Собираю ML-решения полного цикла: бизнес-задача → метрики → данные → модель → инференс. Специализация - дизайн и анализ A/B-тестов и количественная оценка бизнес-эффекта ML-решений.
- 🎓 МФТИ (ФПМИ, прикладная математика и информатика), 2020–2026
- 🎓 AIMasters, Институт искусственного интеллекта МГУ им. Ломоносова, 2023–2025
- 💼 Опыт: X5 Retail Group (CVM), Мегафон (Target)
ML/DS
Data
Инструменты
- Предсказание зарплат в Data Science — пайплайн сравнения моделей (LinReg, KNN, Random Forest, CatBoost) на данных Glassdoor; оценка по R², MAPE и времени инференса.
- Прогнозирование возрастных групп абонентов — классификация на 45 тыс. абонентов (62 признака); CatBoost дал macro Accuracy 0.74 против 0.60 у Random Forest.
- Yambda RecSys - рекомендательная система на датасете Yandex Music — взял Yambda - датасет Yandex Music (4.79 млрд взаимодействий, 1 млн пользователей, 9.4 млн треков), сделал препроцессинг, реализовал три модели (Popularity, Implicit ALS, Content-KNN), реализовал холодный старт для треков у которых не было истории взаимодействия.