Каталог специалистов

Данила — опытный Data инженер с опытом работы более 3,5 лет. Он обладает глубокими знаниями и навыками в области работы с данными, включая Linux, macOS, MS Windows, Python, SQL, Apache AirFlow, Apache Superset, Docker, Git, Jinja, Jupyter и другие инструменты. Данила работал над несколькими проектами в таких отраслях, как eFinTech (банки, инвестиции), Toll Road (платные автодороги), MedTech (медицинские учреждения), Retail (магазины). На проектах он занимался разработкой и поддержкой витрин данных, ETL/ELT процессов, а также решением инцидентов и ad-hoc задач. Среди реализованных проектов Данилы можно выделить: - приложение инвентаризации для крупных складов; - анализ и планирование выручки и трафика платной автодороги; - система торговли на фондовых рынках; - приложение для рекомендации изображений; - систему матчинга резюме и вакансий. Профессиональные навыки: - менторство младших разработчиков; - ставил задачи в канбан; - работал с чистым SQL на уровне продвинутых запросов (оконные функции, подзапросы.); - опыт работы с UNIX-системами на уровне простых операций; - развитые коммуникативные навыки; - участие в создании ETL процессов - опыт сбора информации из Интернета путем парсинга - применял как уже обученные модели машинного обучения/глубокого обучения, так и занимался их - - - обучением самостоятельно - опыт работы с большими данными в Hadoop и Spark и в составлении сложных SQL запросов в Apache Hive - участие в проектировании и анализу DWH хранилищ - опыт работы с Apache Airflow - опыт работы с Python для анализа данных (pandas, numpy, matplotlib, seaborn)

5+ лет опыта в ML и анализе данных, включая продакшн-разработку моделей. Коммерческий опыт с рекомендательными системами (Implicit, LightFM, SVD, DL-based), включая: Collaborative Filtering (ALS, LightFM, SVD); Matrix Factorization (SVD, ALS); Two-Tower Model (Deep Learning) — моделирование с использованием контентных признаков (тексты, эмбеддинги видео/аудио/изображений); Hybrid Model (CF + Content-Based) — интеграция поведенческих и контентных фич для рекомендаций; Transformer-based модели (YouTube DNN, SASRec) — учет последовательностей взаимодействий пользователей. Глубокое понимание алгоритмов RecSys и бустинга (LightGBM, CatBoost, XGBoost). Разработка и деплой моделей (классификация, регрессия, ранжирование) с использованием: PyTorch, TensorFlow; Triton Inference Server, TorchServe, TF Serving Feature engineering для RecSys и других задач; Проведение A/B-тестирования рекомендательных моделей и новых фич; Построение end-to-end ML пайплайнов, автоматизация CI/CD; Опыт с высоконагруженными и распределёнными системами (Spark, Dask, Ray); Разработка REST API (Flask, FastAPI), опыт работы с облаками (AWS, GCP, Yandex Cloud); Использование LLM (в т.ч. RAG) для бизнес-задач и интеграции с рекомендательными системами; Уверенное владение Python, Docker, Kubernetes; Анализ и визуализация данных (NumPy, SciPy, Pandas, Plotly).