Кирило

Айзатулін Кирило
Junior Data analyst

Я розглядаю роботу у
Києві або віддалено

Hard skills:
Мови програмування: Python, SQL, С++ (bacis)
Data analysis: Power BI, Tableau, Pandas, matplotlib, MySQL, PostgreSQL, Excel
Machine learning: PyTorch, scikit-learn, TensorFlow / Keras, CNN, RL, SL
Web and parsing: Django, BeautifulSoup4, request, Flask
Infrastructure: Docker, Poetry, Git, Collab, Jira, Slack, Scrum, Kanban

Мови: Englist (upper-intermediate), Ukrainian (native)

Освіта та курси:
GOIT — Python Data Science and Machine Learning | aug 2025 - jan 2026 (7 months) | Python, Google Colab, SQL/MongoDB, web скрапінг, EDA, статистика та міцна математична основа, класичне машинне навчання, нейронні мережі (CNN, NLP basics), наладка гіперпараметрів, часові ряди, впровадження (Dash/Django), Docker
Uzhhorod National University | 2025 - 2029 | Кафедра теорії системного аналізу та оптимізації, 2nd Year

Досвід реалізації проектів

Аналіз даних складу за запитом клієнта, поданий протягом одного дня (Link to dashboard)
Stack (Python, Pandas, scikit-learn, PowerBI, PowerPoint)
У цьому документі наведено список товарів, журнал відправлень та список запитів на обробку. Використовуючи свою бібліотеку, Pandas та Power BI, я реалізував наступні завдання:
• Спочатку я переглянув список продуктів, визначив продукт із некоректно заповненими характеристиками та виключив його під час подальшого оброблення документів.
• Я підготував більш комплексний щоденний журнал (уключаючи загальну вагу, об'єм і кількість товарів), поєднавши початковий щоденний журнал із списком товарів.
• Визначено пікові по навантаженню дати на основі трьох критеріїв, ідентифікували типові моделі відтоку клієнтів та уклали рейтинг 5 найпопулярніших клієнтів і 10 найпопулярніших продуктів з точки зору клієнтів.
• За допомогою алгоритму K-means методу було визначено три основні кластери, на які слід звертати увагу під час розробки бізнес-плану.
• На основі відповідних діаграм, ключових метрик та матриці кореляції було сформульовано детальні бізнес-рекомендації.
• Також було створено візуально привабливий дашборд у презентації PowerPoint.

Пошуковий системний інструмент, інтегрований із базою даних PostgreSQL (link to the GitHub repository)
Stack (Python, Pandas, Django, HTML, CSS, PostgreSQL)
Моїм завданням було перенести список клієнтів банку довжиною 10.000 рядків разом із їхніми профілями до бази даних, а потім створити зручний інтерфейс для пошуку в цій базі даних. Під час виконання цього завдання я:
• Створив скрипт на Python для передачі даних у базу даних PostgreSQL.
• Підключено його до бекенду на основі Django.
• Реалізовано алгоритми пошуку за заданими критеріями, а також функцію сортування за діапазоном і за назвою.
• Крім того, я створив зручний веб-інтерфейс, використовуючи той самий фреймворк Django та HTML і CSS.

Розробка та аналіз метрик навчання нейромережі (link to the GitHub repository)
Stack (Python, Pandas, matplotlib, PyTorch(cuda), Numpy)
Починаючи з нуля, я розробив шахматний двигун на Python, у якому використовується найоптимальніший алгоритм для обчислення всіх можливих ходів; потім я провів аналіз набору даних, що містив 200 000 рядків, та перетворив його у необхідний формат, попередньо навчив нейронну мережу на цьому наборі даних, а потім застосував навчальний сценарій на основі технології навчання з підкріпленням (RL). Процес розробки включав такі етапи:
• Нейронна мережа, що містить дві «головні частини» для обчислення результату ігри та оптимального ходу;
• Двигун, який визначає всі можливі ходи в заданій позиції, щоб нейронна мережа могла обрати з них відповідний варіант;
• Скрипт, який аналізує файл, що містить 13 000 000 рядків, вибирає ігри, що відповідають заданим критеріям, та форматує їх у форматі, придатному для навчання нейронної мережі;
• Скрипт тонкої налаштування та скрипт навчання за методом підсилення, обидва з яких зберігають метрики для аналізу ефективності бота; а також графічні діаграми, створені за допомогою matplotlib, для точної візуалізації даних.