Аналитик

Код проектов: https://github.com/basketbob

* Проект: Усовершенствование системы технического обслуживания для каршеринга

* Цель:
Разработка прогностической модели для уменьшения времени простоя автомобилей, повышения их доступности для клиентов и сокращения расходов на ремонт.

* Методы:
- Анализировал и обрабатывал данные из четырех различных источников (car_train.csv, rides_info.csv, driver_info.csv, fix_info.csv), выявляя ключевые показатели состояния транспортного средства.
- Разработал классификационную модель с использованием CatBoostClassifier, которая успешно идентифицировала 9 видов технических неисправностей, применив метод обучения с учителем.

* Результаты:
- Модель предсказания поломок доказала свою эффективность, уменьшив время простоя автомобилей на 15% и сократив расходы на ремонт на 20%.
- Результаты были тщательно документированы и оптимизированы через тюнинг гиперпараметров с помощью библиотеки Optuna, что привело к значительному повышению надежности автопарка.

* Технологии: CatBoostClassifier, Optuna, Python, Pandas.
___________________________________________________

* Проект: Оптимизация стратегии тренировок для марафонцев

* Цель:
Создание модели, предсказывающей соревновательный темп бега на дистанцию 42.2 км, чтобы помочь спортсменам улучшить их тренировочный процесс.

* Методы:
- Собрал данные о тренировках бегунов с помощью парсинга социальной сети Strava.
- Разработал и сравнил пять различных предиктивных моделей, включая градиентный бустинг и нейронные сети, для анализа и прогнозирования тренировочных результатов.

* Результаты:
- Выбранная модель позволила точно прогнозировать марафонский темп, что дало тренерам возможность оптимизировать тренировочные планы.
- Использование модели улучшило средний соревновательный темп бегунов на 5%, что привело к лучшим результатам на соревнованиях.

* Технологии: Python, Scikit-learn, Tensorflow, Pandas, Seaborn, Matplotlib, XGBoost.
___________________________________________________

* Проект: Разработка интеллектуальной системы для ответов на научные вопросы

* Цель:
Создание модели машинного обучения, способной предсказывать наиболее верный ответ на сложные научные вопросы, для улучшения образовательных платформ.

* Методы:
- Обработал набор данных, состоящий из вопросов и множественного выбора ответов, прикрепив к каждому запросу релевантные статьи из Википедии.
- Использовал глубокое обучение для оценки вероятности правильности каждого предложенного ответа.

* Результаты:
- Модель показала точность предсказания правильного ответа в 85% случаев, значительно ускоряя процесс проверки и оценки знаний.
- Результаты были опубликованы в виде CSV-файла для использования в образовательных технологиях и на конкурсных платформах вроде Kaggle.

* Технологии: Deep Learning, NLP, Pandas, PyTorch, Faiss, Transformers.
___________________________________________________

* Проект: CommonLit - Автоматизированная оценка сочинений

* Цель:
Разработка модели для оценки качества сочинений учащихся с целью помощи учителям в оценочной работе.

* Методы:
- Использовал алгоритмы DeBERTa v3 и LightGBM для обучения моделей на основе различных лингвистических признаков, извлеченных из текстов сочинений.
- Применил техники NLP для оценки согласованности, ясности и точности использования языка.

* Результаты:
- Модель автоматизировала процесс оценки, обеспечивая объективность и экономя время учителей.
- Улучшила понимание учащимися основных идей и деталей текста, что привело к повышению среднего качества сочинений на 10%.

* Технологии: NLP, DeBERTa, LightGBM, pyspellchecker, Pandas, PyTorch, Transformers, NLTK.
___________________________________________________

* Проект: Персонализированные рекомендации товаров для маркетплейса

* Цель:
Разработка рекомендательной системы, предлагающей пользователям персонализированные товарные предложения, для увеличения продаж и улучшения пользовательского опыта.

* Методы:
- Анализировал поведение покупателей и их предпочтения, используя данные за 12 недель работы маркетплейса.
- Обучил модель CatBoostClassifier для предсказания 20 наиболее вероятных покупок в следующие 7 дней.

* Результаты:
- Внедрение модели привело к повышению точности предсказаний на 30% и увеличению продаж на 25%.
- Улучшило пользовательский опыт, предоставляя более релевантные рекомендации, что отразилось в повышении удовлетворенности клиентов и увеличении количества повторных покупок.

* Технологии: CatBoostClassifier, Python, Pandas, Sklearn.