Алена Глушкова

Регистрация: 17.05.2026

Специализация: ML / Data Engineer

— Junior ML/Data Engineer, студентка 4 курса механико-математического факультета НГУ (Новосибирск). — Специализация: машинное обучение, классификация и регрессия, анализ данных. — Проекты: кредитный скоринг (ROC-AUC 0.85), классификация физиологических сигналов (точность 0.95). — Стек: Python, Pandas, Scikit-learn, XGBoost, SQL, Docker, FastAPI. — Применяю AI-ассистенты (GitHub Copilot, GigaCode) в разработке. — Курсы: Аналитик данных (karpov.courses), Python for Data Science, ООП Python, SQL PostgreSQL (Stepik/НГУ).

Python Git SQL pandas Docker Machine Learning Sklearn FastAPI Data Engineer XGBoost NumPy PostgreSQL GitHub Seaborn Matplotlib Jupyter Data Analysis Data Science

Скиллы

Python

Pandas

Numpy

Scikit-learn

SQL

Docker

Математическая статистика

XGBoost

FastAPI

Matplotlib

Seaborn

scipy

Git

Опыт работы

ML Engineer

с 2025 - По настоящий момент |Классификация тревожности по дыханию – личный проект 2025

Python, Scikit-learn, scipy, цифровая обработка сигналов

● Разработан алгоритм классификации записей дыхания на состояния «покой» и «тревога». ● Сигналы фильтровались по частотам, строилась спектрограмма, извлекались статистические признаки, описывающие форму и изменения спектра. ● Обучена модель логистической регрессии, достигнута точность разделения классов 0.95 на выборке из 80 записей. ● Применены навыки выделения информативных признаков из слабоструктурированных данных и построения пайплайна от сырого сигнала до классификатора.

ML Engineer

с 2026 - По настоящий момент |Кредитный скоринг – личный проект 2026

Python, Pandas, Scikit-learn, XGBoost, Matplotlib, Seaborn

● Решена задача бинарной классификации дефолта заёмщика по историческим данным. ● Проведён EDA: анализ распределений дефолта/недефолта, выявлено влияние просрочек, долговой нагрузки и возраста. ● Реализована предобработка: отсев некорректных записей, медианное заполнение пропусков, проверка на дубликаты. ● Построены и сравнены модели логистической регрессии и XGBoost; ROC-AUC на валидации: 0.85. ● Проанализирована важность признаков XGBoost, ключевой предиктор — количество просрочек более 90 дней.

Образование

Теория вероятностей и математическая статистика (Бакалавр)

По 2026

Новосибирский государственный университет (НГУ), Механико-математический факультет

Языки

РусскийРоднойАнглийскийВыше среднего