Скидка на вакансию
Скидка на первую вакансию
Акция до 22 декабря
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: 2 месяца 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
    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
    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.