Марк Аверченко

• Разрабатывал рекомендательную систему для оптимизации бюджета на рекламу в Google adsense, Facebook ads manager, LinkedIn ads. Добавлял новые таски в пайпайн обработки данных, фиксил баги, добавлял новые источники данных
  
• Stack: AWS, Docker, alembic, sqlalchemy, pandas, numpy
• Работал над BI-системой для Cinimex HR. Я разработал хранилище данных для получения данные из нескольких источников данных и хранение этих данных в общем виде в базе данных. Также я настроил apache airflow в продакшн моде для задач по обработке данных и etl.
•  Stack: Postgres, Airflow, Docker, GitLab
• Разрабатывал антифрод систему дли одного из топ 5 банков России. Вывел в продакшн несколько релизов пайплайна сбора фичей для модели машинного обучения, которая скорила транзакции на предмет их мошенничества. Так же при разработке пайплайнов я уменьших использование памяти и время работы в пайплайнеСтек: Даск, Панды, Докер, Xgboost
• Stack: Dask, Pandas, Docker, Xgboost
• Работал над крупнейшей системой лотерей в России. Я мигрировал
  весь пайплайн обработки данных в SberCloud. Настроил спарк на kubernetes,
• Stack: Spark, Kubernetes(k8s), Docker, Pandas, LightGBM
  

• Создал модель глубокого обучения nlp для прогнозирования переговоров между местными и иностранными компаниями. Эта модель имела актуальный и ощутимый финансовый эффект. Стек моделей: deeppavlov, fasttext, razdel, nltk
• Вывел в продакшн 3 витрины данных для ml моделей с apache spark, hdfs. Эти витрины данных работают через oozie таски и обрабатывают террабайтные данных каждый день
• Зарефакторил и развернул 2 модели машинного обучения для банковских услуг в производственной среде. Эти модели также работают с apache oozie.
• Используемые для развертывания моделей технологии spark, hdfs, hive, jenkins, oozie
• Также проходил курс по data engineering, где изучал spark, kafka, elasticsearch, postgre

Работал с Болковым М.А. над анализом дефицита гена HOIL1 и создал пайплайн для повторения результатов. Наше решение предполагало загрузку и дальнейшую параллельную обработку данных с использованием широко используемых методов: GSEA, ORA, графы KEGG, сети PP

Фреймворки: Snakemake, gage, renv, cemi tool, topGO, ggplot2

Ссылка на проект

https://github.com/marcenavuc/hoil1

Работал с Ушениным К.С. и Курсанов А.Г. для создания пайплайна, в который поступает ввод из последовательностей генов и производит филогенетическое дерево. Наше решение может анализировать набор статей и вытащить из них индексы RefSeq, GenBank, UniProt. Затем, используя эти индексы загружают последовательность геномов и строят филогенетические деревья. Наше решение поддерживает несколько способов визуализации данных

Фреймворки: Docker, Snakemake, R, ggtree, nexus, clustalw, biopython

Ссылка на проект

https://github.com/KonstantinUshenin/urfu_bioinf_2020

Работал с Ушениным К.С. и Соловьева О. Создал алгоритм, который ищет

аномалий в популяциях математических моделей кардиомиоцитов.

По результатам работы мы придумали решение, позволяющее выявить

маргинальное поведение математических моделей электрофизиологии

кардиомиоциты и нейроны

Фреймворки: myokit, Keras, sklearn, numpy, pandas, matplotlib, seaborn

Ссылка на статью

https://aip.scitation.org/doi/10.1063/5.0032246