Разработка и внедрение полного цикла моделей машинного обучения:

• Разработка моделей машинного обучения для задач классификации Стек: pandas, numpy, sklearn (RandomForest, GradientBoosting), imblearn (SMOTE, RandomUnderSampler), TensorFlow. Решаемые задачи: Прогнозирование оттока клиентов, классификация текстов, обнаружение мошенничества, оценка кредитоспособности.

• Разработка моделей и алгоритмов для задач кластеризации Стек: sklearn (K-Means, DBSCAN), seaborn, matplotlib (для визуализации кластеров). Решаемые задачи: Сегментация пользователей и клиентов, анализ рынка, поиск аномалий в данных.

• Разработка моделей и алгоритмов для задач регрессии Стек: sklearn (LinearRegression, RandomForestRegressor), statsmodels, TensorFlow (DNN для регрессии). Решаемые задачи: Прогнозирование спроса, оценка стоимости недвижимости, предсказание прочности бетона.

Инструменты и инфраструктура:

• Предобработка и анализ данных: pandas, numpy, missingno (анализ пропусков), imblearn (борьба с дисбалансом)
• Визуализация: matplotlib, seaborn
• Разработка API и веб-интерфейсов: FastAPI (с валидацией данных через pydantic), Streamlit для создания ML-дашбордов и прототипов
• Контейнеризация и развертывание: Docker (создание образов для моделей и сервисов)