Портфолио и кейсы фрилансеров по машинному обучению

Собственный проект. Вопрос, на который отвечает работа: насколько можно доверять статистике временного ряда, в котором часть наблюдений потеряна. Свечные данные SOL/USDT собираются через API биржи. Затем из полного ряда искусственно выбиваются наблюдения, и оценки сравниваются попарно: автоковариация по полному ряду против оценки по ряду с пропусками; спектральная плотность по Уэлчу против периодограммы Ломба–Скаргла. Результат виден на графиках: где пропуски завышают оценку автоковариации и где они поднимают шумовой пол спектра. Типовая связка для заказов на парсинг и аналитику: собрать данные → посчитать → показать графиком и выводом. Стек: Python, NumPy, SciPy, pandas, API биржи. Код открыт на GitHub.

Собственный проект. Чат-бот, в котором непонятный термин прямо в ответе выделяется и раскрывается в отдельный дочерний чат. Дочерний чат наследует контекст родительской ветки, вложенность не ограничена — из дочернего можно уйти ещё глубже. Всё дерево видно на интерактивном графе и в боковой панели, каждая ветка хранится отдельной сессией. Ответы приходят потоком через SSE, формулы рендерятся через KaTeX. Есть автоматическое резюмирование ветки, чтобы контекст не раздувался. Стек: Node.js, Express, ванильный JavaScript, SSE-стриминг, OpenRouter API. Код открыт на GitHub.

Собственный проект. Веб-приложение для чтения англоязычных статей: слева PDF, справа панель переводов. Что умеет: — загрузка PDF, txt, docx и md; — перевод выделенного фрагмента и озвучка перевода; — все переводы копятся в список и выгружаются в CSV — получается словарь по прочитанному; — распознавание речи по удержанию пробела; — масштабирование PDF с сохранением позиции прокрутки и инверсия цветов для чтения ночью. Стек: Python, Flask, JavaScript, PDF.js, Yandex SpeechKit (STT и TTS), Yandex Translate. На скриншотах — реально запущенное приложение с открытой статьёй. Код открыт на GitHub.

Личный проект. Модель пишет произвольный русский текст рукописным почерком, выученным по одному человеку. Это не подстановка готовых букв из шрифта. Диффузионная модель (DDPM с обусловливанием на содержание) за 1000 шагов разворачивает изображение 64×288 из шума. Главное свойство: модель пишет слова, которых не было в обучении, — она усвоила начертания букв и то, как они соединяются, а не запомнила картинки слов. В репозитории есть замеры читаемости и точности распознавания сгенерированных слов в зависимости от длины. Стек: Python, PyTorch, DDPM, обучение на GPU. Код и примеры открыты на GitHub.

Личный проект. Пайплайн, который находит в записи речи растянутые звуки — один из маркеров заикания. Как устроено: из аудио извлекаются покадровые эмбеддинги Whisper-small (слои 8, 10 и 11 энкодера, 2304 признака на каждые 20 мс), поверх них обучается CatBoost, предсказания сглаживаются медианным фильтром. Результат — не ноутбук, а готовый скрипт: берёт исходный TextGrid, добавляет в него слой disfluencies и записывает найденные интервалы. Качество: ROC-AUC 0.96 на валидации и 0.90 на отложенном тесте с дикторами, которых модель не слышала. Второе число важнее первого: оно показывает, что модель не запомнила голоса, а научилась слышать сам признак. Стек: Python, PyTorch, Whisper, CatBoost, praat-textgrids. Весь код открыт на GitHub — можно посмотреть до заказа.

Разработал Telegram-бота с искусственным интеллектом для распознавания объектов на фотографиях на базе нейросети YOLOv5x. Пользователь отправляет изображение и получает обработанный снимок с выделенными объектами, их названиями и оценкой уверенности модели. Реализовал интерактивное меню для выбора категорий распознавания: люди, транспорт, животные, светофоры и знаки. Добавил кеширование результатов, ограничение одновременных запросов от одного пользователя и контроль времени обработки. В результате получился инструмент компьютерного зрения с управлением прямо в Telegram — для анализа фотографий без установки специализированных программ на стороне пользователя.

В рамках проекта NORDAL участвовал в разработке ИИ-решения для прогнозирования отказов промышленных насосов и компрессоров. В основе проекта — анализ данных с датчиков вибрации, температуры и давления для выявления ранних признаков неисправностей. Задача модели — прогнозировать возможный отказ и определять конкретный узел оборудования, требующий внимания специалистов. Целевой горизонт прогнозирования по техническому заданию — до 6 месяцев, чтобы заранее планировать диагностику и техническое обслуживание. Решение ориентировано на снижение риска внеплановых простоев, сокращение затрат на аварийный ремонт и повышение надёжности производства.

В рамках командного проекта для Coral Travel разработал и протестировал NLP-модель автоматической классификации B2B-обращений. Провёл анализ датасета, исследовал различные ML-, BERT- и LLM-подходы и создал двухвходовую нейронную сеть, объединяющую текстовые представления и дополнительные признаки из CRM. Модель распределяла обращения по 99 группам назначения и достигла точности 87% на тестовой выборке.

Для ООО «АлгоФьюжн» разработал модель искусственного интеллекта для прогнозирования движения финансовых активов с учётом рыночных и макроэкономических данных; решение было успешно внедрено в Production. Создал полный ML-пайплайн: подготовку и объединение данных, построение признаков, обучение и сравнение моделей ARIMA, Prophet, LSTM, Transformer и TFT. Для интерпретации прогнозов использовал SHAP и Attention, а для работы с системой разработал интерфейсы на Django и Gradio и подготовил Docker-развёртывание. Решение помогает анализировать влияние макроэкономических факторов, оценивать вероятные сценарии движения рынка и принимать более обоснованные решения на основе данных.

Для ООО «АлгоФьюжн» разработал модель искусственного интеллекта для прогнозирования движения финансовых активов с учётом рыночных и макроэкономических данных; решение было успешно внедрено в Production. Создал полный ML-пайплайн: подготовку и объединение данных, построение признаков, обучение и сравнение моделей ARIMA, Prophet, LSTM, Transformer и TFT. Для интерпретации прогнозов использовал SHAP и Attention, а для работы с системой разработал интерфейсы на Django и Gradio и подготовил Docker-развёртывание. Решение помогает анализировать влияние макроэкономических факторов, оценивать вероятные сценарии движения рынка и принимать более обоснованные решения на основе данных.