Pre Middle. Основные направления в которых имеется опыт: Python Development, Desktop Python, Data Science (Data Analyst, Data Engineer), Graph Mining (Process Mining), Computer Vision, Machine Learning, Development DBA.
Знание фреймворков и библиотек:
Pandas, NumPy, Scikit-Learn, BeautifulSoup, Matplotlib, PyQt, Requests, SciPy, OpenCV (Python), Dlib, NLTK, SQLite, основы SQLAlchemy и Flask.
Знания SQL: Microsoft SQL, MySQL, Oracle SQL, PostgreSQL
Ключевые знания и навыки:
▪ Опыт разработки и написания скриптов на Python.
▪ Хорошее знание SQL, умение создавать и оптимизировать сложные запросы.
▪ Опыт работы с реляционными БД.
▪ Опыт разработки проектов с нуля.
▪ Опыт работы с PyQT (разработка интерфейса).
▪ Опыт работы с Docker.
▪ Опыт работы с Git
▪ Базовые навыки работы с ОС Linux;
▪ Знание основ машинного обучения и искусственного интеллекта.
▪ Знание основных алгоритмов, понимание концепции ООП
▪ Высокая самоорганизованность.
▪ Умение работать самостоятельно и в команде.
▪ Ответственность и желание совершенствовать свои профессиональные навыки.
▪ Умение писать чистый, хорошо комментируемый код.
Интересы за пределами профессии:
▪ Спортивные пристрастия: фитнес, путешествия, велоспорт, бег, плаванье, футбол, волейбол, настольный теннис, занятия в тренажерном зале и другие;
▪ Чтение литературы (художественная и научная)
▪ Изучение профессиональной литературы (Марк Лутц, Лучано Рамальо, Пол Бэрри, О'Нил и др.)
В период прохождения военной службы по призыву в 2021-2022 году:
▪ Опубликовано 11 научных статей
▪ Зарегистрировано 3 рационализаторских предложения
Работа с большими объемами данных (PL\SQL\T-SQL) и их систематизация, Data Analyst. Написание скриптов на Python, нахождение в данных новых инсайтов, взаимосвязей, тенденций, работа с RSS-лентами, основные направления работы: Data Science, Graph Mining (Process Mining), Computer Vision, Machine Learning, NLP, Python Developer, DBA, парсинг сайтов.
Закончил обучение на академическую степень "магистр" с красным диплом.
Закончил обучение на академическую степень бакалавра с красным диплом.
https://intuit.ru/verifydiplomas/101270246
Рассматривались методы, инструментальные средства и применение Data Mining. Отличия Data Mining от классических статистических методов анализа и OLAP-систем, рассматривались типы закономерностей, выявляемых Data Mining (ассоциация, классификация, последовательность, кластеризация, прогнозирование). Описывались сфера применения Data Mining. OLTP, OLAP, ROLAP, MOLAP.