Расскажите, какие премии и бонусы платит вам работодатель. Пройти опрос (займет 5-6 минут)
Обо мне

Выпускник факультета Прикладной математики-процессов управления. Основное направление научной деятельности: исследование и модифицирование иерархических методов кластеризации. Стараюсь получать новые знания даже в свое свободное время. Увлекаюсь творчеством и спортом. Очень люблю кофе.

Высшее образование
Санкт-Петербургский государственный университет (бывший ЛГУ)
Санкт-Петербург
Факультет: Прикладной математики - процессов управления
Сентябрь 2016—Июнь 2020 (3 года и 9 месяцев)

Основная образовательная программа «Прикладная математика, фундаментальная информатика и программирование»

Профиль «Математическое и программное обеспечение вычислительных машин»

Кафедра диагностики функциональных систем

Научная деятельность:

  • Тема выпускной квалификационной работы: "Изучение и имитационное моделирование модифицированного агломеративного метода кластеризации"
  • Kharlamov A.A., Orekhov A.V., Bodrunova S.S., Lyudkevich N.S. (2019) Social Network Sentiment Analysis and Message Clustering. In: El Yacoubi S., Bagnoli F., Pacini G. (eds) Internet Science. INSCI 2019. Lecture Notes in Computer Science, vol 11938. Springer, Cham. DOI: 10.1007/978-3-030-34770-3_2
  • Выступление на LI Международной научной конференции аспирантов и студентов «Процессы управления и устойчивость» Control Processes and Stability (CPS'20) с докладом "Возможная стратегия автоматической типологизации лейкоцитов при цитометрическом исследовании крови". Запись выступления
Дополнительное образование
Стопроцентное онлайн-обучение от лучших университетов и компаний мира
Введение в науку о данных (An Introduction to Data Science)
Автор курса: СПбГУ
Сентябрь 2019—Декабрь 2019 (3 месяца)

Были пройдены следующие темы:

  • Введение: описание науки о данных, системы хранения больших данных, модели данных.
  • Математический инструментарий науки о данных: элементы теории вероятностей и математической статистики, элементы линейной алгебры.
  • Программный инструментарий науки о данных: основы Python, NumPy, Pandas, Matplotlib и SkititLearn.
  • Машинное обучение: обучение с учителем.
  • Машинное обучение: обучение без учителя.