⭐️ Бэкендеры, с какой командой у вас мэтч? Проверяйте на Вайб-чеке → vibe.habr.com
Радана Шкурская (radanashkurskaia), 33 года, Россия, МоскваРадана Шкурская (radanashkurskaia), 33 года, Россия, Москва

Радана Шкурская

Ученый по даннымМладший (Junior)
От 130 000 ₽Ищу работу

Контакты

Войти
Возраст: 33 года
Опыт работы: 1 год
Регистрация: 01.07.2024
Последний визит: 4 недели назад
Гражданство:
Местоположение: Россия, Москва
Дополнительно: готова к удаленной работе
Знание языков:

Обо мне

Я молодой специалист в сфере информационных технологий. Занимаюсь изучением Data Science и построением моделей ML c 2023 г.

Навыки

Python
SQL
Математическая статистика
Машинное обучение
Анализ данных
MatPlotLib
Jupyter Notebook
Microsoft Excel
Git
PyTorch

Участие в профсообществах

Опыт работы

  • Аналитика Инсайт
    Москва
    Ученый по данным (Младший)Data Science- аналитик
    Апрель 2023 — Март 2024 (1 год)
    • Производила выборку (срезы и очистку) данных на SQL и Python для обучения моделей; • Разрабатывала в Jupyter прототипы ML моделей на Python (Scikit-Learn, PyTorch, TensorFlow) по оценке качества посещаемости сайта; • Выявила возможность улучшения при валидаци модели, что привело к улучшению ROC AUC на 0,17; • Формировала и проверяла гипотезы (через уровень статистической значимости – scipy.stats) по оптимизации вознаграждения пользователей.

Высшее образование

  • МГГУ

    Московский государственный горный университет
    Москва224 выпускника
    Разработки угольных месторождений и подземного строительства
    Сентябрь 2008 — Июнь 2013 (4 года и 9 месяцев)

    Специализация экономика и управление на предприятии.

Дополнительное образование

  • Яндекс Практикум

    Обучаем разработчиков, тестировщиков, аналитиков, дизайнеров, интернет-маркетологов
    Москва14051 выпускник
    Апрель 2023 — Март 2024 (11 месяцев)

    В данном курсе я подтянула написание кода на Python и SQL.  Глубоко погрузилась в понимание пайплайнов анализа данных и машинного обучения,. Научилась ставить и проверять статистические гипотезы, работать с данными в различных форматах. Изучила различные алгоритмы машинного обучения и научилась выбирать подходящие метрики для оценки их качества. Также овладела основами статистики, линейной алгебры и численных методов. Тренировала на практике популярные среди специалистов по DataScience инструменты и библиотеки — Jupyter Notebook, Scikit-Learn, XGBoost, Keras, PySpark.