ML разработчик

На данный момент ML Resercher.

Мои компетенции и опыт

Начинающий ML Engineer и Data Scientist в области прикладной информатики с высшим образованием и практическим опытом разработки проектов в области Machine Learning, Deep Learning, Computer Vision, анализа данных и LLM-приложений. Имею опыт полного цикла разработки ML/DS-проектов: от подготовки, анализа и исследования данных до обучения, сравнения и оценки моделей. Работал с классическими алгоритмами машинного обучения и статистического анализа, нейронными сетями, Transformer-архитектурами, моделями для обработки изображений и видео, а также LLM и RAG-системами. Основной стек: Python, PyTorch, Scikit-learn, pandas, NumPy и SQL. Заинтересован в развитии как ML Engineer / Data Scientist, готов погружаться в новые задачи, исследовать подходы и архитектуры, проводить эксперименты и разрабатывать эффективные решения для применения моделей в реальных продуктах.
Множество различных проектов:

AI/ML Mentor с адаптивным обучением:

– Длительность: 4+ месяца. Стек: Python, LangChain, OpenRouter, Streamlit, Pydantic.

– Разработал AI-ассистента для обучения Machine Learning и Data Analytics, который генерирует вопросы,

оценивает ответы и формирует персональную обратную связь.

– Реализовал адаптивный подбор тем на основе истории ответов и статистики пользователя, увеличивая

частоту повторения тем со слабыми результатами.

– Интегрировал LLM через OpenRouter и LangChain, структурированные ответы через Pydantic и личную базу

знаний Obsidian; разработал интерфейс на Streamlit.

Распознавание действий человека в реальном времени:

– Длительность: 10 месяцев. Стек: Python, PyTorch, YOLO, MediaPipe, OpenCV, Transformers.

– Разработал систему распознавания действий человека в реальном времени на основе датасета UCF101.

– Построил pipeline обработки видеопоследовательностей и извлечения скелетных ключевых точек с

использованием YOLO Pose и MediaPipe Pose.

– Реализовал и исследовал последовательные модели LSTM, GRU и Transformer, а также графовую

архитектуру ST-GCN для классификации действий.

– Сравнивал архитектуры по качеству и вычислительной эффективности с учётом требований к работе

системы в реальном времени.

Прогнозирование финансовых временных рядов: 

– Длительность: 3 месяца. Стек: Python, PyTorch, LSTM, Transformer, pandas.

– Собирал, очищал и анализировал данные финансовых временных рядов из нескольких источников.

– Реализовал модели LSTM и Transformer для прогнозирования временных рядов и сравнивал их с базовыми

методами.

– Проводил эксперименты с подготовкой данных и обучением моделей, анализируя качество прогнозирования.

Классификация изображений и Computer Vision: 

– Длительность: 13 месяцев. Стек: Python, PyTorch, ResNet, VGG, Swin Transformer.

– Разрабатывал и сравнивал модели CNN и Vision Transformer для классификации изображений, включая

ResNet, VGG и Swin Transformer.

– Экспериментировал с архитектурами, размером входных изображений, гиперпараметрами и стратегиями

обучения.

Хакатоны:

AIDAO - Финалист Международной олимпиады по искусственному интеллекту и анализу данных Яндекс & НИУ ВШЭ