Максим

Максим Кривякін
• Електронна пошта: [відкрити контакти](див. вище в блоці «контактна інформація»)
• Телефон: [відкрити контакти](див. вище в блоці «контактна інформація»)
• Telegram: @unfunny_vl
• Локація: Україна | відкритий до віддаленої роботи

Про мене
Студент четвертого курсу бакалаврату за спеціальністю «Системний аналіз і наука про
дані» Київського національного університету імені Тараса Шевченка, з академічною
підготовкою з теорії ймовірностей, математичної статистики та машинного навчання.

Маю досвід застосування Python і статистичних методів в аналізі даних та побудові
прогнозних моделей у межах навчальних проєктів.

Цікавлюся кількісним аналізом, розробкою та валідацією аналітичних моделей. Прагну
застосовувати математичні та програмні навички до реальних задач і професійно
розвиватися в міжнародному середовищі.

Освіта
Київський національний університет імені Тараса Шевченка, факультет комп'ютерних
наук та кібернетики

Бакалавр, «Системний аналіз і наука про дані» · 4 курс (очікуваний випуск - 2027). Відповідні
дисципліни:

• Теорія ймовірностей і математична статистика
• Аналіз даних
• Машинне навчання
• Методи оптимізації
• Лінійна алгебра та математичний аналіз
• Дослідження операцій

Технічні навички
• Програмування: Python (pandas, NumPy, scikit-learn, matplotlib), SQL.
• Машинне навчання: кероване та некероване навчання, регресія й класифікація,
дерева рішень та ансамблеві методи, оцінювання і валідація моделей, інженерія
ознак, крос-валідація.
• Інструменти: Git.

Відповідні проєкти
Тарифікація страхування життя за класами ризику: GLM, градієнтний бустинг і
калібрування смертності (навчальний проєкт, кафедра прикладної статистики)

• Побудував повний аналітичний пайплайн на Python: підготовка даних, інженерія
ознак, моделювання та розрахунок тарифу
• Сегментував клієнтів на класи ризику за ключовими факторами ризику
• Побудував і порівняв лінійну модель та градієнтний бустинг із підбором
гіперпараметрів і крос-валідацією
• Оцінив моделі за кількома метриками точності та стабільності
• Пояснив моделі за допомогою коефіцієнтів GLM та SHAP, порівняв точність та
інтерпретовність
• Розрахував індивідуальні нетто-премії на основі коефіцієнтів ризику моделей і
відкаліброваної смертності

Мови
• Українська (рідна)
• Англійська (B2)