Data scientist

Прогнозирование спроса, на основе макропоказателей - Временные ряды (LSTM, SARIMAX, Prophet), деревья решений. Ресерч влияния макропоказателей на объем рынка. Разработка API (FastAPI) для обработки и записи данных из Kafka. Общение с заказчиками. Тюнинг моделей.

За время обучения выполнил следующие проекты: 1. Рекомендательная система для ритейла — https://github.com/Valdert-13/recommendation-systems/tree/master/project Цель: увеличение оборота за счет рекомендаций товаров (без предоставления персональных скидок). Реализация: - анализ клиентов и товаров, префильтрация товаров согласно бизнес-требованиям; - создание разреженной items-users матрицы, новых признаков и фичей; - использование двухуровневой предсказательной модели (ALS + LGBMClassifier); - фильтрация списка рекомендаций согласно бизнес-требованиям. Результат: на тестовой выборке money precision @k показал 55,7% Стек: NumPy, Pandas, Sklearn, LightGBM, scipy. Приобрел опыт работы с разреженными матрицами, навыки создание фичей, улучшил навыки аналитики. 2. Предсказание оттока игроков из игры - https://github.com/Valdert-13/ML-system-in-Production/tree/master/Project%20outflow%20of%20players Цель: увеличение прибыльности за счет сокращения оттока игроков. Реализация: - выделение пользователей, которые собираются покинуть проект, с помощью Machine learning; - предложение данной группе скидки на подписку или более персональное предложение. Расчетный результат: Сохранение 11% остаточного LTV (LTV - discount) Стек: MySQL, Pandas, Sklearn, XGBoost, imblearn. Научился правильно готовить код и модели к продакшену и грамотно составлять SQL запросы. pet project: 1. Распознавание капчи: https://github.com/Valdert-13/captcha Цель: обход системы антибот для сбора информации. Реализация: - сборка изображения капчи в автоматическом режиме; - разметка датасета( в проект встроен простой разметчик); - используется 3-х слойная сверточная сеть. Результат: точность составляет 88% (требование 75%), при обучении на 3 000 экземплярах и 60 эпохах. Stack: PySimpleGUI, Selenium, PIL, TensorFlow, NumPy. Живой проект, используемый в продакшене. Приобрел навык создание проекта с нуля, со сбором данных их предобработкой и запуск в продакшен. Улучшил навыки работы с нейронными сетями. Совместный проект ParkOn: https://github.com/Nickel-nc/ParkOn_proj Цель: Определение свободных парковочных мест по видео потоку. Реализация: - Использована сеть Mask-RCNN с весами coco - Альтернативой использовалась YOLO-v5