Опыт:

• Python (4 года)
• Анализ данных: визуализация, A/B-тестирование и статистический анализ (4 года)
• Машинное обучение: классический ML, глубокое обучение, кластеризация (3 года)
• ML-разработка и дата-пайплайны (1 год)

Подобно чем владею и чему обучу:

1. Анализ данных на Python:
   1.1 Jupyter Notebook (Google Colab)
   1.2 Обработка и чистка данных: Pandas, Numpy
   1.3 Визуализация: Matplotlib, Seaborn, Plotly, Bokeh, Tableau
   1.4. Статистический анализ и A/B-тесты: Scipy, Statsmodels
2. Машинное обучение
   2.1. Классический алгоритмы регрессии и классификации: Scikit-learn, Catboost, XGBoost, LightGBM
   2.2. Ранжирование, матчинг, Uplift-моделирование, NLP, Анализ временных рядов
   2.3. Глубинное обучение: PyTorch
   2.4. MLOps: DVC, MLFlow, Docker, Git, деплой и трэкинг ML-моделей
   2.5. Кластеризация: DBSCAN, K-means/medoids, Иерархическая кластеризация, кластеризация на графах
3. REST API: HTTP-запросы, Swagger, Flask, FastAPI
4. Прототипирование ML/Data-приложения: Streamlit
5. Рецензия научных/курсовых работ по анализу данных и ML на английском языке

Изначально работал биологом-экспериментатором в научной лаборатории. Поэтому сталкивался со всеми сложностями, которые возникают у новичка при изучении анализа данных и машинного обучения. При этом в университете получил хороший математический фундамент, который мне часто приходится объяснять нематематикам.

Примечание: По двум темам вы не найдете курсов, чтобы оперативно разобраться: визуализация и кластеризация данных. Я очень много работал с этими топиками, поэтому разбираюсь глубоко и быстро обучу вас концепции и инструментам.