ML-инженер: полный цикл от данных до внедрения моделей в эксплуатацию, 6 проектов. Сертификация Yandex EdTech (2026).
ML Engineer: end-to-end pipelines, 6 production-ready projects (churn prediction, recommender systems, uplift modeling, service deployment). Yandex EdTech professional certificate, 2026. Open to remote work and relocation. Projects · Contact
Опыт в ML: 6 проектов полного цикла (данные → модель → внедрение в эксплуатацию). Направления: пайплайны данных и обучения (Airflow, DVC), внедрение ML‑сервисов (Docker), рекомендательные системы, uplift-моделирование. Сертификация Yandex EdTech 2026.
- Churn: F1-score (бинарная классификация), автоматизация пайплайнов (Airflow, DVC, MLflow)
- Рекомендательная система: метрики Precision@5, Recall@5, Coverage, Novelty@5; гибридная модель (Implicit + CatBoost), REST API и Docker
- Uplift-модель: Uplift@30% = 0.0518 (отлично), прирост +26.3% относительно базовой модели (baseline); A/B тестирование, внедрение в Yandex Cloud
- Внедрение ML‑моделей в эксплуатацию: контейнеризация, мониторинг (Grafana, Prometheus)
- Версионирование данных и моделей: DVC, MLflow; воспроизводимость экспериментов
| Область | Технологии |
|---|---|
| Core ML | Python, Pandas, NumPy, Scikit-learn, CatBoost, Implicit, Scikit-uplift, Optuna |
| MLOps и пайплайны | DVC, MLflow, Airflow |
| Production | Docker, FastAPI, Uvicorn |
| Cloud и мониторинг | Yandex Cloud, S3, Prometheus, Grafana |
Технологии: Python, Scikit-learn, Airflow, DVC, MLflow
Разработка системы предсказания оттока клиентов с полной автоматизацией процесса. Метрики: F1-score, Accuracy, Precision, Recall.
Технологии: Python, Scikit-learn, feature engineering
Улучшение базовой модели и метрик качества.
Технологии: Docker, мониторинг
Внедрение ML‑модели в эксплуатацию, процесс доставки и мониторинг качества.
Технологии: Python, Implicit, CatBoost, FastAPI, Docker
Гибридная рекомендательная система для музыкального стриминга (Яндекс Музыка). Метрики: Precision@5, Recall@5, Coverage, Novelty@5.
Технологии: Python, Scikit-uplift, A/B тестирование
Модель для определения эффективной аудитории маркетинговых кампаний. Uplift@30% = 0.0518 (отлично), прирост +26.3% от baseline.
Технологии: Python, Implicit, CatBoost, FastAPI, Docker
Полный цикл: постановка задачи → данные → модель → внедрение в эксплуатацию.
АНО ДПО «Образовательные технологии Яндекса» (Yandex EdTech) | 2025–2026
- Программа «Инженер машинного обучения» (для специалистов с опытом)
- Квалификация: специалист по большим данным (Big Data Specialist)
- 6 проектов в портфолио: пайплайны данных, улучшение базовых моделей, внедрение решений в эксплуатацию, рекомендательные системы, uplift‑моделирование
- Менторинг от практикующих ML-инженеров Яндекса
Сертификация
- Диплом о профессиональной переподготовке (2026, документ 2026-14499-001). Сертификаты и дипломы: github.com/DataClasse/certificates.
- ML Engineer
- MLOps Engineer
- Data Scientist (продуктовые задачи)
- AI Engineer
- Email: aiopendata@gmail.com
- GitHub: github.com/DataClasse
- LeetCode: leetcode.com/u/aiopendata
- Kaggle: kaggle.com/dmitryvsh
- Хабр Карьера: career.habr.com/gliderai
Готов к обсуждению возможностей сотрудничества.