Я работаю с Data Science и ML: от грязных данных и исследовательского анализа до моделей, пайплайнов и интерфейсов, которыми реально можно пользоваться.
Люблю проекты, где недостаточно просто обучить модель и вывести метрику. Мне интереснее собрать весь путь целиком: данные → анализ → логика → backend → визуализация → рабочий продукт.
Основной язык — Python. Для интерфейсов использую React / TypeScript, для API — FastAPI. Работаю с SQL, ETL, ML, статистикой, production-аналитикой и локальными LLM.
focus = [
"Data Science",
"Machine Learning",
"Data Analysis",
"ML / Data Products",
"Data Pipelines & Monitoring",
"LLM & local inference",
]
- исследую данные и строю ML-решения, а не только ноутбуки;
- собираю end-to-end проекты с backend и интерфейсом;
- работаю с drift detection, качеством данных, пайплайнами и мониторингом;
- экспериментирую с локальными LLM, evaluation и прикладными AI-системами;
- развиваю FORIT TECH как пространство для своих технических проектов.
Это не список репозиториев, а скорее типы систем и задач, к которым я постоянно возвращаюсь.
Исследую поведение данных во времени: drift, аномалии, классификацию, ранжирование и качество сигналов. Обычно начинаю с гипотезы и эксперимента, а заканчиваю воспроизводимым пайплайном и понятной проверкой результата.
statistics scikit-learn time series evaluation
Собираю инструменты вокруг данных: profiling, проверки качества, ETL, SQL, автоматизацию обработки и dashboards. Идея простая — меньше ручной рутины, больше прозрачного и повторяемого процесса.
Python Polars pandas SQL ETL
Экспериментирую с локальным inference, RAG, оценкой моделей, небольшими классификаторами и LLM-as-a-Verifier. Мне интересны не демо ради демо, а системы, где можно измерить качество, latency, ресурсы и понять, зачем здесь вообще нужен AI.
LLM RAG Ollama GGUF evaluation
Довожу идеи до рабочего приложения: API, backend, интерфейс, хранение данных, фоновые процессы, мониторинг и восстановление после ошибок. Поэтому мои проекты часто находятся где-то между Data Science, backend и продуктовой разработкой.
FastAPI React PostgreSQL ClickHouse GitHub Actions
Исследование concept / data drift в многомерной телеметрии. Не просто «нашлась ли аномалия», а изменился ли сам процесс, который порождает данные, когда это произошло и какие признаки за это отвечают.
Python scikit-learn scipy pytest
Рабочее пространство для анализа табличных данных: профиль датасета, качество, ETL, SQL-просмотр и сравнение ML-моделей.
Python FastAPI Polars scikit-learn React
Desktop-платформа практического обучения IT-профессиям через маршруты, комнаты и миссии. Первый большой маршрут — Data Scientist.
React TypeScript Vite Desktop
Data product для анализа владельцев, компаний, долей и источников: от очистки исходных данных до интерактивного dashboard.
Python pandas React TypeScript Recharts
Data / ML
Python · pandas · Polars · NumPy · scikit-learn · SciPy · Jupyter · SQL
Backend / Data Engineering
FastAPI · PostgreSQL · ClickHouse · ETL · REST API
Frontend
React · TypeScript · Vite · Recharts
Инструменты
Git · GitHub Actions · Linux · Docker · VS Code
