Тонкая настройка T5 для исправления орфографии с LoRA Эффективный fine-tuning большой языковой модели T5 для задачи spell correction с использованием Low-Rank Adaptation (LoRA). Проект демонстрирует умение работать с современными техниками параметро-эффективного обучения (PEFT), сокращая потребление памяти без потери качества. Стек: Python, PyTorch, Transformers, LoRA, Jupyter Notebook

Тонкая настройка T5 для исправления орфографии с LoRA Эффективный fine-tuning большой языковой модели T5 для задачи spell correction с использованием Low-Rank Adaptation (LoRA). Проект демонстрирует умение работать с современными техниками параметро-эффективного обучения (PEFT), сокращая потребление памяти без потери качества. Стек: Python, PyTorch, Transformers, LoRA, Jupyter Notebook

Тонкая настройка T5 для исправления орфографии с LoRA Эффективный fine-tuning большой языковой модели T5 для задачи spell correction с использованием Low-Rank Adaptation (LoRA). Проект демонстрирует умение работать с современными техниками параметро-эффективного обучения (PEFT), сокращая потребление памяти без потери качества. Стек: Python, PyTorch, Transformers, LoRA, Jupyter Notebook

End-to-end проект по выявлению мошеннических транзакций: от анализа и предобработки данных до обучения модели и оценки качества. Включает работу с несбалансированными классами, feature engineering и интерпретацию результатов — всё, что нужно для реальной бизнес-задачи. Стек: Python, scikit-learn, Pandas, классический ML, Jupyter Notebook

End-to-end проект по выявлению мошеннических транзакций: от анализа и предобработки данных до обучения модели и оценки качества. Включает работу с несбалансированными классами, feature engineering и интерпретацию результатов — всё, что нужно для реальной бизнес-задачи. Стек: Python, scikit-learn, Pandas, классический ML, Jupyter Notebook

Полноценное веб-приложение: вы даёте длинную ссылку — сервис сохраняет и возвращает короткую. Реализован и backend (логика сокращения, хранение, редирект), и frontend для удобного взаимодействия. Проект демонстрирует навыки создания законченных веб-решений с нуля. Стек: Python, FastAPI, SQL, HTML/CSS/JavaScript (либо указан конкретный фронтенд-фреймворк, если есть)

Набор практик и кода для организации MLOps-процессов: контейнеризация, CI/CD, мониторинг моделей. Проект показывает, как превратить ноутбук исследователя в надёжный production-сервис. Демонстрирует владение Docker, облачными инструментами (AWS) и принципами DevOps в контексте машинного обучения. Стек: Python, Docker, AWS, CI/CD, Airflow, MLFlow, TensorBoard, Minio, Postgres

Проект, в котором несколько LLM-агентов совместно решают сквозную задачу — от анализа запроса до выполнения действий. Агенты планируют шаги, ищут информацию, генерируют код и создают отчёты, общаясь через оркестратор. Реализован веб-интерфейс, где пользователь ставит задачу и наблюдает за цепочкой рассуждений агентов в реальном времени. Стек: Python, LangChain / LangGraph, FastAPI, LLM (GPT-4o), React, Docker