Особисті дані приховані

Данііл Гуцол
Студент, машинне навчання та Data Science · Варшавська школа економіки (SGH)
[відкрити контакти](див. вище в блоці «контактна інформація») · [відкрити контакти](див. вище в блоці «контактна інформація») · github.com/lzanam1
Готовий працювати повний робочий день · можу почати одразу

ПРО МЕНЕ
Студент напряму «Кількісні методи та економетрика» в SGH із міцною базою зі статистики, теорії ймовірностей і
лінійної алгебри. Створюю моделі машинного та глибинного навчання від початку до кінця на Python (scikit-learn,
XGBoost, PyTorch): від очищення даних і аналізу ознак до налаштування, валідації та зрозумілої документації.
Щодня використовую LLM-асистентів (Claude Code, Codex) для програмування та аналізу, пишу й вдосконалюю
промпти для автоматизації роботи. Шукаю позицію в Data Science, щоб застосовувати ML до реальних бізнес-
задач.

ПРОЄКТИ З МАШИННОГО НАВЧАННЯ
Прогнозування банкрутства компаній – модель кредитного ризику Python, XGBoost, scikit-learn, Optuna, SHAP
github.com/lzanam1/bankruptcy-prediction · дані фінансової звітності польських компаній, 2000–2013
Опрацював реальні фінансові дані з пропусками до 39% за ознакою, порівнявши стратегії імпутації (зокрема
MICE)
Навчив класифікатор XGBoost, налаштований в Optuna на метрику F2 для роботи із сильним дисбалансом
класів: виявляє 90,9% банкрутств (ROC-AUC 0,86), орієнтовне скорочення ручної роботи аналітиків на 57,5%
Пояснив модель за допомогою SHAP, визначив фінансові коефіцієнти, що зумовлюють кредитний ризик, і
перевірив бізнесову обґрунтованість висновків; задокументував обмеження

Deep hedging з транзакційними витратами – глибинне навчання Python, PyTorch
github.com/lzanam1/neural_option_hedging · реалізація наукової статті (Buehler et al., 2019) · технічний звіт на 12
сторінок
Реалізував у PyTorch стратегію хеджування на основі нейронної мережі, навчену на симуляції Монте-Карло зі
100 000 ринкових сценаріїв із суворим розділенням на навчальну й тестову вибірки
Розробив контрольоване порівняння з трьома класичними стратегіями: мережа перевершує найкращу з них на
8% за хвостовим ризиком, що підтверджено на 5 різних random seed
Виклав методологію, результати та обмеження в письмовому звіті та задокументованому GitHub-репозиторії

НАВИЧКИ
ML / DL: scikit-learn, XGBoost, PyTorch; класифікація, градієнтний бустинг, нейронні мережі; налаштування
гіперпараметрів (Optuna), незбалансовані дані, пояснюваність моделей (SHAP)
Python і дані: pandas, NumPy, Matplotlib; SQL (JOIN, підзапити, віконні функції); Git, Jupyter
Статистика: регресія та економетрика, теорія ймовірностей, симуляція Монте-Карло, імпутація пропущених даних,
валідація моделей
ШІ та LLM-інструменти: щоденне використання Claude Code і Codex для програмування та аналізу; написання,
тестування та вдосконалення промптів
Звітність: Power BI, R (ggplot2), LaTeX, MS Excel

ОСВІТА
Варшавська школа економіки (SGH) 2024 – 2027 (очікувано)
Бакалаврат: «Кількісні методи в економіці та інформаційні системи», додаткова спеціалізація (minor) –
економетрика · середній бал за спеціальністю 4,6/5,0
Основні курси: машинне навчання, статистика, економетрика, теорія ймовірностей, методи оптимізації, лінійна
алгебра, математичний аналіз, програмування

ДОСВІД
Репетитор з математики 2026
Навчав математики школярів і студентів; зрозуміло пояснював складний кількісний матеріал нефахівцям.
Студентське самоврядування SGH (Samorząd Studentów SGH) – член вер. 2026 – дотепер
Співорганізовував дні адаптації для першокурсників, координуючи завдання, розклади та пріоритети з іншими
волонтерами
Був контактною особою для нових студентів та організаторів, підтримуючи чітку комунікацію між командами

МОВИ
Українська, російська (рідні) · англійська (C1) · польська (B1) · німецька (базова)