Специалисты

Описание

Образование: 2011 УрГЮА Вечерний, Юриспруденция

Владение языками программирования: Python
Технологии и основные скилы: Python, SQL, Git, Docker, Scikit-learn, PyTorch, Hugging Face, FastAPI, MLflow, feature engineering, pandas, Numpy, Seaborn, Matplotlib, CatBoost, XGBoost, LightGBM, Linux, ORACLE, ML, Deep Learning, SciPy, Data Science, Деловая переписка

Опыт
Проект

Система анализа и прогнозирования успешности участия в тендерах

Описание

Роль в проекте: ML-инженер Описание: Разработка аналитической платформы для автоматизации мониторинга, анализа и прогнозирования успешности участия в тендерах по 44-ФЗ, 223-ФЗ, АСТ-ГОЗ, 275-ФЗ и коммерческим закупкам. В рамках проекта были построены ML/DL-модели для оценки шансов на победу, надежности контрагентов и ценообразования, что позволило увеличить оборот компании по тендерным сделкам на 30% . Проект включал полный цикл: от парсинга данных с государственных и коммерческих площадок до подготовки и подачи предложений. Также была реализована система ансамблевого прогнозирования цены предложения на основе логистической регрессии, CatBoost и FNN-нейросетей. Достижения: Увеличил оборот компании по тендерным сделкам на 30% Разработал модель FNN для оценки и ранжирования тендеров. Построил модель CatBoost для определения надежности держателя тендера. Проводил анализ тендерной документации, подготовку и подачу предложения. Разработал систему (ансамбль LR, CatBoost, FNN) определения цены предложения. Провел моделирование торга за цену на SHAP. Проводил аналитику конкурентов и их тендерных предложений, ценовой политики. Выполнял обязанности руководителя команды.

Технологии

Python, pandas, numpy, sklearn, PyTorch, CatBoost, scipy, matlplotlib, seaborn, FastAPI, SHAP, Docker

Проект

Система прогнозирования и оптимизации логистики и ценообразования на основе ML/DL моделей (ML Supply Chain Optimizer)

Описание

Роль в проекте: ML-инженер Описание: Разработка аналитической и прогнозной системы на основе машинного и глубокого обучения для повышения эффективности логистики, управления запасами и динамического ценообразования. Проект охватывал анализ текущего объёма продаж, выявление возможностей увеличения оборота за счёт сторонних товаров, а также построение ML/DL-моделей для прогнозирования сроков поставки, количества товаров на складе и динамики цен. Были внедрены модели машинного обучения и механизмы обработки данных, позволившие автоматизировать принятие решений в закупках, логистике и ценообразовании. Также была организована работа команды, налажены процессы сбора, обработки и использования данных. Достижения: Увеличил оборот компании до 150 млн в год Проанализировал текущий объем продаж и рынок торговли. Увеличил объем торговли сторонними товарами. Разработал модель на FNN для определения срока поставки. Поддерживал SQL витрины для ведения отчета с датчиков маршрутов поставок и логистики. Выявлял аномалии в сроках поставки при помощи K-means. Разработал модель (CatBoost) определения динамики цен на основе сезонности, рыночных трендов и конкурентных предложений. Разработал модель (LSTM) минимального и рекомендуемого количества товаров на складе. Выполнял обязанности руководителя команды. Наладил процессы сбора, обработки и поставки данных.

Технологии

Python, pandas, numpy, sklearn, CatBoost, PyTorch, SQL, Docker, git