Data Scientist

За время прохождения курса "Специалист по Data Science" выполнил 15 самостоятельных проектов по аналитике данных и машинному обучению. В процессе выполнения проектов применил и освоил стек навыков: • Python; • Jupyter Notebook, JupyterLab, PyCharm; • NumPy, Pandas, SciPy; • Matplotlib/Seaborn; • CatBoost, LightGBM, XGBoost; • Keras; • MySQL, PostgreSQL, PySpark. Освоил классические алгоритмы машинного обучения, а также алгоритмы глубокого обучения: • Linear Regression, Logistic regression; • Decision tree, Random forest; • KNN (K-nearest neighbors); • Naive Bayes classifier; • Метод опорных векторов (SVM); • Нейронные сети прямого распространения, свёрточные нейронные сети. Примеры реализованных проектов: Предсказание коэффициента восстановления золота из золотосодержащей руды -------------------------------------------------------------------- - Цель - подготовить прототип модели машинного обучения для компании «Цифра» (https://www.zyfra.com/ru/). Компания разрабатывает решения для эффективной работы промышленных предприятий. Модель должна предсказать коэффициент восстановления золота из золотосодержащей руды. Модель поможет оптимизировать производство, чтобы не запускать предприятие с убыточными характеристиками. - Выполнил предобработку и анализ данных. Для решения задачи регрессии с помощью Pipeline и GridSearchCV из нескольких алгоритмов выбрал наилучший - линейную регрессию. Разработка нефтяных месторождений -------------------------------------------------------------------- - Цель: определить, в каком из 3 регионов лучше всего бурить новые скважины нефтедобывающей компании. - Результат: обучил модели, предсказывающие запасы нефти в скважинах, оценил качество их работы. При помощи bootstrap смоделировал ситуацию, в которой модель решает, какие скважины лучше, и считается прибыль от принятых ею решений. Оценил риски, связанные с разработкой скважин в каждом регионе, дал рекомендации по выбору региона. Выбор оптимального тарифа на основе анализа поведения пользователей мобильного оператора -------------------------------------------------------------------- - Цель: необходимо построить систему, способную проанализировать поведение клиентов и предложить пользователям новый тариф: «Смарт» или «Ультра». - Результат: выполнил предобработку и анализ данных. Выбрал наилучший алгоритм - Random Forest. Построил ROC-кривую и сравнил значение метрики Random Forest с константным классификатором, качество прогноза которого было существенно хуже. Анализ рынка видеоигр для интернет-магазина -------------------------------------------------------------------- - Цель: выявить закономерности игрового рынка, определяющие успешность игры, чтобы рекомендовать игры для запуска рекламной кампании. - Результат: выполнил предобработку данных, проанализировал тенденции, характерные для рынка видеоигр, прибыльные жанры, влияние отзывов критиков и игроков, предпочтения пользователей разных регионов. Сделал выводы о качествах, которыми должны обладать потенциально успешные игры.

Разработка проектной и рабочей документации для строительства объектов атомной энергетики. Достижения: • Разработал скрипт на Python для автоматизации сбора томов проектной документации; • Участвовал в успешной защите проектов в Главгосэкспертизе РФ, а также экспертизе «Росатома»; • Принимал участие в чемпионате профессионального мастерства ГК "Росатом" AtomSkills 2019.

Разработка сметной документации текущего ремонта жилищного фонда.