Егор Юмаев egorumaev
Data Analysis, Data Science, Python, SQL, MS Excel, VBA, Linux
- Omsk
- 12:53
(UTC -12:00) - https://t.me/egorumaev
"Linux: внедрение и расширенное администрирование ИТ-решений на базе отечественных операционных систем в государственных и коммерческих организациях" (Томский государственный университет систем управления и радиоэлектроники (ТУСУР), Томск, Россия). Диплом о проф. переподготовке. 2024
"Специалист по Data Science" (Яндекс.Практикум, Москва, Россия). Диплом о проф. переподготовке:RU /ENG. 2022-2023
"Математика для анализа данных" (Яндекс.Практикум, Москва, Россия). Свидетельство:RU /ENG. 2023-2024
"Python: des fondamentaux aux concepts avancés du langage" (Université Côte d'Azur, Ницца, Франция). Open badge:FR. 2023
"Machine learning in Python with scikit-learn" (French National Research Institute for Digital Science and Technology (INRIA), Париж, Франция). Open badge:ENG. 2023
"Курсы, пройденные на портале STEPIK"
| Python 3 | SQL | MS Excel | Power Query | Power Pivot |
| VBA | MS Power BI | Pandas | Numpy | Jupiter Notebook |
| classical ML | Matplotlib | Seaborn | DataLens | Scikit-learn |
| Catboost | LightGBM | XGBoost | А/В-тесты | pgAdmin |
| DBeaver | Redash | SciPy | Linux | Astra Linux |
| Bash | Docker | RegEx | Git |
| № | Название | Цель | Библиотеки | Технологии |
|---|---|---|---|---|
| 1 | «Расчет среднего времени ответа менеджеров службы поддержки» | рассчитать среднее время ответа для каждого менеджера службы поддержки на запросы клиентов | Psycopg2, Pandas | SQL (PostgresSQL), оконные функции, CTE (Common Table Expressions), LaTex |
| 2 | «Создание Docker-образа на основе актуальной версии Docker-образа Ubuntu и собственного Dockerfile с загрузкой в репозиторий на Docker Hub» | создать собственный Docker-образ с последующей загрузкой в облачный репозиторий на Docker Hub | Linux (Astra Linux, Ubuntu), Bash, Vim, Docker, Docker Image, Dockerfile, Docker Hub | |
| 3 | «Настройка сервера SSH для многопользовательского доступа» | настроить сервер SSH для многопользовательского доступа в локальной компьютерной сети | Linux (Astra Linux), Bash, Vim, SSH, SSH-сервер, SSH-клиент, NAT Network, Inrental Network | |
| 4 | «Настройка NFS и Samba в компьютерной сети» | реализовать настройку NFS и Samba в компьютерной сети | Linux (Astra Linux), Bash, Vim, SSH, SOCKS, SQUID, NFS, Samba | |
| 5 | «Сбор информации об операционной системе удаленного сервера» | с помощью протокола SSH подключиться к удаленному серверу и собрать информацию об операционной системе | Linux (Astra Linux), Bash, SSH, SCP | |
| 6 | «Оценка результатов эксперимента на этапе планирования A/B-теста» | на этапе планирования A/B-теста провести анализ соответствия плановых значений метрик теста и расчитанного размера выборки | Pandas, Numpy, Matplotlib, Statsmodels, Tqdm | Monte Carlo Method, A/B Test Calculator by Gleb Mikhaylov, Evan Miller Sample Size Calculator, LaTeX |
| 7 | «Сравнение точности двух тестов с бинарным ответом на примере тестов на беременность на основе анализа значений sensitivity и specificity тестов» | на основе анализа метрик двух тестов определить, какой из тестов является более точным | Pandas, Matplotlib, Sklearn | Monte Carlo Method, LaTeX |
| 8 | «SQLite & PostgreSQL. Анализ данных в Google Colab» | провести анализ данных с помощью SQLite и PostgreSQL в Google Colab | Sqlite3, SQLAlchemy, Pandas, Missingno, Matplotlib | SQLite, PostgreSQL, ElephantSQL, оконные функции, Google Colab, Google Drive |
