Разработчик ML

Тел.: (495) 987–45–64

E-mail: info@profistaff.ru

Пол: Мужской

Семейное положение: не женат, детей нет

Место жительства: г. Москва

IT-интегратор, г. Москва

Должность: Программист по нейронным сетям

Обязанности:

Проектирование AML системы с использованием Pandas и NumPy, методов машинного обучения Scikit-learn, CatBoost, фреймврка PyTorch для идентификации подозрительных транзакций (это сократило количество фрод операций и снизило риски штрафов со стороны регуляторов).

Создание модели скоринга транзакций с использованием алгоритмов Logistic Regression, Random Forest, XGBoost, CatBoost для выявления подозрительных активностей.

Оптимизация  гиперпараметров  с помощью Grid Search и Random Search, добился F1 score > 0.8.

Проведение системных обзоров с командой QA, инициирование задач по отладке и обновлениям системы.

Уменьшение количества багов в системе.

Использование UML/BPMN для визуализации архитектуры системы.

Проведение ревью кода и документации.

Разработчики ПО, г. Москва

Должность: Программист по нейронным сетям

Обязанности:

Анализ и оптимизация  энергопотребления майнингового завода с использованием библиотек Python (Pandas, NumPy), временных рядов (SARIMA, ARIMA) и инструментов визуализации (Matplotlib, Seaborn) (это позволило снизить затраты на электроэнергию на 8% и повысить эффективность мощностей).

Разработка предиктивных моделей, используя Scikit-learn, XGBoost для прогнозирования доходности майнинга (модели позволили точнее прогнозировать прибыль и оптимизировать использование оборудования).

Прогнозирование отказов майнингового оборудования с помощью (CatBoost, LightGBM), что увеличило срок амортизации оборудования.

Автоматизация  ETL процессов завода с помощью Apache Airflow и настройка дэшбордов с помощью Apache Superset.

Создание рекомендательной системы, работающей с отзывами и чат-ботом с помощью PyTorch и BERT (это повысило среднюю доходность с клиента на 28% (CLV) и увеличило срок жизни клиента (LTV) на 6 месяцев).

Финтех, г. Москва

Должность: Data Scientist

Обязанности:

Рыночный анализ ценных бумаг, используя временные ряды (Statsmodels, SciPy) для анализа торговых данных и оптимизации стратегий автоследования (это позволило снизить риски клиентов и увеличить квартальную доходность портфелей на 12%).

Сегментация  клиентов с использованием алгоритмов кластеризации (K-Means, DBSCAN) и фреймворка PySpark (это помогло разработать персонализированные инвестиционные предложения, увеличив конверсию продаж новых клиентов на 5%).

Разработка модели для прогнозирования оттока клиентов (Logistic Regression, Random Forest, XGBoost).

Оптимизация  гиперпараметров с помощью Grid Search и Random Search, что позволило снизить отток клиентов на 10% и увеличить retention.

Использование Python и SQL для управления базами данных и анализа клиентских профилей.

Создание дашбордов с помощью Tableau и Superset для презентации информации менеджменту.