Ярослав

Контакти
📞 [відкрити контакти](див. вище в блоці «контактна інформація»)
[відкрити контакти](див. вище в блоці «контактна інформація»)
GitHub: Проєкти
Tableau Public
LinkedIn
@Jaroslav_07
📍 Рівне, Україна
Навички
Machine Learning (scikit-learn)
• Supervised: Linear / Polynomial Regression
• Unsupervised: K-Means, DBSCAN, Mean Shift, PCA
• Feature Engineering, StandardScaler, Pipeline
• Оцінка моделей: RMSE, train/test, аналіз overfitting, data leakage
Python
• NumPy, Pandas, Matplotlib, Seaborn
SQL
• CTE, Window Functions, Joins, Subqueries, CASE, агрегації
Аналітика та візуалізація
• EDA, Excel (Pivot Tables), Tableau
Математика
• Лінійна алгебра, математичний аналіз, дискретна математика
Інструменти
• Git / GitHub, Jupyter, Google Colab
Мови
• Українська: рідна
• Англійська: B1
Ярослав Стецюк
Junior Data Scientist
Про мене
Junior Data Scientist із математичним бекграундом (Прикладна математика, «Інтелектуальний аналіз даних», НТУ «ХПІ») та досвідом роботи з даними у фінансовій сфері. Будую ML-моделі на Python і scikit-learn: регресія, кластеризація, feature engineering, оцінка якості моделей, контроль перенавчання та data leakage. Розумію, як алгоритми працюють «під капотом» — від методу найменших квадратів і градієнтного спуску до PCA та K-Means. Впевнено пишу SQL для роботи з великими обсягами даних. Хочу розвиватися в Data Science, зокрема в кредитному скорингу та ризик-моделюванні.
ML-проєкти
Сегментація клієнтів (Unsupervised Learning) · GitHub · Colab
• Виявив приховані групи клієнтів за віком, доходом, витратами та поведінкою покупок без розмітки (2 240 клієнтів, 29 ознак)
• EDA, обробка пропусків, feature engineering (Age, Total_Spending, Total_Children, Customer_Since), стандартизація ознак
• Порівняв K-Means (k = 6 за методом ліктя), Mean Shift та DBSCAN (виявлення шуму); візуалізував кластери через PCA
• Побудував профілі 6 сегментів для таргетування маркетингових кампаній
Python · Pandas · NumPy · scikit-learn · Matplotlib · Seaborn
Прогноз вартості житла — регресія (California Housing) · GitHub
• Порівняв 4 регресійні моделі на train/test вибірках: найкраща — поліноміальна 2-го ступеня, RMSE 65 502 проти 112 967 у простої лінійної регресії (−42%)
• Показав перенавчання на моделі 3-го ступеня (RMSE 69 487) і обрав оптимальну складність моделі
• Масштабування ознак із fit лише на train (без data leakage); PolynomialFeatures + LinearRegression у sklearn Pipeline
Python · Pandas · NumPy · scikit-learn
Аналіз продажів «BikeStores» (SQL, Excel, Tableau) · GitHub
• Повний цикл аналізу продажів: SQL-запити, інтерактивні дашборди в Tableau, бізнес-висновки. Інші візуалізації — у Tableau Public
Досвід роботи
Дата-аналітик — Мікрокредитна компанія · 5 місяців
• Готував та агрегував дані за допомогою SQL (CTE, window functions, joins, підзапити) для аналізу й звітності
• Розробляв і підтримував інтерактивні дашборди для моніторингу ключових бізнес-показників
• Аналізував динаміку показників, виявляючи точки росту та спаду, для оперативного реагування бізнесу
• Готував аналітичні звіти та інсайти для команди для прийняття операційних рішень
Освіта
НТУ «Харківський політехнічний інститут» — студент
Прикладна математика · Освітня програма: Інтелектуальний аналіз даних
Ключові дисципліни: математичний аналіз, лінійна алгебра, дискретна математика, організація баз даних