| 9 | «Турникеты» (Open Data Science) | на основе накопленных данных идентифицировать посетителя в зависимости от характерного времени его прохода на территорию организации, исключив вероятность передачи пропуска одним сотрудником другому (задача мультиклассификации) | Pandas, Numpy, Random, Matplotlib, Seaborn, Datetime, Sklearn, Imblearn, CatBoost | Feature Engineering, Polynomial Features, SelektKBest, GridSearchCV, RandomizedSearchCV, Pipeline, OneVsRestClassifier, confusion_matrix |
| 10 | «Прогнозирование исхода лечения цирроза печени – Prediction of Cirrhosis Outcomes» (Kaggle) | предсказание вероятности исхода лечения пациентов с циррозом печени (задача мультиклассификации) | Pandas, Numpy, Matplotlib, Seaborn, Missingno, Dataprep, Phik, Category_encoders, Sklearn, Imblearn, Catboost, XGBoost | IQR (Interquartile Range), PCA (Principal component analysis), LDA (Linear Discriminant Analysis), t-SNE (T-distributed Stochastic Neighbor Embedding), Feature Engineering, Polynomial Features, Pipeline, VarianceThreshold, SMOTETomek |
| 11 | «Разработка модели машинного обучения для предсказания температуры стали для оптимизации производственных расходов металлургического комбината „Так закаляем сталь‟» (Яндекс.Практикум) | разработка модели машинного обучения, предсказывающей температуру стали, выплавляемой на металлургическом комбинате «Так закаляем сталь» (задача регрессии) | Pandas, Numpy, Matplotlib, Seaborn, DateTime, Phik, Sklearn, Imblearn, Feature_Engine, Catboost, Xgboost, Lightgbm | Pipeline, Feature Engineering, RandomizedSearchCV, PolynomialFeatures, MinMaxScaler, DropCorrelatedFeatures, SelektKBest, VotingRegressor, background_gradient |
| 12 | «Разработка модели машинного обучения для прогнозирования оттока клиентов оператора связи „Ниединогоразрыва.ком‟» (Яндекс.Практикум) | разработка модели машинного обучения, прогнозирующей возможный отток клиентов (задача классификации) | Pandas, Numpy, Matplotlib, Seaborn, Skimpy, Datetime, ydata-profiling, Psutil, Phik, Sklearn, Imblearn, Catboost, Xgboost, LightGBM | Pipeline, Feature Engineering, RandomizedSearchCV, MinMaxScaler, mutual_info_regression, Mutual Information, OneHotEncoder, OrdinalEncoder, MinMaxScaler, SelectKBest, chi2, VotingClassifier, confusion_matrix, background_gradient |
| 13 | «Определение возраста покупателей» (Яндекс.Практикум) | построение модели, которая по фотографии определит приблизительный возраст человека (задача регрессии для Computer Vision) | Pandas, Numpy, Matplotlib, Seaborn, PIL, Tensorflow, Keras | Yandex Compute Cloud |
| 14 | «Выявление токсичных комментариев в отзывах покупателей интернет-магазина „Викишоп‟» (Яндекс.Практикум) | построение модели классификации комментариев пользователей на позитивные и негативные (задача классификации для Natural Language Processing / NLP) | Pandas, Numpy, Matplotlib, Seaborn, Autocorrect, Contractions, Gc, Collections, Re, NLTK, Sklearn, Catboost | Pipeline, RandomizedSearchCV, TfidfVectorizer, CountVectorizer, ngram_range |
| 15 | Задача «Классификация тональности текста» (Яндекс.Практикум) | обучение логистической регрессии для определения тональности текста (задача классификации для Natural Language Processing / NLP) | Pandas, NLTK, Sklearn | Google Drive |
| 16 | «Прогнозирование количества заказов такси на следующий час для компании „Чётенькое такси‟» (Яндекс.Практикум) | построение модели, предсказывающей количество заказов такси на следующий час (задача регрессии для Time Series) | Pandas, Numpy, Matplotlib, Seaborn, Statsmodels, Sklearn, Catboost, LightGBM | seasonal_decompose, TimeSeriesSplit, RandomizedSearchCV |
