Каталог ИТ-специалистов Аналитика

Илья — опытный Data Scientist с навыками работы в сфере машинного обучения и анализа данных. Он обладает глубоким пониманием алгоритмов и инструментов, таких как Python, SQL, Pandas, PyTorch, Numpy, PostgreSQL, Tensorflow, Lightgbm, Scikit-learn, Plotly, Seaborn, beautifulsoup, CatBoost, Docker, FastAPI, langchain, Network, openAI, Psycopg2, Qdrant, Sklearn, Streamlit, XGBoost, Yandex Cloud. Илья участвовал в разработке и улучшении модели Catboost для прогнозирования числа гостей и чеков, а также в создании веб-приложения для машинного обучения. В рамках проектов он решал задачи классификации изображений товаров, разработки чат-ботов, создания RAG системы для поиска жилья на Бали, оптимизации обработки запросов пользователей к LLM. Опыт работы Ильи на проектах составляет 3 года.

Юлия — опытный специалист в области системного анализа и разработки. Обладает навыками работы с различными инструментами и технологиями, включая Python, SQL, SciPy, NumPy, Selenium IDE, Tableau, Power BI, A/B testing, Google Analytics, Яндекс Метрику, PostgreSQL, а также навыки работы с DWH, REST API, Swagger, Postman, ITSM, BPMN, Camunda. Имеет опыт работы в проектах для компаний из отраслей FinTech & Banking и Information Security. На последнем месте работы Юлия выполняла обязанности системного аналитика DWH: сбор функциональных требований, подготовка проектной документации, участие в проектировании ETL-процессов, взаимодействие с командой, работа с системами логирования, REST API и ITSM. До этого Юлия работала аналитиком схем маневрирования в ФГУП Госкорпорация по ОрВД. В её обязанности входили сбор и анализ данных, валидация исходных данных, разработка концептуального проекта схем маневрирования, расчёт схем по критериям безопасности, отрисовка карт в AutoCad и MicroStation, составление отчётных материалов. Также Юлия имеет опыт работы продуктовым аналитиком данных в Тинькофф Банке. Она занималась аналитикой продукта, привлечением клиентов, веб-аналитикой, подсчётом DAU, WAU, MAU в Amplitude, построением БД для продукта POS-кредитования, написанием SQL-запросов, формулировкой гипотез для A/B теста и созданием дашбордов в Tableau.

· Более 2,5 лет опыта в анализе данных; · Опыт работы с большими объемами данных и структурированными и неструктурированными данными; · Владение языками программирования для анализа данных, такими как Python и SQL; · Опыт работы с библиотеками Python для анализа данных и визуализации; · Знания в работе с реляционными БД; · Опыт написания SQL-запросов для извлечения и анализа данных; · Аналитические навыки; · Опыт взаимодействия с бизнес-пользователями для сбора требований и представления результатов анализа; · Автоматизация и оптимизация процессов; · Опыт работы в Agile/Scrum командах, использование инструментов для управления проектами, таких как Jira; · Опыт работы в команде. Важное дополнение по графику: в среднем комфортно начинать рабочий день +- с 6 мск, ориентировочно в 15 по мск заканчивать, после готова подключаться на совещания и быть на связи *Примеры работ Postsgresql, sql* https://github.com/vlasova-us/postgresql *Примеры Python* https://github.com/vlasova-us/Python_public *Примеры работ в Tableau* https://public.tableau.com/app/profile/yulia5622 * Примеры работ в Power BI* https://github.com/vlasova-us/Power-Bi *Примеры работ в dax* https://github.com/vlasova-us/Dax

Достижения: - Участвовал в DS-хакатоне GLOWBYTE AUTUMN HACK 2023 в составе команды, занявшей первое место - Выполнил более 20 исследований в сфере Data Science - Провел анализ коллекции текстов на основе тематического моделирования и написал статью на английском языке в престижный научный журнал квартиля Q1 - Победитель Autumn Hack 2023 Обучение: - 2024, PyMagic MLOps. Промышленный ML - 2023, Нейролис Программная Платформа Аналитики медиаданных в реальном времени RTMIP (Real Time Media Identification Platform) для детекции и идентификации объектов с использованием комплекса технологических решений на основе нейротехнологий и алгоритмов искусственного интеллекта (СПО «RTMIP»)

Data scientist с широким набором навыков в области анализа данных и машинного обучения. Ключевые компетенции включают регрессию, классификацию, кластеризацию, работу с деревьями решений, ансамблевыми моделями (включая Random Forest и градиентные бустинги), а также модели прогнозирования временных рядов. Опытен в области нейронных сетей и компьютерного зрения. В моем арсенале такие библиотеки, как NumPy, Pandas, Matplotlib, Seaborn, Scikit-learn, PyTorch, XGBoost, LightGBM, statsmodels и PySpark. Мой опыт также включает в себя разведывательный анализ данных, их предобработку и feature engineering. Успешно применял LLM и CNN в своих проектах. Помимо этого, есть опыт работы с инструментами, такими как SQL, Git, Bash, Docker, Streamlit и HuggingFace. Среди моих дополнительных навыков можно выделить A/B-тестирование и высокую способность к самообучению в процессе работы.

О себе: Постоянно учусь и стремлюсь к знаниям. Высокий уровень самоорганизации и любовь к делу помогают каждый день узнавать что-то новое. Воспринимаю сложные задачи и трудности как очередную ступень на пути вверх. Стек компетенций: • Python (Matplotlib, Numpy, Pandas, Google.colab, Tensorflow, Keras, Torch и др.); • SQL/NoSQL (MySQL, PostgreSQL, MongoDB, SQLite); • BI платформы (Tableau, Qlik Sense, Power BI); • Сбор данных (Scrapy, Selenium, BeautifulSoup, Xpath); • Методы аналитики маркетинговойактивности, системы web-аналитики; • GIt; • Bash Первую программу для управления заказами и складом для компании занимающийся доставкой воды и кулеров, написал в 2005 году. Работает до сих пор. Писал роботов для биржевой торговли на mql4. Заинтересовался ИИ и пошел учиться в Университет ИИ. Хобби - искусство, графический дизайн, фотография.

Павел — опытный Data Engineer, специализирующийся на работе с Python, Apache AirFlow, Clickhouse, Hadoop, Spark, Kafka, PostgreSQL, GitLab, CI/CD, Docker, PySpark и другими инструментами. Павел имеет опыт работы в проектах VK и LAD, где занимался разработкой собственного DE-инструментария, построением Core Layer хранилища, решением AdHoc задач у аналитиков, автоматизацией рутинных задач, разработкой парсеров запросов и дашбордов. Также Павел участвовал в построении архитектуры данных, выборе инструментов, внедрении моделей ML и разработке REST API интерфейса для получения данных из витрин. До начала профессиональной карьеры Павел работал Data Quality Engineer в EPAM Trainig Center.