Яндекс.Практикум
Data Scientist (обучение)
Основной стек:
- классический ML (RF, LR, LightGBM, XGBoost, CatBoost), знаю их структуру, принципы, различия, способы настройки и регуляризации
- DL (Keras/Tensor flow)
- Time Series (временные ряды)
- обучение без учителя (Kmeans, IsolationForest)
- NLP (TF-IDF, word2vec, BERT)
- Pandas, Numpy, Scikit-learn, Scipy, Stats
- Matplotlib, Seaborn
- SQL (PySpark)
- статистика, проверка гипотез, A/B, стат критерии
- теория вероятностей и линейная алгебра
Некоторые из моих проектов:
1. Прогноз температуры стали для оптимизации техпроцесса ее производства. В рамках проекта осуществлялись:
- группировка данных, создание и тестирование новых признаков, разделение на выборки, масштабирование
- обучение CatBoost/LGBM, подбор гиперпараметров
https://git.io/JmkNw
2. Определение стоимости автомобиля. В рамках проекта осуществлялись:
- обработка данных, заполнение пропусков, выбросы
- RandomForest/CatBoost/LGBM подбор гиперпараметров, анализ времени работы
https://git.io/JmkAs
3. Прогноз спроса такси (временные ряды). В рамках проекта осуществлялись:
- анализ трендов и сезонности
- ресемплинг, подбор и выделение lag и rolling ("смещение" и скользящее среднее)
- выбор лучшей модели (LightGBM), настройка и тюнинг
https://git.io/JmkAd
Другие проекты на github: https://github.com/bogdan-p-s/educational_projects