Особисті дані приховані

Шкільнюк Дар’я Романівна
Junior ML Data Operations Specialist
КОНТАКТИ Телефон: [відкрити контакти](див. вище в блоці «контактна інформація») Місто: Київ / Харків
Email: [відкрити контакти](див. вище в блоці «контактна інформація»)

ПРО СЕБЕ
Junior ML Data Operations Specialist / Data Analyst із практичним досвідом підготовки
датасетів, валідації та контролю якості нейронних мереж. Маю базове розуміння
принципів комп'ютерного зору. Під час навчання реалізувала проєкти з комп'ютерного
зору та обробки тексту. Працювала з розміткою даних, матрицями помилок і
метриками якості.

ОСВІТА
Київський національний університет імені Тараса Шевченка | 2022 – 2026
Бакалавр, Комп'ютерні науки (Аналітика даних)

ДОСВІД РОБОТИ
ТА ПРОЄКТИ Практикант | лютий 2026
ТОВ «ІнфоПлюс» (Київ)

Оптимізувала процес обробки вхідної інформації за допомогою готових NLP та LLM
рішень. Застосувала інструменти кластерного аналізу для категоризації та сортування
текстових повідомлень. Тестувала роботу локальних великих мовних моделей для
потреб компанії.

Навчальні проєкти | 2022 – 2026
КНУ ім. Тараса Шевченка
 Розробка освітнього вебзастосунку на базі AI (Дипломний проєкт)
Спроєктувала архітектуру RAG-системи для автоматичної генерації валідного
навчального контенту. Імплементувала гібридний пошук (векторний семантичний
пошук + лексичний BM25) з використанням бази даних ChromaDB. Налаштувала
пайплайн обробки неструктурованих текстів (PDF, DOCX) та їх розбиття на
семантичні фрагменти.
 Computer Vision
Здійснювала підготовку датасетів (CIFAR-10, Digits, власні набори зображень) до
навчання нейронних мереж: виконувала масштабування, нормалізацію пікселів, one-
hot кодування класів та розділення даних на train/test вибірки. Власноруч збирала та
розмічала кастомні датасети (зображення цифр 800x600 та текстові запити на 8 класів),
приводячи їх до формату, придатного для нейромереж, та порівнювала версії моделей
при різних методах підготовки тексту. Запускала тренування переднавчених
згорткових нейромереж (ResNet50, CNN) та LSTM-моделей. Будувала матриці
помилок та виявляла помилки розпізнавання. Наприклад, у CIFAR-10 виявила
систематичне плутання семантично схожих класів через недостатню деталізацію
зображень. У датасеті Digits зафіксувала хибні розпізнавання цифр через візуальну
схожість контурів.
 Фіксувала метрики навчання (Accuracy, Loss) та контролювала ключові метрики якості
моделі, фіксуючи показники Precision, Recall та F1-score. Аналізувала feature maps для
перевірки того, як мережа виділяє низькорівневі характеристики (контури, переходи)
та складні геометричні патерни.
 Прогнозування та алгоритми оптимізації
Провела комплексний статистичний аналіз споживання електроенергії, очистила дані
від аномалій та налаштувала моделі прогнозування часових рядів (Prophet, LSTM).
Досліджувала та застосовувала алгоритми глобальної оптимізації (генетичні,
мурашині колонії та ін.).

НАВИЧКИ ТА • Python (Pandas, NumPy, Scikit-learn) • RAG, NLP • Українська - рідна
МОВИ
• Excel, Google Sheets • SQL (базово) • Англійська – B1

• LLM (Gemini, GPT, Grok) • Tableau • Німецька – B1 (DSD2)