По первому образованию - инженер. В университете уделял много времени высшей математике, где как студент преуспевал и помогал своим одногруппникам.
По второму образованию - экономист. Но магистратура не была закончена, так как обучение не оправдало ожиданий. Вследствие чего я отдал предпочтение работе.
На данный момент занимаюсь изучением Data Science, испытываю большой интерес к этому направлению, так как еще со школы учусь на физмате и имею математические наклонности (так же убежден в перспективности данного направления).
За время обучения в Яндекс Практикум изучил Python и набор основных библиотек (pandas, numpy, matplotlib, sklearn, seaborn, tensorflow, keras, CatBoost, xgboost). Отлично понял и овладел языком запросов SQL на уровне запросов средней сложности (сортировка, фильтрация, джойны).
Личные качества: Логическое мышление, способность к детальному анализу, нестандартный подход, умение решать сложные задачи, быстрая обучаемость.
Участвовал в Хакатоне MTS ML CUP(цель: определить пол/возраст владельца по cookie)
Профиль на Кагл: https://www.kaggle.com/dmitriypyankov
Профиль на Гитхаб: https://github.com/DmitriyPyankov?tab=projects
Достижения:
- Стабилизировал доход (уменьшил колебания финансовых показателей дохода)
- Автоматизировал процесс проставления исходов (до этого был полуавтомат)
- Разработал алгоритм работы с новым подходом
- Увеличил выручку на 18%
Основные обязанности:
- Построение моделей предсказывающих исход события
- Разработка новых поведенческих алгоритмов
- Сопровождение бота и наблюдение за его исправностью во время работы
- Анализ статистики
Окончил курс "Data Science" в Яндекс Практикум.
2. Защита персональных данных клиентов.
Используемый технологический стек: NumPy, Pandas, Sklearn, MatPlotLib, Seaborn.
В ходе работы были разработаны несколько методов кодирования данных таким способом, что при попадании в руки злоумышленника, он никак не смог бы ими воспользоваться. После преобразования на этих данных была обучена модель линейной регрессии и её метрика R2 осталась на том, что уровне, что и до кодирования.
https://clck.ru/33hBBh
3. Прогнозирование цены на автомобиль.
Используемый технологический стек: NumPy, Pandas, Sklearn, MatPlotLib, Seaborn, Градиентный бустинг, CatBoostRegressor, LGBMRegressor, XGBoost, Bagging.
На основание исторических данных построил модель определяющую рыночную цену на подержанный автомобиль для онлайн сервиса по продаже автомобилей. Хорошее качество модели также подтверждает и RMSE 1478.16 на тестовой выборке
https://clck.ru/33hBJ7
4.Прогнозирование коэффициентов восстановления золота из золотосодержащей руды.
Российская компания, занимающаяся цифровизацией производства, разрабатывает решения для эффективной работы золотодобывающей отрасли, помогающие оптимизировать производство, чтобы не запускать предприятие с убыточными характеристиками.
• Проанализированы технологические процессы и этапы восстановления золота из руды.
• Проведен анализ полученных данных и последующая предобработка.
• При решении задачи введена новая метрика и достигнута её высокая точность.
• Все выводы и предложения подкреплены подробным описанием и графиками.
https://clck.ru/33hBFz
- Консультирование и подбор программы для клиента
- Выполнение услуг ручного и аппаратного массажа
- Декларирование товара по ТН ВЭД (программа "Альта-ГТД")
- Ведение груза от фабрики в Китае до склада в СПб или Мск