Contact information

You can get this candidate's contact information from https://www.work.ua/resumes/20609140/

Work experience

Data analyst (BI)

from 09.2026 to 09.2026 (less than a month)
Sklad service (test task), Київ (Оптова торгівля, дистрибуція, імпорт, експорт)

Цей проект — Аналітичний звіт з логістики складу (що розроблявся на основі реальних бізнес-даних та кейсів) — є яскравим прикладом комплексного підходу до Data Analysis із повним циклом опрацювання: від "брудного" датасету й валідації до кластеризації за допомогою Machine Learning та представлення бізнес-результатів у вигляді дашбордів і презентацій.

Стек: Python, Pandas, Matplotlib, Scikit-learn (K-means) Power BI, PowerPoint.
Додатково: Автоматизована власна бібліотека для прискореного EDA (Exploratory Data Analysis).

Основні етапи реалізації та цифри:

Первинний аудит та Data Cleaning (Очищення даних):
Проблема: Документація містила список товарів, журнал відвантажень та список запитів на обробку, причому частина специфікацій у товарах була заповнена з помилками.
Рішення: На етапі розвідувального аналізу (EDA) за допомогою власних скриптів та Pandas було виявлено аномальний продукт із некоректними технічними характеристиками, який повністю виключили з подальшої обробки, щоб уникнути перекосів у метриках.

Інженерія даних та об’єднання логів (Data Integration):
Злиття початкового щоденного журналу відвантажень із довідником товарів. Розрахунок ключових логічних показників для кожного запису: сумарної ваги, об'єму та загальної кількості одиниць товару у щоденному розрізі.

Розвідувальний аналіз (EDA) та пошук закономірностей:
Визначення пікових навантажень: На основі трьох критеріїв (кількість замовлень, сумарний тоннаж і об'єм) було виділено найбільш завантажені дати роботи складу.

Аналіз клієнтської бази: Визначено типові патерни відтоку клієнтів (customer churn) та сформовано точний рейтинг ТОП-5 клієнтів і ТОП-10 товарів із погляду їхньої цінності для бізнесу.

Машинне навчання та сегментація (K-means Clustering):
Для розробки стратегічного бізнес-плану та оптимізації складських процесів було застосовано алгоритм K-means (з бібліотеки Scikit-learn).
Дані було розбито на 3 основні кластери, що дозволило чітко розділити замовлення за типами обсягів та частоти, виділивши ключові групи клієнтів для першочергової уваги менеджменту.

Бізнес-рекомендації та Візуалізація:
Побудова кореляційної матриці для виявлення взаємозв'язків між вагою, об'ємом партій та часом обробки. Генерація детальних графіків за допомогою Matplotlib та побудова інтерактивного дашборду. Оформлення фінальних висновків у вигляді наочної та зручної для керівництва презентації у PowerPoint та інтерактивного дашборду у Power BI.

Data engineer

from 07.2026 to 09.2026 (3 months)
Searching UI connected to PostgreSQL database, Київ (IT)

Цей проект — Bank Customer Database Searcher (search_bank_db) — є повноцінним веб-додатком, розробленим для автоматизації роботи з клієнтською базою банку.
Стек: Python, Pandas, Django, HTML, CSS, PostgreSQL.

Головне завдання проекту: Перенести масивну базу даних банківських клієнтів (близько 10 000 записів разом із їхніми профілями) до реляційної бази даних та створити зручний інтерфейс для навігації, фільтрації та пошуку.
Основні етапи реалізації та функціонал:

Інтеграція та міграція даних:
Написання спеціального Python-скрипта для масового перенесення та валідації даних клієнтів (особиста інформація, контактні дані, банківські показники) безпосередньо у таблицю PostgreSQL (bank_users).

Бекенд-архітектура:
Підключення бази даних до бекенду на базі фреймворку Django. Реалізація гнучких алгоритмів пошуку за заданими критеріями, а також логіки сортування (за ім'ям, числовими діапазонами тощо).

Веб-інтерфейс та UI:
Розробка адаптивного та інтуїтивного інтерфейсу за допомогою HTML і CSS усередині Django. Додавання зручної пагінації та статусних бейджів для покращення візуального сприйняття інформації про клієнтів.

Цей проєкт чудово доповнює твій досвід у Python-розробці та роботі з базами даних, демонструючи навички побудови повного циклу веб-додатків (від парсингу/імпорту даних до створення UI та бекенду).

