Data science и Full-stack разработчик с опытом более 5 лет

1.Computer Vision
2.NLP
3.Graph Neural Networks
4.RecSystems
5.Machine Learning
6.Django
7.Flask
8.OpenCV
9.Selenium
10.BeautifulSoup
11.Scrappy
12.telegram bot
13.pytorch, tensorflow, sklearn, catboost
14.большой опыт работы с базами данных(PostgreSQL, MySQL+MariaDB, Mongo)
15.И другие, менее изученные библиотеки, фреймворки, etc.

Хакатоны и соревнования:

AIIJC 2021: International AI Olympiad
Нашей задачей было предсказать агрессивное вождение среди водителей такси, используя следующие типы данных: маршрут такси, комментарий клиента о поездке, другие табличные данные о заказе.

Лидеры Цифровой трансформации | Toп 1.
Наша команда создала платформу, которую врачи могут использовать для маркировки медицинских изображений с помощью автоматического и полуавтоматического инструмента для маркировки. Эта функция достигается с помощью обученных моделей компьютерного зрения для различных типов заболеваний и типов данных.

Tender Hack | Toп 1
По данным сеанса торгов (таким как наименование товара, ИНН заказчика, статус, код специального вида и др.) можно прогнозировать две метки. Первой задачей было определить, насколько упадет цена в процентах, а второй задачей было предсказать количество участников аукциона. Я использовал модель catboost с вложениями BERT.

Tracking Hackathon Toп 1
Отслеживание материалов (камней/минералов) на производственной ленте и их классификация по размерам. Использование YOLO для обнаружения и эвристических алгоритмов для отслеживания на основе частоты кадров и зон.

Machines Can See 2022 Toп 2
Задача состояла в том, чтобы построить и обучить сильную модель для проверки автомобилей. Я тренировал EfficiennetV2M с тройной потерей (Circle, Contrastive, Crossentropy). Также постобработка дала большое улучшение с использованием эталонных вложений.

GEEKS FREAKS HACKATHON Toп 1
Задача создания музыки была хорошим способом улучшить свои навыки в этой области. Я тренировал gpt-neo с Hugging-Face на миди-файлах.

Neuro Technologies Contest Toп 2
Задание на классификацию шумной речи. Я использовал ансамбль доработанных Hubert и Wav2vec с шумоподавлением для классификации коротких голосовых записей.

AIJJ 2020 Digital Petr Track Toп 2
Задание на распознавание рукописей Петра Великого. Я использовал архитектуру Transformer + CNN, пользовательские дополнения, модели CNN, предварительную обработку, постобработку и объединение, чтобы улучшить оценку.

MLB Explainability Prizes Kaggle Toп 3
Задача анализа данных. Мой анализ включал в себя глубокое исследование данных, их профилирование и визуализацию. Эта работа помогла мне в основном конкурсе.

Health Data Hack Toп 3
2D-сегментация клеток колоректального рака на гистологических срезах с высоким разрешением. Мое решение основано на методе разбиения большой картинки на мелкие участки и прогнозирования их по отдельности. Я использовал Ensemble из двух моделей Unet++, обученных на разных размерах патчей, и сильное увеличение времени тестирования при постобработке.

RSNA-MICCAI Brain Tumor Radiogenomic Classification Kaggle Toп 9/1555
Я подошел к этой задаче как к задаче трехмерной классификации. Я изо всех сил старался создать стабильную проверку и создал ансамбль из 25 моделей Ecientnet-3D, обученных одному типу МРТ. Я использовал меньшие размеры изображений при обучении и более крупные при выводе, чтобы сделать мое решение максимально стабильным и ускорить процесс обучения.

Для связи: WhatsApp(+79084494321)/Telegram(@semeka13)