Расскажи о своих проектах

Портфель моих Data Science проектов

Имею опыт работы на полном цикле от постановки задачи до мониторинга в production.

1. Рекомендательная система для стриминг-платформы

Масштаб: 2M+ активных пользователей, 100K+ контента

Проблема: Стандартный контент показывал низкий engagement

Решение:

• Комбинировал matrix factorization и deep learning
• Использовал метрики: просмотры, завершения, пропуски, лайки
• Реализовал A/B тест: контрольная группа vs рекомендации
• Результат: +28 процентов средней длительности сессии
• Система обновляется еженедельно, кэшируется для speed

2. Система прогнозирования спроса (Demand Forecasting)

Контекст: Сеть розничных магазинов, 500+ точек продаж

Задача: Точно предсказать спрос SKU на 7-14 дней

Подход:

• Feature engineering: сезонность, дни недели, праздники, погода
• Ensemble: LightGBM плюс LSTM плюс Prophet
• Обработка дисбаланса: веса для редких товаров
• Кросс-валидация с уважением к временной структуре

Результат: MAPE 12 процентов (улучшение на 35 процентов от baseline)

Бизнес-эффект:

• Оптимизация складских остатков
• Снижение переизбытка на 40 процентов
• Экономия 2.5M руб в год на хранение

3. Модель атрибуции маркетинговых каналов

Задача: Понять, какой маркетинговый канал реально приносит конверсии

Решение:

• Марковская цепь для моделирования переходов
• Шепли-значения для справедливого распределения атрибуции
• Сравнил с last-click и first-click подходами

Результат: Перераспределение бюджета на 18 процентов повысило ROI

4. Классификация дефектов в производстве (Computer Vision)

Задача: Автоматически выявлять бракованные изделия на конвейере

Решение:

• Transfer learning с ResNet50 на ImageNet
• Fine-tuning на 3000 аннотированных фотографий
• Real-time обработка: 30 fps на GPU

Метрики:

• Precision: 0.96
• Recall: 0.92

Эффект: Снижение брака с 4 процентов до 1.2 процентов

5. Прогноз оттока абонентов (Telecom Churn)

Данные: 100K абонентов, 50+ признаков

Модели:

• XGBoost с гиперпараметрической оптимизацией
• SHAP для интерпретации
• Калибровка вероятностей на валидационном наборе

Результат: AUC-ROC 0.87

Бизнес: Проактивный контакт с группой риска снизил отток на 15 процентов

6. NLP: Анализ тональности отзывов

Задача: Автоматизировать анализ 50K+ отзывов клиентов

Подход:

• Fine-tuned BERT на 5K размеченных отзывов
• Мультиклассовая классификация: положительный, нейтральный, отрицательный
• Извлечение ключевых слов через TF-IDF

Метрика F1: 0.91

7. Аномалия детекция в логах

Задача: Выявить необычные паттерны в системных логах

Техники:

• Isolation Forest для быстрого screening
• DBSCAN для выявления кластеров аномалий
• Autoencoder для обучения нормального поведения

Общие метрики успеха

Что я ценю в проектах:

1. Измеримость — всегда есть метрика улучшения
2. Production-ready код
3. Масштабируемость
4. Интерпретируемость для бизнеса
5. Мониторинг с alerts при деградации

Все проекты прошли A/B тесты и принесли измеримую бизнес-ценность.