Machine Learning Engineer
Март 2026 - Октябрь 2026
Данил Баранцов
Учусь в двух университетах: Центральном университете по направлению «Искусственный интеллект» и НИУ ВШЭ на программе «Прикладная математика и информатика» ФКН. Имею 2 года коммерческого опыта. Победитель регионального этапа ВсОШ по математике и Всесибирской открытой олимпиады школьников, призёр «Дататона 2.0» от Т-Банка. Обладаю аналитическим мышлением, быстро осваиваю новое, внимательно отношусь к деталям и довожу задачи до результата.
Рабочий опыт
Frontend-разработчик
Февраль 2026 - Июль 2026
Machine Learning Engineer
Ноябрь 2025 - Март 2026
Проекты
Проанализировал и подготовил более 500 тысяч наблюдений с учётом временного сдвига данных. Построил ансамбль CatBoost и LightGBM с оптимизацией весов, превысив базовый результат и достигнув ROC-AUC 0,74.
Провёл анализ данных 125 тысяч клиентов и построил CatBoost-модель с ROC-AUC 0,9012. С помощью SHAP выявил ключевые факторы оттока, выделил пять сегментов риска и подготовил рекомендации по удержанию клиентов.
Разработал нейросетевое решение на PyTorch для прогнозирования количества положительных и отрицательных отзывов. Объединил числовые признаки и текстовые описания игр, достиг MAE около 180 и занял 21-е место из 242 участников соревнования.
Разработал веб-сервис для просмотра прогноза погоды по маршруту на карте. Реализовал клиент-серверную архитектуру, интеграцию с внешним API, обработку запросов и визуализацию погодных данных.
В составе команды разрабатываю личного ассистента для управления делами, финансами, здоровьем и гардеробом. В проекте реализованы интерфейс на React и TypeScript и сервис поиска трендов на Node.js и Fastify с веб-поиском, SQLite-памятью и подключением LLM через OpenRouter или Ollama.
Разработал Telegram Mini App для продажи билетов и управления студенческим мероприятием. Реализовал выдачу электронных билетов, аукцион, промокоды, фаншоп и систему фишек с QR-кодами. Создал интерфейс на React и TypeScript, backend на FastAPI с PostgreSQL и интеграции с Telegram и Google Sheets.
Технический стек
Classic ML
Python, NumPy, Pandas, scikit-learn, CatBoost, LightGBM, Optuna, анализ данных, предобработка данных, feature engineering, ансамбли моделей, кросс-валидация, SHAP.
MLOps
Docker, Git, GitLab CI/CD, Apache Airflow, S3, Model Registry, Linux, автоматизация обучения и инференса, тестирование ML-пайплайнов, мониторинг моделей.
Frontend
HTML, CSS, JavaScript, TypeScript, React, адаптивная вёрстка, REST API, визуализация данных, npm, Vite.
Backend
Python, Flask, FastAPI, SQL, PostgreSQL, REST API, клиент-серверная архитектура, интеграция внешних сервисов, тестирование, Docker.
Deep Learning
Python, PyTorch, нейронные сети, NLP, эмбеддинги, трансформеры, LLM, мультимодальные модели, обучение на GPU, распознавание речи.
Математика
Линейная алгебра, математический анализ, теория вероятностей, математическая статистика, дискретная математика, методы оптимизации, проверка гипотез, A/B-тестирование.
