• Файл

Святослав

Data scientist

Розглядає посади:
Data scientist, ML Engineer 
Вік:
21 рік
Місто проживання:
Вінниця
Готовий працювати:
Дистанційно

Контактна інформація

Шукач вказав: ТелефонМесенджер

Прізвище, контакти та світлина доступні тільки для зареєстрованих роботодавців. Щоб отримати доступ до особистих даних кандидатів, увійдіть як роботодавець або зареєструйтеся.

Завантажений файл

Версія для швидкого перегляду

Це резюме розміщено у вигляді файлу. Ця версія для швидкого перегляду може бути гіршою за оригінал резюме.

Святослав Проців
Junior Data Scientist
Телефон: [відкрити контакти](див. вище в блоці «контактна інформація»)
Електронна пошта: [відкрити контакти](див. вище в блоці «контактна інформація»)
Telegram: @tpochuk | GitHub: github.com/TPOCHUK
Місто: Вінниця, Україна
Формат роботи: тільки дистанційно
ПРО СЕБЕ
Студент другого курсу спеціальності G7 «Автоматизація та робототехніка» з попередньою освітою за
спеціальністю G3 «Електрична інженерія». Розвиваю навички машинного навчання та штучного інтелекту у
власних проєктах. Маю практичний досвід роботи з Python, PyTorch, комп’ютерним зором, LLM/RAG і
створенням API для ML. Зараз поглиблюю знання з LLM, ШІ-агентів, розгортання ML-моделей та AWS.

ТЕХНІЧНІ НАВИЧКИ
Мови програмування: Python, SQL
LLM та RAG: LangChain, LangGraph (базово), векторні подання (embeddings), Qdrant, API для LLM
ML та комп’ютерний зір: PyTorch, Scikit-learn, XGBoost, Pandas, NumPy, OpenCV, YOLO
Серверна розробка та розгортання: FastAPI, MQTT; MLflow (базово)
Інструменти: Git у власних проєктах; основи Linux/Bash; розробка у Windows
Хмарні технології: вивчаю AWS; теоретичні знання
Мови спілкування: українська — вільно; англійська — B1
ОСОБИСТІ ТА НАВЧАЛЬНІ ПРОЄКТИ
Predictive Maintenance — прогнозування залишкового ресурсу | GitHub
Python, PyTorch, FastAPI, PostgreSQL, SQLAlchemy, Alembic, MQTT, Docker Compose
• Побудував наскрізну систему на NASA C-MAPSS FD001: попередня обробка сенсорних даних, вікна по 80
циклів, інференс LSTM, історія прогнозів та інформаційна панель у реальному часі.
• Порівняв моделі LSTM і CNN; навчив Conservative LSTM Q20, щоб зменшити ризик переоцінювання
залишкового ресурсу.
• Conservative LSTM Q20: MAE 9.913, RMSE 15.060, R² 0.869 на всіх 100 тестових двигунах; LSTM під час
роботи системи: MAE 13.12.
• Робоча локальна демоверсія: приймання даних через MQTT, FastAPI, міграції PostgreSQL, перевірки
працездатності та стек із чотирьох сервісів у Docker Compose. CI виконує перевірку коду, тести, базові
перевірки фронтенду та наскрізне відтворення даних.
Person ReID Tracker — локальне відстеження людини у відео | GitHub
Python, YOLOv8, ByteTrack, ONNX Runtime, OpenCV, FastAPI, Pytest
• Створив локальний сервіс комп’ютерного зору, що відстежує вибрану людину й відновлює її
відстеження після коротких перекриттів або зміни ID у ByteTrack, без розпізнавання обличь.
• Додав REST API, MJPEG-потік із позначками, безпечний за одночасних запитів START/STOP, вивільнення
ресурсів і тести затримки, стабільності та HTTP-навантаження.
• Тест на CPU: 27.37 FPS, затримка p50 — 22.25 мс; успішно пройдено 36/36 тестів і 100/100 HTTP-запитів
від 8 клієнтів; 5-хвилинний тест стабільності завершено без помилок.

AnkiAutoCards — Windows-застосунок на основі LLM | GitHub
Python, LangChain, LangGraph, AnkiConnect, Edge TTS, Pytest, Ruff, GitHub Actions
• Створив настільний застосунок, що перетворює англійські слова та вирази на картки Anki з українським
перекладом, прикладами речень і двома аудіодоріжками.
• Реалізував редагування попереднього перегляду, виявлення дублікатів, власні переклади та повторні спроби
після некоректних відповідей LLM; підтримуються OpenAI, OpenRouter, Anthropic і сумісні API.
• Додав можливість зберігати API-ключ у Windows Credential Manager; картки додаються в Anki із
затвердженого попереднього перегляду без повторного звернення до LLM.
• Підготував збірку для Windows із 21 автоматизованим тестом і CI-матрицею з чотирьох комбінацій
Windows/Ubuntu та Python 3.10/3.12.

ДОДАТКОВІ ПРОЄКТИ
RAG-система з оцінюванням пошуку — навчальний проєкт
Python, LangChain, векторні подання (embeddings), Qdrant
• Реалізував завантаження документів, поділ на фрагменти, створення векторних подань, векторний
пошук у Qdrant і відповіді LLM на основі знайденого контексту.
• Створив тестові запити й оцінив якість пошуку за точністю (precision) та повнотою (recall).
• Протестував систему на власній колекції документів і перевірив узгодженість відповідей зі знайденим
контекстом.

Машинне навчання на табличних даних — навчальні проєкти Kaggle
Python, Pandas, NumPy, Scikit-learn, XGBoost
• Працював над задачами класифікації, регресії, прогнозування часових рядів і навчання без учителя.
• Виконував розвідувальний аналіз даних (EDA), обробляв пропуски та викиди, кодував категоріальні
ознаки, створював нові ознаки й знижував розмірність.
ОСВІТА
Вінницький національний технічний університет
Автоматизація, комп’ютерно-інтегровані технології та робототехніка | 2025–дотепер
Вінницький технічний фаховий коледж
Електроенергетика, електротехніка та електромеханіка | 2021–2025
ПОТОЧНЕ НАВЧАННЯ
AWS — підготовка до AWS Certified Solutions Architect – Associate (SAA-C03).

Схожі кандидати

Усі схожі кандидати


Порівняйте свої вимоги та зарплату з вакансіями інших підприємств: