Больше информации по резюме будет доступно после регистрации
ЗарегистрироватьсяКандидат
Мужчина, 48 лет, родился 2 июня 1976
Екатеринбург, р‑н Старая Сортировка, готов к переезду, не готов к командировкам
Где ищет работу
Екатеринбург
Карасьеозерск, УНЦ, Лиственный, ШинныйData Scientist
Специализации:
- Аналитик
- Дата-сайентист
Занятость: полная занятость
График работы: полный день
Опыт работы 18 лет 10 месяцев
Май 2007 — Февраль 2021
13 лет 10 месяцев
НПЦ Внутритрубная диагностика
Березовский (Свердловская область), www.npcvtd.ru/
инженер-исследователь
разработка оборудования для внутритрубной диагностики магистральных газопроводов. Низкочастотный электромагнитный анализ, анализ напряжённо-деформированного состояния.
- Расчёт и оптимизация двигателя с возбуждением от постоянных магнитов для управления заслонкой байпаса внутритрубного дефектоскопа;
- Расчет и оптимизация магнитных систем MFL дефектоскопов;
- Моделирование гиперэластичных элементов (манжет, ласт).
- Оповещатель - элетромагнитный излучатель для передачи низкочастотного сигнала через стенку трубы. Разработка модели python/femm и оптимизационные расчёты с учётом ограничений по мощности активных потерь и напряжённости магнитного поля в приёмнике.
- Расчёт и оптимизация двигателя с возбуждением от постоянных магнитов для управления заслонкой байпаса внутритрубного дефектоскопа;
- Расчет и оптимизация магнитных систем MFL дефектоскопов;
- Моделирование гиперэластичных элементов (манжет, ласт).
- Оповещатель - элетромагнитный излучатель для передачи низкочастотного сигнала через стенку трубы. Разработка модели python/femm и оптимизационные расчёты с учётом ограничений по мощности активных потерь и напряжённости магнитного поля в приёмнике.
Май 2002 — Май 2013
11 лет 1 месяц
Уральский федеральный университет имени первого Президента России Б.Н. Ельцина
Екатеринбург
аспирант, преподаватель
Обучение в аспирантуре. Сдал кандидатский минимум
Преподавание информационно-измерительной техники и электроники.
Исследования по возобновляемой энергетике в направлении статистического моделирования климатических факторов и синтеза оптимальных систем децентрализованного энергоснабжения.
Преподавание информационно-измерительной техники и электроники.
Исследования по возобновляемой энергетике в направлении статистического моделирования климатических факторов и синтеза оптимальных систем децентрализованного энергоснабжения.
Навыки
Уровни владения навыками
Обо мне
Я инженер с физтеховским образованием. В своей текущей работе я около 5 лет использую python и его библиотеки анализа и визуализации данных, такие как pandas, numpy, matplotlib, seaborn.
Я второй год изучаю методы машинного обучения (Coursera, Kaggle). За это время я получил следующие навыки:
- парсинг данных с использованием библиотек requests и BeautifulSoup
- подготовка данных для моделей машинного обучения (feature extraction и feature engineering)
- первичный анализ данных с использовfнием pands и seaborn (преобразование категориальных признаков, пропуски данных, понижение размерности)
- построение статистических моделей машинного обучения (DecisionTree, Random Forests, XGBoost) а также нейросетевых моделей глубокого обучения с использованием Фреймворков PyTorch и Keras
- работа моделями обработки естественных языков в рамках Natural Language Processing course from Huawei University
- базовые знания фронтэнд и бекэнд разработки – html, css, js, django, SQL
Для контроля версий использую git и удалённые репозитории github, gitlab.
В своей работе использую IDE PyCharm, Atom и VSCode. Для вычислительных экспериментов и формирования отчётов пользуюсь Jupyter notebook.
Прошёл Natural Language Processing course from Huawei University. Сделал проект по суммаризации текстов русского языка: https://github.com/vadimvvlasov/nlp-project
Веб-сайт Django с обученной моделью машинного обучения:
https://github.com/vadimvvlasov/Django-with-machine-learning
Получение первичных данных - веб парсинг (requests, BeautifulSoup)
https://github.com/vadimvvlasov/scrape-s1-form/tree/master
Пройденные курсы на Kaggle: https://cloud.mail.ru/public/5Pi9/5DYeJKj2G
У меня есть опыт участия Kaggle соревнованиях:
- Titanic: Machine Learning from Disaster
- Housing Prices Competition for Kaggle Learn Users
Я второй год изучаю методы машинного обучения (Coursera, Kaggle). За это время я получил следующие навыки:
- парсинг данных с использованием библиотек requests и BeautifulSoup
- подготовка данных для моделей машинного обучения (feature extraction и feature engineering)
- первичный анализ данных с использовfнием pands и seaborn (преобразование категориальных признаков, пропуски данных, понижение размерности)
- построение статистических моделей машинного обучения (DecisionTree, Random Forests, XGBoost) а также нейросетевых моделей глубокого обучения с использованием Фреймворков PyTorch и Keras
- работа моделями обработки естественных языков в рамках Natural Language Processing course from Huawei University
- базовые знания фронтэнд и бекэнд разработки – html, css, js, django, SQL
Для контроля версий использую git и удалённые репозитории github, gitlab.
В своей работе использую IDE PyCharm, Atom и VSCode. Для вычислительных экспериментов и формирования отчётов пользуюсь Jupyter notebook.
Прошёл Natural Language Processing course from Huawei University. Сделал проект по суммаризации текстов русского языка: https://github.com/vadimvvlasov/nlp-project
Веб-сайт Django с обученной моделью машинного обучения:
https://github.com/vadimvvlasov/Django-with-machine-learning
Получение первичных данных - веб парсинг (requests, BeautifulSoup)
https://github.com/vadimvvlasov/scrape-s1-form/tree/master
Пройденные курсы на Kaggle: https://cloud.mail.ru/public/5Pi9/5DYeJKj2G
У меня есть опыт участия Kaggle соревнованиях:
- Titanic: Machine Learning from Disaster
- Housing Prices Competition for Kaggle Learn Users
Высшее образование
1999
Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, Екатеринбург
Физико-Технический, электроника и автоматика
Знание языков
Гражданство, время в пути до работы
Гражданство: Россия
Разрешение на работу: Россия
Желательное время в пути до работы: Не имеет значения