Я принял решение изменить направление профессионального развития и успешно прошёл профессиональную переподготовку (366 часов) с присвоением квалификации "Исследователь данных". Опыт в области Python: более 3 лет. Изучил основные библиотеки машинного и глубокого обучения, SQL. С выполненными мной проектами можно ознакомиться на GITHUB: 1) Изучение оттока клиентов банка https://github.com/Raoufmamedov/various_studies/blob/72ec21244876f733593c3da08e3e74f8da592cbd/Churn%20study.ipynb Изучено влияние на отток клиентов пола и возраста клиента, состояние его баланса, кредитного рейтинга, банковского стажа и иных признаков. Определены группы клиентов, для которых существует высокий риск оттока. 2) Выявление факторов успеваемости учащихся https://github.com/Raoufmamedov/edu_achievements/blob/47db24b4a1f405383e20a9debfdfb140f4b6957a/edu_achivements_factors.ipynb Выявлены основные факторы риска неуспеваемости детей в зависимости от семейных, демографических и прочих факторов. Выявлен ряд интересных инсайтов (к примеру влияние уровня образования родителей на отношения в семье). Также были составлены портреты среднестатистических учеников. 3) Исследование петрофизических свойств керна для моделирования проницаемости (ДЗ компании ARAMCO, работа выполнена на английском) https://github.com/Raoufmamedov/ARAMCO/blob/d887a34faf0e0e3d842f14a0ef224d6c7637afad/ARAMCO-clean%20final.ipynb Целью данного исследования было построение моделей позволяющих предсказать изменение множества целевых переменных (серии измерения капиллярного давления и объёма порового пространства на основе данных по другим параметрам. Было выявлено, что для предсказания кривая капиллярного давления может с достаточно высокой точностью быть аппроксимирована линейной регрессией, и, следовательно, вместо определения каждой точки индивидуальной кривой, достаточно определить регрессионные коэффициенты, по которым с высокой точностью может быть построена кривая. Наряду с решением основной задачи выявлены характер распределения признаков с использованием библиотеки Fitter для аппроксимации кривой распределения. Также были изучены особенности изменения свойств породы по слоям месторождения и построены стратиграфические колонки. 4) Парсинг сайта HH.ru для оценки медианных зарплат специалистов в области Data Science (различные грейды и специализации). https://github.com/Raoufmamedov/HH.ru-parsing/blob/869a476289f3da42614892d10a7716e92f53eb7c/Base_%22Parsing_HH1.ipynb Цель исследования — создание ноутбука, позволяющего анализировать текущие вакансии на сайте HH.ru с целью статистической обработки и оценки зарплатных перспектив специалистов в области Data Science ищущих работу в Москве. Собранные парсингом данные анализировались с целью оценить ожидаемых границ и медианных значений зарплат. Относительно невысокий процент указаний зарплаты делает нецелесообразным построение модели предсказания, однако достаточен для определения доверительного интервала заработных плат и обнаружения выбросных значений зарплат. Ввиду периодического обновления форм у HH.ru, время от времени могут наблюдаться ошибки в полях на которые разделяется текст, и в дальнейшем будет осуществлена попытка создания более устойчивой модели разделения текста. 5) Дипломный проект для квалификации в качестве исследователя данных (Обработка естественного языка, классификация текста по темам) https://github.com/Raoufmamedov/NLP_DIPLOMA_NETOLOGY Презентация дипломной работы: https://github.com/Raoufmamedov/NLP_DIPLOMA_NETOLOGY/blob/4f997766f6dc4d23c4052d82ba8f189bc86242d4/%D0%94%D0%B8%D0%BF%D0%BB%D0%BE%D0%BC%D0%BD%D0%BE%D0%B5%20%D0%B7%D0%B0%D0%B4%D0%B0%D0%BD%D0%B8%D0%B5.pdf В этом исследовании, задачей было определить к какому разделу каталога относится товар, для чего было построено несколько моделей, а затем проведена оптимизация гиперпараметров выбранной модели. Данная работа была проведена с привлечением одних лишь классических и ансамблевых методов машинного обучения, для проверки возможности использования этих алгоритмов для получения достаточно точных (Точность предсказания не ниже 0,7).

Продажа промышленных центрифуг компаниям химической и металлургической отраслей промышленности Прогнозирование объёма продаж, анализ рынка, подготовка маркетинговых материалов. * Реализовал первую в историю компании поставку оборудования для гидрометаллургической переработки меди, обеспечил среднегодовое увеличение оборота на 10%, с максимальными перевыполнениями годового плана до 70%.

Продажа исследовательских систем и лабораторного оборудования для нефтяной, химической и горной промышленности. * Создал с нуля отдел продаж лабораторного оборудования компаниям ТЭК и возглавил его. * Разработал программу оснащения под ключ блочно-модульных лабораторий и успешно реализовал проекты их поставки. Управлял проектами поставки 4 нефтяных лабораторий. * Сформировал комплексы медиаконтента (два специализированных каталога по лабораторному и исследовательскому оборудованию, технические статьи, брошюры), увеличение количества входящих обращений на 10-15% (в зависимости от компаний). * оптимизировал семантическое ядро сайта, в результате чего увеличилась количество посетителей сайта.

Руководство группой геохимических и физико-химических исследования нефти, газа и керна. * В ходе самостоятельно инициированного исследования, по данным состава нефти различных горизонтов нефтяного месторождения, исправил привязку продуктивного интервала скважины с использованием дискриминантного анализа. Это позволило исправить оценки запасов нефтяных горизонтов. * Подготовил данные для банка свойств нефти морских и наземных месторождений Азербайджана. * Занял 3 место из 10 в статистическом исследовании компанией Schlumberger качества анализов производимых в его лабораториях (Round Robin, все лаборатории, AZLAB рассматривалась как полукоммерческая лаборатория). * Создал новое направление (испытательная лаборатория нефтепродуктов). Самостоятельно определил протокол необходимых испытаний, определил перечень оптимального оборудования (качество/степень автоматизации/цена), провёл переговоры с производителями оборудования, организовал приобретение оборудования.