ML & Data Analyst

Изучил и проработал на практике в рамках специализации "Машинное обучение и анализ данных" от Яндекс/МФТИ: • Библиотеки Python для анализа данных, линейная алгебра, оптимизация и матричные разложения; • Модели классификации и регрессии - линейные, метрические, решающие деревья и композиции, нейронные сети, оценки качества; • Методы кластеризации, понижение размерности, визуализация данных и поиск аномалий, тематическое моделирование; • Проверка гипотез, АБ-тестирование, анализ зависимостей; • Финальный проект - анализ тональности отзывов (парсинг веб-ресурса, обучение и подбор параметров в связке TFIDF + SVM, сериализация в pkl, имитация веб-сервиса на Flask) • Итоги: Выработал подходы к различным задачам анализа данных в рамках классического ML - визуализация, EDA, предобработка/очистка данных, выбор модели, отбор признаков, оптимизация параметров и др. https://stepik.org/users/90756383/certificates Какие задачи решил после прохождения специализации: • Задача прогноза состава широкой фракции лёгких углеводородов в Sibur Challenge 2020 - https://github.com/artchere/sibur_2020 • Соревнования на Kaggle; • Различные тестовые задачи, в том числе на сырых данных; • В области компьютерного зрения - классификация христианского персонажа в двух версиях - классический ML (OpenCV, mahotas, numpy + RandomForest) и DL (CNN, Keras) - https://github.com/artchere/Enter_ideas • Итоги: Расширил спектр подходов и инструментов, приобрёл практический опыт в решении реальных задач анализа данных с помощью ML.

Аттестация объектов информатизации: 1. Проведение специальных исследований, проверок ТС и обследований помещений клиента с целью выявления угроз ИБ; 2. Подготовка отчётности по результатам проверок; 3. Полный цикл взаимодействия с клиентом, в среднем - 300 заказов ежегодно. Среди клиентов - ОАО "Компания "Сухой

Поиск и анализ поставщиков/производителей комплектующих, оптимизация процесса закупок, техническое сопровождение сделок