Дополнительные сведения:
Когда был бакалавром на кафедре «Математика и моделирование» по направлению «Прикладная математика и информатика», мной было освоено в рамках учебной программы:
- формулировать сложные задачи в строгой математической форме;
- разрабатывать различные модели и моделировать реальные процессы (математические, физические, экономические и т. д.);
- структурировать, очищать, анализировать и визуализировать данные;
- применять математическую статистику, машинное обучение, численные методы для решения уравнений, оптимизационных и вероятностных задач;
- строить прогнозные и оптимизационные модели, оценивать погрешности вычислений, выбирать подходящие методы для конкретных ситуаций;
- создавать программный инструмент под конкретную практическую задачу: от симуляции до анализа рисков;
- интерпретировать и представлять результаты в понятной форме, выявлять закономерности;
- понимать, как устроены алгоритмы, их сложность, устойчивость, вычислительная эффективность.
Также освоил программу профессиональной переподготовки «Переводчик в сфере профессиональной коммуникации», где умею:
- выполнять письменный перевод текста, сохраняя стиль написания текста (публицистический, научно-технический, художественный, разговорный, официально-деловой);
- выполнять устный перевод (последовательный);
- подбирать стилистически адекватные/нейтральные выражения, не потеряв смысл оригинала;
- обрабатывать и анализировать текст на двух языках;
- вычленять главное, структурировать текст и адаптировать его под конкретную цель и аудиторию;
- проверять подлинность информации и корректного использования источников;
- владеть навыком постредактирования машинного перевода;
- вести документное и техническое оформление перевода;
- соблюдать этические нормы профессии переводчика.
На данный момент обучаюсь в РТУ МИРЭА по направлению «Прикладная математика (Интеллектуальный анализ данных)».
Навыки:
- уверенно владею всем пакетом MS Office, а также интерактивным редактором формул MathType;
- Mathcad, MATLAB;
- SQL;
- опыт в работе с BI инструментами (Yandex DataLens, 1C: Аналитика);
- Python (pandas, numpy, matplotlib, seaborn, sklearn, scikit-learn; поиск ассоциативных правил с применением алгоритмов apriori, efficient-apriori и fpgrowth; алгоритмы нелинейного снижения размерности t-sne, umap, trimap и pacmap с различным вариантом масштабирования: minmax, standard, robust; svm, knn, rf (random forest) – классификаторы и разбивал выборку на обучающую и тестовую).