Азамат Рамилевич Гафуров

Практикующий ML-разработчик и аналитик данных.

Опыт:

• Python (5 лет)
• Анализ данных: визуализация, A/B-тестирование и статистический анализ (4 года)
• Машинное обучение: классический ML, глубокое обучение, кластеризация (5 года)
• ML-разработка и дата-пайплайны (3 года)

Подобно чем владею и чему обучу:

1. Анализ данных на Python:
   1.1 Jupyter Notebook (Google Colab)
   1.2 Обработка и чистка данных: Pandas, Numpy
   1.3 Визуализация: Matplotlib, Seaborn, Plotly, Bokeh, Tableau
   1.4. Статистический анализ и A/B-тесты: Scipy, Statsmodels
2. Машинное обучение
   2.1. Классический алгоритмы регрессии и классификации: Scikit-learn, Catboost, XGBoost, LightGBM
   2.2. Ранжирование, матчинг, Uplift-моделирование, NLP, Анализ временных рядов
   2.3. Глубинное обучение: PyTorch, Lightning, NLP (Transformers, BERT, GPT), Компьютерное зрение (CNN, OpenCV, YOLO), RNN, LSTM, Transformer.
   2.4. MLOps: DVC, MLFlow, Docker, Git, деплой и трэкинг ML-моделей
   2.5. Кластеризация: DBSCAN, K-means/medoids, Иерархическая кластеризация, кластеризация на графах
3. REST API: HTTP-запросы, Swagger, Flask, FastAPI
4. SQL (SQL запросы и развертывание БД: PostgreSQL, Clickhouse), No-SQL (MongoDB, Neo4j + Cypher)
5. ETL, data-пайплайны: Airflow
6. Big Data: PySpark, MLlib
7. Прототипирование ML/Data-приложения: Streamlit
8. Рецензия научных/курсовых работ по анализу данных и ML на английском языке
9. Применение предобученных языковых моделей для создания чатботов, AI агентов, работы с документацией. OpenAI API, GPT-3.5/4, текстовые эмбеддинги, Langchain.

Коснультирую для разработки ML/AI-систем.

Преподаю свой курс по машинному обучению и анализу данных:

1. Линейная и логистическая регрессия
2. Деревья Решений
3. Алгоритм k ближайших соседей
4. Bias Variance trade-off
5. Bagging, Boosting, Blending, Stacking
6. Матрицы, градиентный спуск
7. Регуляризация
8. Кластеризация и снижение размерности
9. Глубинное обучение. Backprop. Функции активации. Работа с PyTorch. Как обучать на CPU/GPU.
10. Многослойный перцептрон, конволюционные сети, рекруррентные сети.
11. Оптимизация гиперпараметров модели
12. EDA и предобработка данных
13. Продвинутая визуализация
14. Проверка стат. гипотез
15. Прототипирование и вывод моделей в продакшн