Сервіс пошуку роботи №1 в Україні
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.
Отримати контакти цього кандидата можна на сторінці https://www.work.ua/resumes/21058981/
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).
Junior Data Scientist
Телефон: [
Електронна пошта: [
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
-
Data scientist
Дистанційно -
Data scientist
60000 грн, Дистанційно, Львів -
Data scientist
Дистанційно, Тернопіль -
Дата-саєнтіст
Дистанційно -
Data Scientist, Software Developer, English Teacher
40000 грн, Дистанційно, Київ, Самар