| 17 | «Определение рыночной стоимости автомобилей» (Яндекс.Практикум) | разработка модели машинного обучения, предсказывающей рыночную стоимость автомобиля (задача регрессии) | Pandas, Numpy, Matplotlib, Seaborn, Joypy, Skimpy, Datetime, Sklearn, Feature-engine, Catboost, LightGBM | KNNImputer, SimpleImputer, OneHotEncoder, OrdinalEncoder, MinMaxScaler, DropCorrelatedFeatures, SelectKBest, mutual_info_regression, make_scorer, RandomizedSearchCV |
| 18 | «Защита персональных данных клиентов страховой компании „Хоть потоп‟» (Яндекс.Практикум) | разработка метода преобразования данных, гарантирующего одновременно невозможность восстановления персональной информации и высокое качество моделей машинного обучения, использующих обезличенные персональные данные | Pandas, Numpy, Matplotlib, Seaborn, Phik, Sklearn | |
| 19 | «Разработка модели, предсказывающей коэффициент восстановления золота из золотодобывающей руды для группы компаний „Цифра‟» (Яндекс.Практикум) | подготовка прототипа модели машинного обучения, предсказывающей коэффициент восстановления золота из золотосодержащей руды (задача регрессии) | Pandas, Numpy, Matplotlib, Seaborn, Torchmetrics, Joypy, Sklearn | Symmetric Mean Absolute Percentage Error, make_scorer, RandomizedSearchCV |
| 20 | «Поиск локации для скважины для ПАО „ГлавРосГосНефть‟» (Яндекс.Практикум) | определение региона, где добыча нефти принесёт наибольшую прибыль (задача регрессии) | Pandas, Numpy, Matplotlib, Seaborn, Phik, Sklearn | Анализ возможной прибыли и рисков с помощью техники Bootstrap |
| 21 | «Предсказание оттока клиентов из банка» (Яндекс.Практикум) | построение модели машинного обучения, предсказывающей отток клиентов из банка (задача классификации) | Pandas, Numpy, Random, Matplotlib, Seaborn, Skimpy, Imbalanced-learn, Phik, Collections, Tqdm, Sklearn | SMOTE, ADASYN, RandomUnderSampling, SMOTETomek, OneHotEncoder, OrdinalEncoder, StandardScaler, mutual_info_regression, SelectKBest, GridSearchCV |
| 22 | «Рекомендация тарифов» (Яндекс.Практикум) | на основе данных о поведении клиентов оператора мобильной связи 'Мегалайн', уже перешедших на новые тарифы 'Smart' и 'Ultra', построить модель для классификации пользователей в зависимости от используемого ими тарифа (задача классификации) | Pandas, Numpy, Matplotlib, Seaborn, Tqdm, Sklearn | GridSearchCV |
| 23 | «Интернет-магазин „Стримчик‟» (Яндекс.Практикум) | на основе исследования информации из открытых источников выявить факторы и закономерности, определяющие успех выпуска компьютерной игры при планировании вывода на рынок новой компьютерной игры и оптимизации бюджета рекламной компании | Pandas, Numpy, Random, Matplotlib, Seaborn, Scipy | |
| 24 | «Исследование объявлений о продаже квартир в Санкт-Петербурге и Ленинградской области» (Яндекс.Практикум) | проведение исследовательского анализа данных датасета с объявлениями о продаже квартир | Pandas, Numpy, Random, Matplotlib, Seaborn |
Popular repositoriesLoading
- yandex-training-algorithms-1-0
yandex-training-algorithms-1-0 PublicТренировки по алгоритмам 1.0
Jupyter Notebook 1
- 2024-colab-sqlite-postgresql
2024-colab-sqlite-postgresql PublicSQL-запросы в Google Colab с помощью SQLite и PostgreSQL
Jupyter Notebook 1
- 2022-computer-games-sales
2022-computer-games-sales PublicАнализ мирового рынка продаж компьютерных игр
Jupyter Notebook
- 2022-telekom-tarif-recomendation
2022-telekom-tarif-recomendation PublicКлассификация пользователей в зависимости от используемого тарифа телеком-оператора
Jupyter Notebook
- 2022-bank-customers-churn
2022-bank-customers-churn PublicПредсказание оттока клиентов из банка
Jupyter Notebook
Something went wrong, please refresh the page to try again.
If the problem persists, check theGitHub status page orcontact support.
If the problem persists, check theGitHub status page orcontact support.