Портфолио и кейсы фрилансеров по машинному обучению

Телеграм: @LukyanovMihail - https://clck.su/vluYp (ссылка для обхода блокировок) Номер телефона: +7 (926) 017-17-23

Телеграм: @LukyanovMihail - https://clck.su/vluYp (ссылка для обхода блокировок) Номер телефона: +7 (926) 017-17-23

Разработал AI-чат-бота для автоматизации первой линии поддержки IT-компании: локальная LLM с базой знаний на ChromaDB закрывает 73% входящих обращений без участия оператора.

Проект решает проблему поиска путей для поливочных машин и подобных механизмов. Была разработана передовая система маршрутизации, основанная на Open Source Routing Machine (OSRM). Система предназначена для поиска ряда маршрутов, которые начинаются и заканчиваются в одной точке и охватывают все необходимые маршруты внутри выбранной области. В ходе реализации были решены следующие задачи: избежание участков с левым поворотом на дорогах с правосторонним движением; избежание участков с правым поворотом на дорогах с левосторонним движением; начало и конец маршрутов на определенной стороне дороги; пересечение перекрёстков дорог с любой стороны; пересечение всех дорог внутри многоугольника произвольной формы; интеграция данных о трафике. Технологии: Boost, GIS, Системная разработка

Интеграция телеграмм ботов экосистемы крипто-проекта TON CATS в единую систему, настройка API для связи продуктов, интеграция с Google Pub/Sub. Разработка веб-страницы проекта. Использовались JS-библиотеки для анимации. Добавление Яндекс метрик для статистики сайта.

Задача: разработать симулятор для оценки дисперсии и математического ожидания в покерном пуле, чтобы проверять справедливость формул распределения выигрыша между игроками. Что было сделано: — Построены эмпирические распределения случайных величин на основе реальных данных компании — Проведён теоретический анализ задачи с точки зрения теории вероятностей — Написан симулятор на Python: принимает вводные параметры, проводит серию симуляций, выдаёт аналитику и визуализацию результатов — Реализован импорт и экспорт данных Результат: инструмент позволяет быстро проверять гипотезы об изменении формул и оценивать их влияние на распределение выигрыша до внедрения в продукт.

Telegram-бот для покупки токена CATS (TON) Компания разработала Telegram-бот для продажи криптовалютного токена CATS в экосистеме TON. Решение позволяет пользователям приобретать токены напрямую в Telegram, без необходимости использования сторонних приложений и сервисов. В рамках проекта была реализована система встроенных криптокошельков с поддержкой: покупки токенов CATS за Telegram Stars; оплаты через переводы TON; автоматической обработки и валидации блокчейн-транзакций; мгновенного зачисления токенов на баланс пользователя. Проект реализован на Python с использованием Telegram Bot API и инструментов взаимодействия с блокчейном TON. Особое внимание уделялось безопасности операций, масштабируемости решения и стабильной работе при высокой нагрузке. Результат: готовая инфраструктура для продажи токенов через Telegram, подходящая для Web3-проектов, игровых и комьюнити-платформ.

Проект представляет собой комплексное исследование и реализацию основных алгоритмов машинного обучения. В рамках работы был пройден полный цикл разработки модели: от предобработки сырых данных до оценки точности и визуализации результатов. Что было реализовано: EDA (Exploratory Data Analysis): Проведен разведочный анализ данных, очистка от выбросов и заполнение пропусков. Feature Engineering: Создание и отбор наиболее значимых признаков для повышения точности моделей. Алгоритмы: Реализованы и протестированы модели классификации (Random Forest, SVM), регрессии и кластеризации (K-Means). Оценка качества: Использование метрик Accuracy, Precision, Recall и F1-score для подбора оптимальных гиперпараметров. Визуализация: Построение матриц корреляции, графиков распределения и кривых обучения.

Проект представляет собой инструмент на Python для исследования внутреннего состояния запущенных приложений. Основной акцент сделан на интеграцию высокоуровневого кода с системными API Windows. Ключевые технические решения: WinAPI Integration: Использование библиотеки ctypes (или pymem) для прямого взаимодействия с ядром Windows (OpenProcess, ReadProcessMemory). Dynamic Offset Scanning: Реализация алгоритмов поиска паттернов в байт-коде для обеспечения стабильной работы скрипта после обновлений целевого ПО. Data Processing: Использование гибкости Python для быстрой обработки и парсинга структур данных из памяти. Automation: Создание удобного CLI-интерфейса для управления параметрами процесса в реальном времени.

Проект разработан для SEO-специалистов и интернет-маркетологов, работающих с большими объемами поисковых запросов (семантическими ядрами). Основная задача — автоматизировать процесс группировки фраз, который вручную занимает десятки часов. Ключевые особенности и результаты: Использование ИИ: Программа позволяет группировать фразы не просто по вхождению слов, а по их смысловому значению (интенту). Умная предобработка: Реализован морфологический анализ для приведения слов к начальной форме, что исключает ошибки из-за падежей и склонений. Система фильтрации: Добавлены настраиваемые словари для автоматической очистки "шума", коммерческих маркеров и гео-привязок. Обработка "Мусора": Реализован алгоритм автоматического определения нерелевантных запросов в отдельную категорию. Производительность: Поддержка CUDA (ускорение вычислений на видеокартах NVIDIA) и многопоточность для работы интерфейса без зависаний. Гибкий экспорт: Поддержка форматов .xlsx и .csv с сохранением исходной структуры файлов. Достигнутый результат: Инструмент сокращает время на кластеризацию ядра из 10,000 запросов с нескольких часов до 2–5 минут с точностью группировки выше 90%.