Python ML developer

from 02.2026 to 07.2026 (6 months)
Complex NN with SL and RL algorithms, Київ (IT)

Робота над цим проектом дала мені широкий досвід у створенні ML алгоритмів, що дуже гарно меня допомагає у Data Analysis та в цілому у програмуванні.
Стек (Puthon, Pandas, Matplotlib, Pytorch, Numpy, multuprocessing)

Суть проекту заключаєтся в відтворенні провідних алгоритмів машинного навчання для реалізації нейромережі, що грає в шахи, використовуючи можливості власного заліза.
Весь пайплайн розробки яку я виконував був поділений на шість основних частин:

(Python development)
1. Розробка якомога швидкого та оптимізованного движка-бібліотеки, що вираховує усі можливі ході на певній позиції: Основна функція ходу була поділена на декілька основних частин для читаємості коду, основними частинами були ініціалізація ходу, получення усіх ходів на позиції, фільтрація псевдолегальних ходів, додання перетвореннь, кодування ходів у форматі 0-4672 та оновлення статусу. Швидкість такого движка становить ~120 партій в секунду.

(Neural Netork creating)
2. Створення нейромережі, що буде передбачувати два параметри на основі одних вводних данних. Для основного інструменту був вибраний PyTorch. Я створив архітектуру на основі Згорткових Нейромереж (CNN) в якій вхідні данні потрапляють до двух голов навчання: для передбачення найкращого ходу та результату партії на даній позиції.

(Data engineering)
3. Створення датасету для переднавчання нейромережі. Я взяв 1.7 гігабайтів данних, відфільтрував із них 200к необхідних рядків, трансформував їх до необхідного вигляду та додав відсутні данні.

(Supervised learning)
4. Переднавчання нейромережі на датасеті. У виконанні цього кроку була дуже велика проблема: для навчання нейромережі на вхід подається тензор 12:8:8:1. У датасеті на 200к рядків це викликає переповнення оперативної пам'яті. Я вирішив цю проблему поступовим перетворенням дошки (массив 64) у тензор та видаленням непотрібних данних

(Reinforcement learning with multiprocessing)
5.1. Основний етап навчання технологією Reinforcement learning. Для максимальної оптимізації процессу я використав GPU та розподілив розрахунки на 8 потоків. Це пришвидшило роботу алгоритму більш ніж у 16 разів.

(Data analysis)
5.2. Аналіз метрик з самонавчання. Під час самонавчання нейромережі я постійно збирав метрики такі як: "games", "time", "endings", "moves", "policy_loss", "value_loss", "entropy". Для аналізу я використовував скрипт написанний задопомогою Pandas та MatPlotLib.

Education

Ужгородський національний університет

F4 (Системний аналіз та наука про дані), Київ
Unfinished higher, from 2025 to 2029 (4 years)

Під час навчання у цьому університеті я навчився багатьом навичкам, що допомагають мені у становленням аналітиком данних:

Інфраструктура: окремими спеціальностями вивчалася робота з провіднами інструментами планування задач, такі як Jira, вивчалися підходи до планування задач scrum та kanban.

Сильна математична база: я вивчаю не лише лінал та матан, а й доволі корисну у дата аналізу статистику та комбінаторику на поглибленому рівні.

Технології СУБД (SQL): мова запитів шла окремим курсом, за який я здобув доволі високий бал (85/100). Я працював із інструментом MySQL та BDreaver, пізніше PostrgeSQL.

Програмування: у программі вивчаются такі мови як Python, C++, php та Rust, що дає меня гарне абстрактне та логічне мислення на усіх рівнях.

Additional education and certificates

GOIT - Data sciense and machine learning

7 місяців
Certificate

Knowledge and skills

• Python
• С++
• Scikit-learn
• TensorFlow
• PyTorch
• Keras
• Matplotlib
• Pandas
• MySQL
• SQLite
• Docker
• PostgreSQL
• Знання принципів ООП
• GitHub
• Machine learning
• SQL
• Deep Learning
• Computer vision
• Statistica
• NumPy
• MS Power BI
• Git
• Django
• Data analysis
• BI analysis
• MS Excel
• Google Sheets

Language proficiencies

English — average

Additional information

Посилання на портфоліо із переліченими проектами:
https://github.com/aizatulin69