Аналитик

Был больше месяца назад

По договорённости

23 года (родился 12 ноября 2002)

Ростов-на-Дону

Занятость

полная занятость

Гражданство

Россия

Контакты

Телефон

Почта

Будут доступны после открытия

Профессиональные навыки

Python
SQL
Английский язык
Big Data
Tensorflow
YOLO
pandas
Показать еще

Фото, имя и контакты доступны только авторизованным пользователям

Опыт работы 6 месяцев

- Февраль 2025 – июнь 2025
- 5 месяцев
Эксперт
Центральный банк
Обязанности и достижения:
- Участвовать в разработке автоматизированных методов сбора и обработки данных.- Участвовать в отраслевых и тематических исследованиях.- Достижения: Разработал и внедрил комплекс автоматизированных таблиц в Excel Power Query, что сократило время обработки экономических и статистических данных на 80%
- Январь 2025 – июнь 2025
- 6 месяцев
ML-инженер
Индивидуальное предпринимательство / частная практика / фриланс, Ростов-на-Дону
Обязанности и достижения:
1) Проект: yolov8-contraband-detection Цель: Разработка системы детекции запрещенных предметов (4 типа холодного оружия) с использованием YOLOv8 для задач безопасности и досмотра. Стек технологий: Python, Ultralytics YOLOv8, PyTorch, Roboflow (источник данных), OpenCV. Результат: Готовая к интеграции модель детекции контрабанды с верифицированной точностью. Система демонстрирует устойчивую работу при вариациях объектов и условий съемки 2) Проект: SOL_LSTM_PREDICT Цель: Разработка модели для прогнозирования цены закрытия криптовалюты Solana (SOL) с использованием рекуррентных нейронных сетей LSTM (Long ShortTerm Memory). Стек технологий: Python, TensorFlow/Keras, Pandas, NumPy, Scikit-learn (MinMaxScaler, mean_squared_error, mean_absolute_error, r2_score), Plotly, Matplotlib.. Результат: Создана работоспособная модель прогнозирования временного ряда цены Solana, демонстрирующая навыки обработки временных рядов, работы с нейронными сетями (LSTM) и глубокого обучения на практике. 3) Проект: knifeguard-bot_telegram Цель: Разработка Telegram-бота для автоматического обнаружения холодного оружия на рентгеновских снимках с помощью компьютерного зрения для таможенного контроля. Стек технологий: Python, YOLOv8 (Ultralytics), Telegram Bot API (aiogram), OpenCV, PyTorch. Результат: Рабочий прототип бота с точностью детекции до 85%, сокращающий время проверки грузов и минимизирующий человеческий фактор.
- Январь 2025 – июнь 2025
- 6 месяцев
ML-инженер
Фриланс
Обязанности и достижения:
Разработка модели на базе Yolov8 для детекции запрещенных предметов (боевых ножей) на рентгенскорических снимках

Образование

- Высшее образование
- 2025
Российская таможенная академия, Москва
Факультет: Факультет таможенного дела
Специальность: Информационные технологии

Обо мне

Дополнительные сведения:

