● Разработал модуль content-based рекомендаций, повысив precision@10 с 0.51 до 0.76. ● Очистил и обработал данные: удаление дубликатов, заполнение медианными значениями, нормализация. ● Интегрировал пользовательскую обратную связь (implicit/explicit). ● Добавил контекстные признаки (время года, поведение) в модель рекомендаций.

● Разрабатывал ML-модели для задач оттока и вероятности покупки: использовал CatBoost и LightGBM, применял стратифицированную кросс-валидацию, feature importance, SHAP. ● Проводил A/B-тестирование: рассчитывал uplift, доверительные интервалы, использовал бутстрап и CUPED для снижения дисперсии. Сравнивал группы по метрикам conversion и churn. ● Строил end-to-end ML-пайплайны: ETL на Python, SQL-запросы к PostgreSQL, сохранение фичей через DVC и feature store, логгирование с помощью MLflow. ● Деплой: прототипировал модеMLflowли в Streamlit, разворачивал REST API с FastAPI и Docker, настраивал метрики качества и мониторинг входных данных.