Примеры работ и кейсы по направлению «Python»

Программа на Python для автоматической обработки фотографий документов и формирования структурированной Excel-таблицы. Возможности: — извлечение номера, даты и темы приказа; — пакетная обработка JPG и PNG; — создание Excel со ссылками на исходные фотографии; — автоматическое выявление сомнительных результатов; — отдельный статус для документов, требующих ручной проверки; — кэширование уже обработанных изображений; — графический интерфейс для выбора папок и запуска обработки; — локальная работа без передачи документов во внешние облачные сервисы. Программа протестирована на 120 фотографиях приказов: все изображения обработаны без технических ошибок, 80% результатов прошли автоматическую проверку, остальные были отмечены для ручного контроля. Для демонстрации использованы синтетические документы с вымышленными организациями и персональными данными.

Разработал адаптивную веб-панель для удалённого управления техническим оборудованием и сервисами. До внедрения панели для выполнения простых операций требовалось подключаться к удалённому компьютеру, открывать служебные интерфейсы и вручную выполнять несколько действий. Новая система позволяет выполнять необходимые операции с телефона или компьютера в один клик. В панели реализованы: — управление освещением и оборудованием через существующую инфраструктуру; — удалённое включение и выключение отдельных функций; — перезапуск серверного приложения с правильной последовательностью остановки, ожидания и запуска; — проверка результата выполненной команды; — отображение состояния и ошибок непосредственно в интерфейсе; — защищённый вход по PIN-коду и пользовательские сессии; — адаптивный интерфейс для iPhone и компьютеров; — автоматический запуск панели после перезагрузки Windows. Серверная часть реализована на Python и Flask. Для управления удалёнными сервисами используются SSH-команды, обработка статусов, тайм-аутов и результатов выполнения. В результате сложная последовательность ручных действий была заменена понятной веб-панелью, доступной с телефона и компьютера. Это сократило время реакции на технические запросы и избавило от необходимости каждый раз подключаться через удалённый рабочий стол.

Функционал: - Анализ вакансии и резюме - Скоринг соответствия кандидата вакансии

Самостоятельный демонстрационный проект Telegram-бота для автоматизации входящих заявок малого бизнеса. Бот последовательно запрашивает имя клиента, номер телефона и удобное время звонка. Введённые данные проверяются, после чего пользователь видит готовую анкету и подтверждает её отправку. Подтверждённая заявка поступает менеджеру в закрытую Telegram-группу. Реализовано: — пошаговое заполнение анкеты; — проверка имени и номера телефона; — приведение российских номеров к единому формату; — предварительный просмотр заявки; — подтверждение перед отправкой; — отмена и повторное заполнение; — уведомление администратора в закрытом чате; — безопасное хранение токена и настроек; — команды и оформление через BotFather; — автоматические тесты основных сценариев; — документация для запуска и передачи заказчику. Технологии: Python 3.14, Telegram Bot API, стандартная библиотека Python, unittest. Проект полностью протестирован на macOS и готов к адаптации под конкретный бизнес: можно изменить вопросы, тексты, оформление и состав данных заявки.

База для напоминаний через бота. Интегрирован черзе телеграм-API. Стедновый образец,развернутый на сервере,который может использоваться для дальнейшего добавления модулей

Сервис,позволяющий транскрибировать аудио/видео c помощью Whispser и диаризировать его с помощью Nemo. Результат - сводка по говорящим. Эмоции и полный разбор

Практический проект по созданию интерактивного веб-дашборда для анализа статистики внутренних авиаперевозок США за 2005–2020 годы. Цель работы — предоставить пользователю возможность выбрать год и тип отчёта, после чего данные автоматически фильтруются, агрегируются и отображаются в интерактивных графиках. Реализовано: — загрузка и подготовка данных с помощью Pandas; — интерфейс на Dash с выбором года и режима анализа; — динамическое обновление пяти визуализаций при изменении параметров; — отчёт по эффективности авиаперевозок: количество рейсов по штатам и авиакомпаниям, географическая карта, отмены рейсов, среднее время полёта и распределение перенаправленных рейсов; — отчёт по задержкам: сравнение авиакомпаний по задержкам перевозчика, погодным, системным, связанным с безопасностью и поздним прибытием самолёта; — интерактивные визуализации: treemap, круговая диаграмма, карта США, столбчатые и линейные графики. Стек: Python, Pandas, Dash, Plotly. Проект демонстрирует полный цикл создания веб-дашборда: от обработки данных и расчёта агрегированных показателей до разработки интерактивного интерфейса и автоматического обновления графиков.

