⭐️ Бэкендеры, с какой командой у вас мэтч? Проверяйте на Вайб-чеке → vibe.habr.com
Павел Соколов (spi_q), 33 года, Россия, МоскваПавел Соколов (spi_q), 33 года, Россия, Москва

Павел Соколов

Ученый по даннымML разработчикМладший (Junior)
Не ищу работу

Контакты

Войти
Возраст: 33 года
Опыт работы: 10 лет и 3 месяца
Регистрация: 05.08.2024
Последний визит: 4 недели назад
Гражданство: Россия
Местоположение: Россия, Москва
Дополнительно: готов к удаленной работе
Знание языков:

Навыки

Pandas
FastAPI
Docker
Git
SQLalchemy
NumPy
PostgreSQL
Python
SQL
RabbitMQ

Участие в профсообществах

Опыт работы

  • Проектная деятельность
    ML-инженер
    Май 2023 — По настоящее время (1 год и 7 месяцев)

    Стек:
    Python, PostgreSQL, Git, Airflow, FastAPI, Psycopg, SQL, Pandas, Scikit-learn, Numpy, Matplotlib, Seaborn, Catboost, Pytorch, ClearML, MLFlow, Pytest, RabbitMQ

    Проекты:
    - Сервис оценки контрагентов
    Стек: Python, XGBoost, Pytest, RabbitMQ, FastAPI, SQLAlchemy, Uvicorn, Streamlit, Docker
    Цель: сервис для оценки контрагентов.
    Описание: Приложение на FastAPI с пользоватлеьским интерфейсом в Streamlit. Запрос в модель и предсказания передаются через брокер сообщений. В основе XGBoost, обученный на датасете с Kaggle с финансовыми признаками компаний. В качестве основной метрики для бинарной классификации RocAuc.
    Результат: реализовано приложение, с помощью которого можно предсказывать вероятность банкротства компаний по экономическим признакам.
    https://github.com/SPI315/bankruptcy_predictor

    - Чат-бот
    Стек: Python, Transformers, Pytest, PyTelegramBotAPI, RabbitMQ, FastAPI, SQLAlchemy, Uvicorn, Streamlit, Docker
    Цель: реализовать приложение для работы с LLM в качестве бота.
    Описание: Реализовано приложение на FastAPI. Интерфейсы для приложение в Sreamlit и Telegram. Запросы для обработки направляются через RabbitMQ. БД реализована на PostgreSQL.
    В приложении реализованы базовые функции - можно завести учетную запись, пополнить баланс, направить запрос для обработки моделью, посмотреть историю запросов и транзакций.
    Результат: реализовано приложение с базовой логикой чат-бота.
    https://github.com/SPI315/chatbot_service

    - Сервис определения качества вина.
    Стек: Python, Scikit-learn, Pandas, ClearML, DVC, Airflow, FastAPI, Streamlit, CI, Docker.
    Цель: построить ML приложение с автоматизированным пайплайном обучения и автотестами при интеграции.
    Описание: Провел выбор моделей для задачи классификации вина. Для трекинга моделей пользовался ClearML. Настроил трекинг данных с помощью DVC. Далее настроил ежедневный автозапуск процесса обучения модели в Airflow (хранение модели и основных метрик в s3 хранилище). В случае улучшения ключевой метрики, модель автоматически заменяется в хранилище. Так же реализовал FastAPI приложение с оберткой в Streamlit для сервиса предсказания. Реализовал автоматическое lint и unit тестирование при выполнении merge request в main ветку.
    Результат: реализовал готовое ML приложение c автоматической оркестрацией обучения и интеграцией.
    https://github.com/SPI315/vine_quality_service

    - Рекомендательная система соцсети.
    Стек: Python, FastAPI, Psycopg, PostgreSQL, Pandas, Seaborn, Catboost, BERT
    Цель: рекомендация пользователям релевантных постов.
    Описание: На основании данных о пользователях и их активности провел исследование и подготовку данных для обучения модели (проверка пропусков, one hot и mean target encoding для категориальных признаков, tf-idf для выделения ключевых слов в постах, токенизация текстов постов с помощью BERT и дальнейшее понижение признакового пространства PCA), подобрал модель и гиперпараметры, реализовал скрипт для предсказания и эндпойнт для вывода наиболее интересных постов.
    Результат: реализовал готовый рекомендательный сервис.

    - Веб-сервис для запроса данных из PostgreSQL
    Стек: Python, FastAPI, Psycopg, PostgreSQL, Uvicorn
    Цель: Реализовать эндпоинты FastAPI для получения из БД требуемой информации в веб-интерфейсе.
    Описание: Написал эндпоинты с необходимыми функциями, запустил локальный сервер для тестирования.
    Результат: реализовал простой веб-сервис для запросов данных в базе

  • Ионообменные технологии
    Москва
    Ведущий инженер-разработчик
    Сентябрь 2016 — Февраль 2024 (7 лет и 6 месяцев)

    В компании прошел путь от младшего разработчика до ведущего. Принял участие в разработке и тестировании нескольких проектов. Последние два года вел проект федерального уровня (разработка системы очистки для строящегося газохимического комплекса).

    Задачи:
    - разработка задания на программирование логики работы станций очистки воды (текстовое описание алгоритма работы, блок-схемы);
    - оптимизация алгоритма работы действующей установки очистки воды;
    - аналитика данных по качеству воды (базовые формулы Excel для статистических расчетов и построения графиков);
    - защита принятых технических решений перед Заказчиком;
    - разработка технических заданий, документации;
    - выполнение расчетов оборудования;
    - координация работы группы инженеров из 5 человек.

    Достижения:
    - разработал требуемые комплекты документов для реализации объектов в рамках сжатых договорных сроков;
    - подготовил и защитил перед заказчиком расчетные и аналитические обоснования принятых решений, что позволило исключить потенциальные затраты на дополнительные системы;
    - оптимизировал алгоритм работы систем промышленного оборудования, чем предотвратил преждевременный выход из строя и затраты на замену дорогостоящего оборудования.

  • Экодар
    Инженер-разработчик
    Сентябрь 2014 — Август 2016 (2 года)

    - моделировал в 3D небольшие станции очистки воды,
    - разрабатывал комплекты проектной документации.

Высшее образование

  • МГСУ (НИУ)

    Московский государственный строительный университет
    Водоснабжения и водоотведения (ВИВ), (ранее ВиК)
    Сентябрь 2009 — Июнь 2014 (4 года и 9 месяцев)

Дополнительное образование