- Значки
- Захабренный
- О себе
- Рихтер Илья Игоревич ML-разработчик / Data Scientist/ Аналитик данных Email: ilia460@mail.ru | Телефон: +7 983 350-81-44 | Telegram: @TwoFive192 GitHub: github.com/2FIVE192 Город: Томск, готов к удалённому формату работы Краткое ML-разработчик с опытом промышленной стажировки в «Газпром нефти». Практика полного цикла: от сбора и предобработки данных и feature engineering до вывода моделей в сервис на FastAPI. Основной профиль — классические методы машинного обучения на табличных данных в финансовой предметной области: градиентный бустинг (XGBoost, CatBoost), прогнозирование временных рядов, кластеризация, поиск аномалий. Дополнительно работал с LLM и NLP: дообучение моделей семейства BERT и мультиагентные LLM-системы для оптимизации бизнес-показателя NPV. Перевожу бизнес-задачу в ML-постановку, интерпретирую результаты моделей и презентую их заказчикам. Навыки Языки и инструменты разработки: Python, SQL, Git, Jupyter, FastAPI. Библиотеки машинного обучения: scikit-learn (sklearn), pandas, numpy, XGBoost, CatBoost, matplotlib, seaborn, PyTorch, TensorFlow. Методы и модели: классические методы машинного обучения — градиентный бустинг, линейная и логистическая регрессия, кластеризация (K-Means), поиск аномалий (Isolation Forest), прогнозирование временных рядов (SARIMA, LSTM); метрики оценки моделей (accuracy, F1, MAE, RMSE, WMAPE, silhouette), кросс-валидация, walk-forward валидация. Математическая статистика: проверка гипотез, доверительные интервалы, A/B-тестирование. NLP и LLM: модели семейства BERT, TF-IDF, классификация текстов, мультиагентные LLM-системы (MetaGPT, CrewAI), дообучение открытых LLM (QLoRA, Unsloth), сервинг на vLLM. Большие данные (Big Data): Spark, Hadoop (MapReduce), Kafka, Apache Storm — учебные и лабораторные проекты в рамках университетского курса «Высокопроизводительная обработка больших данных». Визуализация и отчётность: matplotlib, seaborn, презентация результатов моделей бизнес-заказчикам. Английский язык: B1 — чтение технической документации, деловая переписка. Опыт работы Стажёр, ML-разработчик (Data Science) — ПАО «Газпром нефть», удалённо Отдел управления математического моделирования, анализа данных и разработки сервисов | Ноябрь 2025 — Июнь 2026 • Собирал и предобрабатывал данные для обучения ML-моделей: очистка, нормализация, feature engineering средствами pandas и numpy. • Дообучал модели семейства BERT для задач классификации текста: подбирал гиперпараметры, оценивал качество по метрикам accuracy и F1. • Разработал мультиагентный оркестратор на фреймворках MetaGPT и CrewAI: конвейер из четырёх ролей (оркестратор, стратег, тополог, физик) генерирует сценарии оптимизации NPV нефтяного месторождения. Расчёт NPV вынес в детерминированный код, оставив LLM только интерпретацию запроса и генерацию сценариев, — это устранило риск арифметических ошибок модели в бизнес-расчёте. • Выявил и устранил дефекты обработки параметров по умолчанию в агенте-стратеге, провёл оценку совместимости сценариев между версиями фреймворков. • Визуализировал результаты экспериментов и презентовал их команде, давая рекомендации по применению моделей. Проекты Personal Finance ML — сервис анализа личных финансов (дипломный проект, финтех) github.com/2FIVE192/personal_finance_ml • Провёл полный цикл Data Science на табличных финансовых данных: EDA, feature engineering, обучение и сравнение шести моделей — SARIMA, XGBoost, LSTM, Isolation Forest, K-Means, TF-IDF с логистической регрессией. • Сравнил прогнозные модели по MAE, RMSE и WMAPE на walk-forward разбиении: SARIMA показала WMAPE 17,2% на месячном горизонте, XGBoost — лучший результат на недельном, LSTM отклонил как неустойчивую. • Сегментировал 32 424 пользователя методом K-Means (k=3) и выделил три поведенческих сегмента: закредитованный (38,3%), экономный (31,1%), высокодоходный (30,7%). • Построил детектор аномальных транзакций на Isolation Forest (contamination 0,05): 60 аномалий из 1 200 операций. • Реализовал двухуровневую категоризацию транзакций: TF-IDF с логистической регрессией для англоязычных описаний и словарь правил по ключевым словам для русскоязычных. • Разработал FastAPI-сервис с пятью эндпоинтами, объединяющий прогнозирование, кластеризацию, поиск аномалий и категоризацию; покрыл API тестами на pytest. • Написал парсер банковских PDF-выписок на pdfplumber с поддержкой форматов Сбербанка, Т-Банка и Альфа-Банка и универсальным fallback. • Нашёл и исправил ошибку масштабирования в детекторе аномалий (модель обучена на данных в USD, применялась к рублёвым) и логический дефект в слое рекомендаций, где доход обрабатывался как категория расхода. FitnessVision AI — мобильное приложение мониторинга активности с AI-прогнозом (команда из 6 человек) • Спроектировал архитектуру и разработал ML-бэкенд на FastAPI: расчёт метрики Activity Score и управление генерацией изображений через Stable Diffusion. • Настроил пайплайн обработки изображений и инференс модели на локальном GPU. Образование Национальный исследовательский Томский государственный университет (НИ ТГУ), Томск Институт прикладной математики и компьютерных наук Бакалавр, направление «Прикладная информатика» (09.03.03), 2022 — 2026 Профильные курсы: высокопроизводительная обработка больших данных, машинное обучение, математическая статистика и теория вероятностей, анализ данных и визуализация.
- Подписан на компании
BegetBeget — Облачный провайдер инфраструктуры
BotHubBothub — экосистема AI инструментов
Open Data ScienceКрупнейшее русскоязычное Data Science сообщество
Online patentВаш личный патентный офис
OTUSРазвиваем технологии, обучая их создателей
ПСББлог ИТ-команды ПСБ — банка из топ-4
RUVDS.comVDS/VPS-хостинг. Скидка 15% по коду HABR15
МТСПро жизнь и развитие в IT
СберТехнологии, меняющие мир
SelectelIT-инфраструктура для бизнеса
StudyAIКомпания
Timeweb CloudТо самое облако
VKТехнологии, которые объединяют
ЯндексКак мы делаем Яндекс
Информация
- В рейтинге
- Не участвует
- Зарегистрирован
- Активность
Специализация
Ученый по данным, ML разработчик
Стажёр
От 50 000 ₽
Python
ООП
Машинное обучение
NumPy
Deep Learning
TensorFlow
Keras
PyTorch
Нейронные сети
Scikit-learn