Практический проект по созданию интерактивного веб-дашборда для анализа статистики внутренних авиаперевозок США за 2005–2020 годы. Цель работы — предоставить пользователю возможность выбрать год и тип отчёта, после чего данные автоматически фильтруются, агрегируются и отображаются в интерактивных графиках. Реализовано: — загрузка и подготовка данных с помощью Pandas; — интерфейс на Dash с выбором года и режима анализа; — динамическое обновление пяти визуализаций при изменении параметров; — отчёт по эффективности авиаперевозок: количество рейсов по штатам и авиакомпаниям, географическая карта, отмены рейсов, среднее время полёта и распределение перенаправленных рейсов; — отчёт по задержкам: сравнение авиакомпаний по задержкам перевозчика, погодным, системным, связанным с безопасностью и поздним прибытием самолёта; — интерактивные визуализации: treemap, круговая диаграмма, карта США, столбчатые и линейные графики. Стек: Python, Pandas, Dash, Plotly. Проект демонстрирует полный цикл создания веб-дашборда: от обработки данных и расчёта агрегированных показателей до разработки интерактивного интерфейса и автоматического обновления графиков.

Самостоятельный аналитический проект по прогнозированию стоимости жилой недвижимости на Python. Использованы данные о 21 613 продажах домов в округе Кинг, США. Цель работы — определить характеристики, наиболее связанные с ценой, построить несколько регрессионных моделей и сравнить качество прогноза. Выполнено: — очистка данных, удаление служебных столбцов и заполнение пропусков; — исследовательский анализ распределений и взаимосвязей; — сравнение цен домов с waterfront и без него; — анализ зависимости цены от площади, состояния, класса дома и других признаков; — построение линейной регрессии по отдельным и нескольким признакам; — создание pipeline со стандартизацией и полиномиальными признаками; — разделение данных на обучающую и тестовую выборки; — построение Ridge-регрессии и оценка моделей по коэффициенту R². Результаты: — линейная модель по нескольким признакам: R² = 0,658; — полиномиальный pipeline: R² = 0,751; — Ridge на тестовой выборке: R² = 0,650; — полиномиальная Ridge на тестовой выборке: R² = 0,747. Лучший результат на тестовых данных показала полиномиальная Ridge-регрессия. Проект демонстрирует полный цикл работы: от подготовки данных и визуального анализа до построения, проверки и сравнения моделей прогнозирования.

Самостоятельный аналитический проект по прогнозированию стоимости жилой недвижимости на Python. Использованы данные о 21 613 продажах домов в округе Кинг, США. Цель работы — определить характеристики, наиболее связанные с ценой, построить несколько регрессионных моделей и сравнить качество прогноза. Выполнено: — очистка данных, удаление служебных столбцов и заполнение пропусков; — исследовательский анализ распределений и взаимосвязей; — сравнение цен домов с waterfront и без него; — анализ зависимости цены от площади, состояния, класса дома и других признаков; — построение линейной регрессии по отдельным и нескольким признакам; — создание pipeline со стандартизацией и полиномиальными признаками; — разделение данных на обучающую и тестовую выборки; — построение Ridge-регрессии и оценка моделей по коэффициенту R². Результаты: — линейная модель по нескольким признакам: R² = 0,658; — полиномиальный pipeline: R² = 0,751; — Ridge на тестовой выборке: R² = 0,650; — полиномиальная Ridge на тестовой выборке: R² = 0,747. Лучший результат на тестовых данных показала полиномиальная Ridge-регрессия. Проект демонстрирует полный цикл работы: от подготовки данных и визуального анализа до построения, проверки и сравнения моделей прогнозирования.