус функционалности
+- Имплементиране на стратегии, която използва API на някой LLM (GPT/Claude/DeepSeek/Kimi/т.н.) за вземане на решения за търговия, чрез анализ на новини/статии/доклади при вземане на решения.

project-topics/ai-ml-data_science/28-machine-learning.md

@@ -0,0 +1,69 @@
+# Тема за проект: Machine Learning
+
+## Описание
+
+Всички от изброените теми изискват използването на machine learning модели за класификация. Целта е на база наличните данни да се предвиди класа (категорията), към който принадлежи нов, непознат пример.
+
+За реализирането на всяка тема се изисква подходящ набор от данни (dataset). Можете да потърсите и използвате публично достъпни такива (например от [Kaggle](https://www.kaggle.com/datasets), [UCI Machine Learning Repository](https://archive.ics.uci.edu/ml/index.php) или др.), или да съберете свои собствени (например чрез уеб скрейпинг, анкети и др.). Пишете ни, ако не намирите нищо подходящо.
+
+## Варианти
+
+1. Предсказване на възраст/пол/настроение по снимка
+2. Сегментиране на потребители/клиенти
+3. Откриване на аномалии/измами
+4. Засичане на природни бедствия (наводнения, пожари, нефтени разливи или др.) по сателитни снимки
+5. Класифициране на ревюта (на хотели, книги, филми или др.) или коментари/постове в соц. мрежи
+6. Откриване на медицински заболявания (напр. рак, тумори, паркинсон или др.)
+7. E-Mail spam detector
+8. Генериране на описания на изображения (image captions)
+
+## Задължителни основни изисквания
+
+- Избор и подготовка на подходящ набор от данни (dataset).
+- Избор на готов machine learning модел, който може да се използва за класификация в дадения контекст.
+  - Може да намерите и свалите предварително обучен (pre-trained) модел, специално създаден за решаване на конкретната задача. [Hugging Face](https://huggingface.co/models) е добра отправна точка.
+  - Алтернативно, за задачи с данни в свободен текст и/или снимки, може просто да използвате наготово претренирани големи модели с по-обща насоченост, като например LLM-и (Large Language Models). Има и такива с отворен достъп, но поради големите ресурси, които се изискват за локалното им пускане, препоръчваме директно извикване на модели чрез съответните им API-та (като тези на OpenAI, Anthropic, Google Vertex, DeepSeek, Qwen и др.). (Повечето са платени, но не вярваме повече от един-два долара да изразходите за целите на всички задачи. Все пак внимавайте с броя данни и сметнете очаквания разход по токени преди да пуснете някой платен модел по целия набор от данни.)
+- Избор на подходящи метрики за оценка на модела.
+- Имплементация на процес за оценка на модела върху тестовите данни, като се използват избраните метрики. Визуализация на резултатите с подходящи графики.
+- Кратка демо апликация, която позволява на потребителя да получи предсказание от модела и да го изпробва.
+
+## Задължителен избор от следните допълнителни изисквания (изберете 1):
+### Вариация А
+- Трениране на собствен модел.
+  - Избор и имплементация на подходящ вид модел - напр. дървета, SVM, невронни мрежи (напр. feedforward, CNN, RNN, трансформъри). т.н. За тема 3 (аномалии) е възможен и unsupervised подход. Възможен е и хибриден подход - например фино настройване (fine-tuning) на предварително обучен трансформър модел.
+  - Разделяне на данните на тренировъчни и тестови (евентуално и валидационни).
+  - Трениране на модела върху тренировъчните данни с оценка върху валидационните чрез подходяща loss функция.
+  - Резултати от тренирането - графика на loss за всяка епоха и на избрани метрики.
+  - Baseline сравнение, както и сравнение с модела избран за предишните изисквания.
+- Възможност за селекция в демо апликацията между различните модели.
+
+### Вариация Б
+- Избиране на поне още един готов претрениран модел, който може да бъде използван за целите на задачата.
+- Разширяване на оценяващия скрипт с поддръжка на всички модели. Сравнение между тях.
+- Създаване на API, което позволява използването на моделите по подадени данни.
+- Конфигурация в текстов файл, с която се указва избрания модел, с който да работи API-то (както и параметрите му).
+
+## ВАЖНО
+- Поради големината им, **НЕ ДОБАВЯЙТЕ** наборите от данни, както и файловете с чекпойнти на модели в Git и в Мудъл! Dataset-овете и моделите могат ви стоят локално под различни папки, които да бъдат написани в `.gitignore`, за да не бъдат отразени в git. Но не забравяйте да ги махнете от архива за качване в Мудъл, за да няма гигабайтови зипове.
+- Не "хардкодвайте" ключове за API-та (и друга поверителна информация като пароли) в кода! Ако имате `.env` файл с ключове за API-та, също го добавете в `.gitignore`! В противен случай някой може да ви открадне достъпа до тези API-та и да използва парите ви за свои цели (понеже за курса изискваме да качите проектите в публични Github репозиторита).
+
+## Препоръчителни технологии
+- Работа с набори от данни: `pandas`, `numpy`
+- Графики: `matplotlib`, `seaborn`
+- Локално зареждане на модел: `transformers`, `pytorch`
+- Извикване на модели чрез API: `openai`, `anthropic`, т.н. - специфичната библиотека зависи от доставчика на модела
+- Метрики: `scikit-learn` или ръчна имплементация
+- Демо апликация: `streamlit`
+- API: `FastAPI`, `Flask`
+- Конфигурация: `yaml` или `json` (вградена) или `configparser` (вградена, за INI файлове)
+- Трениране на модели: `scikit-learn` (за традиционни модели), `pytorch` (за невронни мрежи), `transformers` (за fine-tuning на трансформъри)
+- Уеб скрейпинг (ако е необходимо за събиране на данни): `requests`, `BeautifulSoup`, `scrapy`, `aiohttp`
+- Обработка на изображения (ако е необходимо): `Pillow`, `OpenCV`
+- Обработка на текст (ако е необходимо): `nltk`, `spaCy`, `transformers`
+
+## Незадължителни и бонус елементи
+- Notebook с анализ на данните (exploratory data analysis - EDA) преди трениране на модел.
+- Notebook с визуализации на резултатите от модела/моделите (например confusion matrix, ROC curve, precision-recall curve и др.).
+- Оптимизация на хиперпараметрите (hyperparameter tuning) при трениране на модел.
+- Крос-валидация (cross-validation) при трениране на модел.
+- Използване на GPU за трениране на модели (ако е приложимо).