ML-Engineer

Junior ML Engineer с опытом разработки алгоритмов компьютерного зрения и классического машинного обучения. Уверенно пишу на Python, работаю с фреймворками (TensorFlow/Keras) и инструментами MLOps (Docker, FastAPI). Есть реальный опыт подготовки данных, обучения моделей и их оптимизации для продакшена (ускорял инференс за счет подбора оптимальной архитектуры нейросети на реальном производстве). Моя цель - присоединиться к продуктовой команде, где я смогу приносить осязаемую пользу бизнесу и глубже прокачивать компетенции в промышленном внедрении ML-моделей. В 2026 году я заканчиваю обучение на бакалавриате. В данный момент у меня начинается преддипломная практика, поэтому мне не нужно посещать лекции. Учеба никак не пересекается с рабочими часами и не помешает полноценной работе на full-time. Казарян Александр • Резюме обновлено 26 февраля 2026 в 10:05 Проекты: 1. Предсказание оттока клиентов (Churn Prediction) Задача: Разработать модель для прогнозирования оттока клиентов телеком-компании и создать веб-сервис для получения предсказаний. Что сделано: Провел предобработку данных (Pandas): очистка, преобразование типов, разделение на числовые и категориальные признаки. Построил пайплайн (Scikit-learn) с OneHotEncoder, StandardScaler и SMOTE для борьбы с дисбалансом классов. Обучил XGBoost с подбором гиперпараметров через GridSearchCV (оптимизация по F1-метрике). Достиг ROC-AUC 0.85. Разработал веб-интерфейс на FastAPI с возможностью загрузки JSON-файлов и отображением результата. Добавил логирование запросов и упаковал проект в Docker. Результат: Рабочий сервис для предсказания оттока. GitHub: https://github.com/alexkaaz/Churn_prediction 2. Автоматизированное сравнение моделей классификации Задача: Разработать инструмент для быстрого подбора гиперпараметров и сравнения алгоритмов машинного обучения (Random Forest, XGBoost) в задачах бинарной классификации с учётом несбалансированных данных. Что сделано: Создал модуль на Python с использованием scikit-learn, GridSearchCV и imbalanced-learn. Реализовал пайплайн предобработки (обработка пропусков, кодирование категорий, масштабирование, отбор признаков через Lasso) и встроил методы балансировки классов (SMOTE, Undersampling). Добавил функцию для анализа важности признаков после обучения. Результат: Инструмент позволяет автоматически подбирать лучшие параметры и модели, достиг ROC-AUC до 0.89 на тестовых данных. Код модульный и готов к использованию в других проектах. GitHub: https://github.com/alexkaaz/Model_comparison 3. Классификатор изображений на EfficientNetB2 Задача: Разработать модель для классификации изображений по N категориям с использованием предобученной нейросети, способную показывать высокую точность даже на ограниченных данных. Что сделано: На Python с TensorFlow/Keras реализован пайплайн: автоматическое создание датасета из структуры папок, разделение на train/validation/test, аугментация через ImageDataGenerator. На базе EfficientNetB2 построена модель с добавлением BatchNormalization, Dropout, полносвязных слоёв с L1/L2 регуляризацией. Использованы оптимизатор Adamax, ReduceLROnPlateau и EarlyStopping. Добавлена визуализация процесса обучения. Результат: На датасете из 25 000 изображений кошек и собак достигнута точность 99.25% на тестовой выборке. GitHub: https://github.com/alexkaaz/Image-Classifier