1) Финалист в конкурсе «Всероссийская Стипендия Kept» 2) Участник V международной научно-практическая конференции «современные вызовы экономики и систем управления в России в условиях многополярного мира» с докладом «Интеллектуальные системы мониторинга электронной почты для предотвращения утечек конфиденциальной информации», ФГОБУ ВО Финансовый университет при Президенте РФ 3) Участник III Международного междисциплинарного молодежного форума «Человек. Знак. Техника» с докладом «Методы искусственного интеллекта для выявления и предотвращения утечек информации в облачных хранилищах», СамГУ 4) Участник всероссийской научно практической студенческой конференции на иностранных языках с международным участием «Инновационные стратегии профессиональной коммуникации: вызовы современности 2024» с докладом «Искусственный интеллект в системах защиты информации: выявление и предотвращение утечек конфиденциальных данных», ДГТУ Проекты на GitHub: https:/github.com/Bezzydia Проект: SOL_LSTM_PREDICT Цель: Разработка модели для прогнозирования цены закрытия криптовалюты Solana (SOL) с использованием рекуррентных нейронных сетей LSTM (Long Short-Term Memory). Стек технологий: Python, TensorFlow/Keras, Pandas, NumPy, Scikit-learn (MinMaxScaler, mean_squared_error, mean_absolute_error, r2_score), Plotly, Matplotlib. Ключевые задачи и достижения: Предобработка данных: Загрузка и анализ исторических данных о цене SOL. Выделение временного ряда цены закрытия (Close). Инжиниринг признаков: Нормализация данных с использованием MinMaxScaler. Формирование последовательностей (time steps) для обучения LSTM. Построение и обучение модели: Разработал архитектуру LSTM-сети (Sequential) с использованием TensorFlow/Keras. Модель включает LSTM-слой (10 нейронов, activationrelu) и полносвязный выходной слой (Dense (1)). Оптимизатор - Adam, функция потерь - mean_squared_error. Валидация и оценка: Провел оценку качества модели на тестовом наборе данных. Использовал метрики регрессии: RMSE, MAE, R. Визуализация результатов: Построил интерактивные графики исходного временного ряда и результатов прогноза (библиотека Plotly). Визуализировал сравнение фактических цен закрытия с предсказанными на тренировочном и тестовом наборах данных. Проанализировал график обучения (training/validation loss) для контроля переобучения. Реализовал прогноз цены на будущие 30 дней и визуализировал его вместе с последними известными данными. Результат: Создана работоспособная модель прогнозирования временного ряда цены Solana, демонстрирующая навыки обработки временных рядов, работы с нейронными сетями (LSTM) и глубокого обучения на практике. Проект: yolov8-contraband-detection Цель: Разработка системы детекции запрещенных предметов (4 типа холодного оружия) с использованием YOLOv8 для задач безопасности и досмотра. Стек технологий: Python, Ultralytics YOLOv8, PyTorch, Roboflow (источник данных), OpenCV. Ключевые задачи и достижения: Обучение модели YOLOv8 на датасете Roboflow (лицензия CC BY 4.0) с автоматической распаковкой и валидацией структуры данных Настройка гиперпараметров: img_size640, batch_size8, epochs50 Достижение метрик: Precision@0.8, Recall@0.7, mAP@0.5@0.776 Обеспечение стабильности метрик для всех классов холодного оружия Реализация end-to-end пайплайна: от подготовки данных до инференса Результат: Готовая к интеграции модель детекции контрабанды с верифицированной точностью. Система демонстрирует устойчивую работу при вариациях объектов и условий съемки. Проект: knifeguard-bot_telegram Цель: Разработка Telegram-бота для автоматического обнаружения холодного оружия на рентгеновских снимках с помощью компьютерного зрения для таможенного контроля. Стек технологий: Python, YOLOv8 (Ultralytics), Telegram Bot API (aiogram), OpenCV, PyTorch. Ключевые функции: Детекция 4 типов ножей: армейские, охотничьи, сабли, складные Интерактивное меню с настройкой порога уверенности Обработка изображений за секунды (среднее время отклика 5с) Логирование операций и результатов распознавания Технические достижения: Интеграция YOLOv8-модели (precision@0.8, recall@0.7, mAP@0.5@0.776) Реализация асинхронной обработки запросов Оптимизация pipeline для работы на CPU-серверах Разработка системы конфигурации (порог уверенности, форматы вывода) Результат: Рабочий прототип бота с точностью детекции до 85%, сокращающий время проверки грузов и минимизирующий человеческий фактор. Проект: Electronic-Navigation-Seal-Tracking-System (NaviSeal) Цель: Создание системы мониторинга электронных навигационных пломб (ЭНП) с геолокацией для логистических компаний через Telegram-интерфейс. Стек технологий: Python, Aiogram, SQLite, Yandex Maps API, REST. Ключевые функции: Управление статусами пломб (Активация/Деактивация) Трекинг местоположения с интеграцией Яндекс.Карт Полный аудит изменений с timestamp Поиск по госномеру (GRZ) Визуализация маршрутов грузов Технические особенности: Реляционная БД (SQLite) с историей изменений статусов State Machine для управления диалогами Система валидации координат Python, SQL, Английский язык, Big Data, TensorFlow, Yolo, pandas