ML & Data Science • Python • Django/DRF • React • PostgreSQL

• Multilayer Perceptron (MLP) — реализация многослойного перцептрона для задачи классификации.
  🔹 Результат: стабильная точность на тестовой выборке, опыт подбора архитектуры и гиперпараметров.

• Convolutional Neural Network (CNN) — сверточная нейросеть для распознавания изображений.
  🔹 Результат: высокая точность классификации, эксперименты с регуляризацией и оптимизаторами.

• Hopfield Network — классическая модель ассоциативной памяти.
  🔹 Результат: корректное восстановление зашумлённых образов, иллюстрация принципов работы рекуррентных сетей.

• Data Preprocessing — исследовательский анализ данных, очистка, кодирование признаков и масштабирование.
  🔹 Результат: собран готовый pipeline предобработки для дальнейшего обучения моделей.

• Visualization & Statistics — визуализация данных и проверка статистических гипотез.
  🔹 Результат: выявлены зависимости между признаками и подготовлены инсайты для отбора фич.

• Baseline Models — сравнение логистической регрессии, kNN и деревьев решений.
  🔹 Результат: определена референсная модель с адекватным качеством.

• Mini Project — полный ML-цикл: сбор и очистка данных, feature engineering, обучение моделей и оценка.
  🔹 Результат: рабочая модель с воспроизводимым ноутбуком и отчётом по метрикам.

• Bank Dialog Intent Classification (NLP, RU) — классификация интентов в банковских диалогах.
  🔹 Результат: обучен BERT-классификатор; автоотчёты (accuracy, F1, classification report, confusion matrix); функция онлайнового предсказания.

• ML Basics — Regression & Baselines — регрессия и сравнение моделей на табличных данных: EDA, очистка, полиномиальные признаки (degree=10), LinearRegression, DecisionTree, наивные бейзлайны.
  🔹 Результат: сравнение по MAE/RMSE (train/test), итоговые таблицы result_MAE/result_RMSE, графики распределений и корреляций.

• Языки и библиотеки: Python • NumPy • Pandas • scikit-learn • Matplotlib • TensorFlow / PyTorch
• Backend: Django / DRF • WebSockets • Redis
• Databases: PostgreSQL • MongoDB
• Frontend: React • Tailwind CSS • JWT • Yandex Maps API

• Pet-Social — дипломный проект: социальная сеть для владельцев животных (Django + React + WebSockets + Yandex Maps).
• ML-Models — набор проектов по нейронным сетям (MLP, CNN, Hopfield).
• ml-labs-rgr — учебные лабораторные и РГР (EDA, визуализация, baseline-модели, end-to-end ML pipeline).
• NLP — классификация интентов банковских диалогов (BERT/Transformers, sklearn; отчёты и матрица ошибок, demo-инференс).
• machine-learning-basics — регрессия/классификация на табличных данных: EDA, полиномиальные признаки, LinearRegression/DecisionTree, сравнение по MAE/RMSE.

Pet Social — социальная сеть для владельцев животных: посты, чаты, карта вет-сервисов (Django + React + WebSockets + JWT + Yandex Maps).

• Студентка НГТУ НЭТИ направления «Информатика и вычислительная техника».
• Обучаюсь в Школе 21 (Sber) по треку Data Science.
• Интересы: машинное обучение, нейронные сети.
• Постоянно прокачиваю Python, математику, английский язык.

• Telegram: @chechel_milana
• Email: [email protected]