I build machine-learning systems around tabular data, text classification, recommendation and personalization.

My usual workflow is not just training a model: I try to take a solution from data → features → validation → inference → working service.

I am especially interested in practical ML with Python and gradient boosting, and in understanding how a model becomes part of a real application.

End-to-end ML service for personalized cashback.

LightGBM · scikit-learn · pandas · FastAPI · Docker

A portfolio-safe version of a competition project. The service combines model scoring, feature construction and business constraints, then exposes the result through a documented API.

Highlights: ML predictor · category ranking · fallback heuristics · request logging · health checks · Swagger / OpenAPI.

Hybrid ML pipeline for video-search query classification and title recovery.

TF-IDF · Logistic Regression · LinearSVC · KNN · GroupKFold

The solution combines text models, retrieval, dictionaries, heuristics and domain-specific post-processing instead of relying on a single classifier.

Telegram automation project with scheduled jobs and persistent storage.

Python · Cloudflare Workers · D1 · Telegram API · CRON

A backend-oriented project demonstrating bot logic, scheduled execution, storage and deployment-oriented architecture.

Languages

Python · SQL

Machine Learning

LightGBM · CatBoost · scikit-learn · pandas · NumPy · TF-IDF

ML skills

Classification · Regression · Recommender Systems · Feature Engineering · EDA · Model Validation

Backend / Engineering

FastAPI · Pydantic · Docker · OpenAPI / Swagger · Git

Tools

Jupyter · Streamlit

I am interested in ML / AI internships and practical projects where I can work with real data, experiment with models, learn from experienced engineers and turn ideas into working systems.

• GitHub: https://github.com/isad4youbro
• Telegram: @pipipauy
• Email: discordartsarg@gmail.com

Я занимаюсь машинным обучением, табличными данными, классификацией текста, рекомендательными системами и персонализацией.

Мне интересно не только обучить модель, но и довести решение до работающего результата по цепочке:

данные → признаки → валидация → инференс → сервис.

Основной стек — Python и классическое ML, особенно градиентный бустинг. Отдельно интересуюсь тем, как ML-модель встраивается в полноценное приложение.

Полноценный ML-сервис персонального кэшбэка.

LightGBM · scikit-learn · pandas · FastAPI · Docker

Публичная версия соревновательного проекта. Сервис объединяет ML-скоринг, построение признаков и бизнес-ограничения и предоставляет результат через документированный API.

Внутри: ML-предиктор · ранжирование категорий · fallback-эвристики · логирование запросов · healthcheck · Swagger / OpenAPI.

Гибридный ML-пайплайн для классификации видеопоисковых запросов и восстановления названий.

TF-IDF · Logistic Regression · LinearSVC · KNN · GroupKFold

Решение объединяет текстовые модели, retrieval, словари, эвристики и предметные post-processing правила вместо использования одного классификатора.

Backend-ориентированный Telegram-проект с планировщиком задач и постоянным хранилищем.

Python · Cloudflare Workers · D1 · Telegram API · CRON

Проект показывает работу с логикой бота, scheduled jobs, хранилищем и deployment-oriented архитектурой.

Языки: Python · SQL

ML: LightGBM · CatBoost · scikit-learn · pandas · NumPy · TF-IDF

Задачи: классификация · регрессия · рекомендательные системы · feature engineering · EDA · валидация моделей

Backend / Engineering: FastAPI · Pydantic · Docker · OpenAPI / Swagger · Git

Инструменты: Jupyter · Streamlit

Ищу стажировки и практические проекты в ML / AI, где можно работать с реальными данными, экспериментировать с моделями, учиться у сильных инженеров и превращать решения в работающие системы.

• GitHub: https://github.com/isad4youbro
• Telegram: @pipipauy
• Email: discordartsarg@gmail.com