Data scientist

На данный момент Data scientist.

Мои компетенции и опыт

Языки и библиотеки:
• Python, SQL, Swift, Kotlin
• PyTorch, Tensorflow, Keras, OpenCV, Pandas, Albumentations, Power BI, Tableau, Tesseract, Seaborn, imageai и многие-многие другие :)
Навыки глубокого обучения:
• ANN, CNN, RNN, Трансформеры, лямбда сети, MLP..
• Анализ данных и алгоритмы машинного обучения
Catboost, XGBoost, LightBoost, логическая регрессия, эластичная сеть, лассо, регрессия и классификация хребта, байесовская регрессия, полиномиальная регрессия, деревья решений, K-средних, DBscun, UMAP, t-SNE.
Анализ и обработка данных, заполнение пропущенных значений, стандартизация, преобразования box-cox, нормализация, регистрация данных, сокращение размерности данных, кластеризация, обобщение, итеративное заполнение
• Компьютерное зрение: семантическая сегментация (Unet, PSPnet, Linknet, DeeplabV3), обнаружение объектов, GAN, рисование изображений, OCR
(YOLOv3-v5 & yolor), отслеживание (глубокая сортировка), распознавание и идентификация лиц, классификация (в основном
применение сетей в качестве основы для более сложных задач)
• Система записи
нестандартные модели, Imlpict, LightFM. Совместная фильтрация, матричная факторизация.
• NLP: LSTM, GRU, T5, BERT / Transformers, поиск по лучу, генерация текста, встраивание слов, NER, DeepPavlov, seq2seq / bert2bert, распознавание речи.
• Понимание математики, лежащей в основе методов оптимизации: GD, SGD, RMSProp, Momentum, Adam, Adagrad
снижение скорости обучения, пакетная нормализация
• Приложение для переноса обучения
Обучение с подкреплением (в настоящее время изучается):
• MDP, POMDP, уравнения Беллмана, функции стоимости, структура GPI
• Динамическое программирование, Монте-Карло, TD-обучение, Q-обучение, (Ожидается) Sarsa, Dyna Q
• Примерные методы, градиент политики, субъект-критик