ГЧ
Григорий Ч.
Мужчина, 26 лет
Россия, Москва, UTC+3
Ставка
5 745,02 Р/час
вкл. НДС 20% (766.67 Р)
Специалист доступен с 3 июля 2025 г.
Добавьте подходящих специалистов в список и оформите заявку для предварительного бронирования времени специалистов. После оформления заявки ваш персональный менеджер организует прохождение всех необходимых проверок с вами и каждым кандидатом из заявки. Специалист привлекается к проекту только после окончательного подтверждения его выхода с вашей стороны.
Подробнее
О специалисте
Специализация
Data Scientist
Грейд
Навыки
Отрасли
Знание языков
Английский — C1
Главное о специалисте
Григорий — опытный Data Scientist с навыками в области машинного обучения и анализа данных. Он обладает глубоким пониманием Apache AirFlow, Azure, C++, Docker, FastAPI и других технологий.
Григорий успешно работал над проектами в сфере Hardware и E-commerce & Retail. В рамках одного из проектов он разработал систему автоматического выявления дефектов на производственной линии, используя архитектуру YOLO V5. Это позволило повысить точность обнаружения дефектов до 89%.
В другом проекте Григорий создал модель прогнозирования продаж для ритейл-сети, используя комбинацию алгоритмов Prophet и XGBoost. Это помогло снизить MAPE с 15% до 8%. Также Григорий разработал автоматизированный классификатор товаров для e-commerce платформы, что позволило сократить затраты человекочасов на категоризацию на 30%.
Проекты
(4 года 3 месяца)
Разработка системы автоматического выявления дефектов на производственной линии; Определения необходимых производственных этапов для детали по ее 3d модели; Разработка системы анализа видеопотока.
Роль
Data Scientist
Обязанности
Разработал систему автоматического выявления дефектов на производственной линии с использованием архитектуры YOLO V5, довел precision до 89%;
Провел аугментацию данных с измененной яркостью, контрастностью и поворотами, что увеличило объем датасета обучения и улучшило precision модели с 76% до 89%;
Применил модель для сегментации (U-Net) для точной локализации дефектов на изображениях, что помогло улучшить точность обнаружения дефектов
Занимался проектом определения необходимых производственных этапов для детали по ее 3d модели;
Сделал мультимодальную Early-fusion модель, которая принимала на вход также линейные размеры каждой детали, в итоге повысилась точность по производственным этапам сверления– с 45% до 87%, фрезерования – с 64% до 88%;
Разработал отдельный пайплайн для проверки гипотезы: сделал VAE для генерации эмбеддингов, кластеризировал их, и построил дополнительную табличную модель для классификации на основе кластера и линейных размеров;
Создал ансамбль из этих двух моделей, в результате получив повышение accuracy с 83% до 92%;
Разработал и внедрил доработку системы анализа видеопотока на базе искусственного интеллекта для автоматического обнаружения аномалий в режиме реального времени, что позволило заказчику значительно повысить оперативность реагирования на потенциальные угрозы и сократить количество ложноположительных срабатываний на 30%.
Стек специалиста на проекте
C++, OpenCV, Программное обеспечение, Tensorflow, ClickHouse, Numpy, Bash, TCP/IP, GitHub, FastAPI, Seaborn, PyTorch, Keras, FFmpeg, SMTP, MLflow, PySpark, YOLO, Tensorboard, SQL, Docker, Python, Apache AirFlow, labelstudio, Azure, simplecv, Oracle Database, PostgreSQL, Jenkins, Kubernetes
Отрасль проекта
Hardware
Период работы
Январь 2021 - Июль 2024
(3 года 7 месяцев)
Разработка новой модели для прогнозирования продаж.
Роль
Data Scientist
Обязанности
Разработал модель прогнозирования продаж для ритейл-сети, используя комбинацию алгоритмов Prophet и XGBoost, что позволило снизить MAPE с 15% до 8%;
Выполнил feature engineering;
Применил временные ряды и модели LSTM для учета сезонности и трендов данных;
Подобрал гиперпараметры с Gridsearch;
Разработал автоматизированный классификатор товаров для e-commerce платформы, что позволило сократить затраты человекочасов на категоризацию на 30%;
Провел обработку данных и аугментацию, включая изменение яркости, контрастности, повороты и отражения, что улучшило точность модели с 65% до 83%;
Использовал предобученные модели ResNet и EfficientNet для классификации изображений товаров, увеличил производительность системы и уменьшил время инференса до 20 мс на изображение.
Стек специалиста на проекте
Docker, Python, Pandas, Numpy, FastAPI, Scikit-learn, XGBoost, PyTorch, GridSearch
Отрасль проекта
E-commerce & Retail
Период работы
Май 2020 - Декабрь 2021
(1 год 8 месяцев)
Формат работы
Тип занятости
Фулл-тайм
Формат работы
Удаленно
Командировки
Не готов
Релокация
Не готов
Готов работать на зарубежных проектах
Нет
Образование
Высшее
Учебное заведение
Московский авиационный институт (национальный исследовательский университет), Москва
Специальность
Институт «Системы управления, информатика и электроэнергетика»,Информационные системы и технологии
Завершение учебы
2020 г.