Начинающий Data Scientist/ML Engineer. Активно ищу работу. Pet-проекты и хакатоны:

Двухступенчатая рекомендательная система для подбора культурных событий из площадки https://www.culture.ru/ (концерты, спектакли, выставки) в чат-бот: Rule-retriever -> LTR-reranker на LightGBM, с жёсткими фильтрами по цене/возрасту, diversity-обрезкой, дедупликацией и fallback-каскадом для холодного старта. Оформил из ноутбуков в продакшн-пакет recsys с тестами, CLI и режимом работы без БД.

AIJ contest 2026 Guardian of Truth(https://dsworks.ru/en/champ/aij26-guardian): Постановка задачи: Конкурс по детекции «контекстных галлюцинаций» в ответах LLM-агента, работающего с инструментами. На вход — полный контекст (правила агента, переписка, вызовы инструментов и их результаты) и проверяемый ход агента; нужно сказать, есть ли в этом ходе галлюцинация (выдуманный факт, вызов несуществующего инструмента, нарушение правил). Метрика — F1, бюджет — 30 минут на одной A100, модель у обеих сторон — Qwen 3.6 35B (MoE, FP8-квантование). Решение — «LLM-судья»: та же модель, но в роли проверяющего. Поднимаю её через vLLM, промпт-инструкция + контекст, и модель отвечает одним токеном «1»/«0». Я не читаю текст ответа: вероятности этих токенов из logprobs и счет по softmax — калиброванный скор «вероятность галлюцинации». Это дёшево (один шаг генерации) и удобно: скоры можно ранжировать, а метки получать порогом или выбором top-k. Результат: F1 = 0.49244 P = 0.34234 R = 0.87692 (57 место из 148 участников)

Credit Scoring: сравнил Random Forest, XGBoost и LightGBM, остановился на XGBoost и упаковал модель в веб-приложение на FastAPI и Streamlit. (https://github.com/brostop1/credit_score)

NLP-классификация: работал с дисбалансом классов, подбирал threshold по recall но это не дало существенных результатов, поэтому сравнивал модели при дефолтном пороге(threshold 0.5). Довёл ruBERT до F1 = 0.89 на токсичном классе. (https://github.com/brostop1/kaggle-toxic-russian-comments)

Computer Vision (ASL): обучил CNN и на практике столкнулся с проблемой domain shift при переходе на real-time inference. Модель показывала неплохие метрики на тесте, но при использовании на камере неверно классифицирует жесты. (https://github.com/brostop1/ASL_detectionCNN)

Мой стек — Python (pandas, numpy, scikit-learn, PyTorch, XGBoost, LightBGM). Также владею Docker, SQL и Git. Готов пройти собеседование или выполнить тестовое задание.