Machine Learning / Data Science
PythonPandasNumPyScikit-learnCatBoostLightGBMTF-IDFNLPFeature EngineeringEDAJupyter NotebookMatplotlib
Junior ML Engineer / Python Developer
Дмитрий Анпилов
Junior ML Engineer / Python Developer
🏆 1 место на VK Tech хакатонеAI-помощник врачаML → API → продукт
Строю ML-пайплайны, backend-сервисы, Telegram-ботов, data engineering-системы и AI-помощников. Люблю, когда модель не просто обучилась, а превратилась в работающий продукт с API, интерфейсом и понятной пользой.
Medical ML Dashboard
VK Tech hackathon winner build
medical input
Медицинские тексты, МКБ-коды, вредные факторы
Medical Data
тексты и коды
NLP Features
TF-IDF
ML Model
CatBoost
FastAPI
online
Doctor Review
специалист решает
confidence
0.91risk_case
FastAPIonline
qualitychecks passed
reviewdoctor in charge
About
Данные, код и рабочий запуск
Честное портфолио начинающего специалиста: без лишнего пафоса, зато с реальными сборками, экспериментами и руками в коде.
1 место на офлайн-хакатоне VK Tech в Санкт-Петербурге
Я начинающий ML-инженер и разработчик широкого профиля. Мне интересно превращать данные в работающие решения: от EDA и feature engineering до API, базы данных, Docker и понятного интерфейса. У меня есть учебные и pet-проекты, хакатонный опыт и желание быстро расти в команде.
Коммерческого опыта пока немного, зато любопытства, практики и готовности разбираться — с запасом.
Отдельное направление — data-проект по сбору исторических цен на сельхозтовары для будущей модели прогнозирования.
1 место
VK Tech хакатон, Санкт-Петербург
Full flow
медицинские данные → ML → API
Wide stack
Python, web, mobile
VK Tech Hackathon
Победа на VK Tech хакатоне
1 место на офлайн-хакатоне VK Tech в Санкт-Петербурге
1
place
1 место на офлайн-хакатоне VK Tech в Санкт-Петербурге
AI-помощник врача-профпатолога
Проект AI-помощника врача-профпатолога занял 1 место на офлайн-хакатоне VK Tech в Санкт-Петербурге. Решение помогает специалисту анализировать медицинские данные, выявлять противопоказания к профдеятельности и быстрее находить рисковые случаи.
Пост VK TechMedical Data
тексты и коды
NLP Features
TF-IDF
ML Model
CatBoost
FastAPI
online
Doctor Review
специалист решает
Tech Stack
Инструменты, которыми можно довести идею до продакшн-подобного состояния
От ноутбука с EDA до backend-сервиса, scheduler, Docker и интерфейса, где результат можно потрогать.
Backend
FastAPIUvicornSQLAlchemyPydanticPostgreSQLSQLiteREST API
Applied ML / Medical NLP
NLPmedical text processingМКБ-кодыrisk scoringthreshold tuningquality checks
Data Engineering / MLOps
DockerDocker ComposeAlembicpytesthttpxloggingmodel registrymodel carddata validationprediction loggingpipeline runnerAPScheduler
Web
TypeScriptNext.jsReactTailwind CSSESLintPostCSS
Mobile / GameDev
DartFlutterFlameRiverpodgo_routerlocalization RU/ENaudio/SFX
Automation & Tools
Telegram botspython-telegram-botaiohttpscheduled jobsCLI scriptsGitGitHubLinux basicsDocker basics
Projects
Проекты, где модель не остаётся в ноутбуке
ML, backend, medical NLP, data engineering, автоматизация, web и mobile: разные задачи, один принцип — собрать так, чтобы оно запускалось.
ML / Backend
AI-помощник врача-профпатолога
1 место на офлайн-хакатоне VK Tech в Санкт-Петербурге
Проект, занявший 1 место на офлайн-хакатоне VK Tech в Санкт-Петербурге. AI-помощник врача-профпатолога помогает анализировать медицинские данные, выявлять противопоказания к профдеятельности и подсвечивать рисковые случаи для специалиста. В проекте использовались медицинские тексты, МКБ-коды, вредные факторы, ML-модель, TF-IDF, CatBoost, ensemble-подход, настройка threshold и проверки качества.
Не заменяет врача — помогает подсветить рисковые случаи. Модель умная, но халат не носит.
PythonPandasScikit-learnCatBoostTF-IDFNLPmedical text processingFastAPIpytestMLOps basics
ML
OZON Recommendation System
Рекомендательная система для предсказания следующей покупки пользователя: feature engineering, обучение моделей, оценка качества и сравнение подходов.
Покупка ещё не сделана, а признаки уже нервничают.
PythonPandasNumPyLightGBMScikit-learnJupyter Notebook
Mobile / Backend
Drone Strike / FPV Last Run
Мобильная 2D arcade-игра про FPV-дрон: Flutter/Flame-клиент, игровой цикл, препятствия, миссии, жизни, музыка/SFX, backend на FastAPI с профилем, прогрессом и leaderboard.
Когда ML-модель устала — можно отправить FPV-дрон в миссию.
FlutterDartFlameRiverpodFastAPIPostgreSQLDocker
Backend / Automation
Commodity Dataset Builder
Долгоживущая data engineering-система для сбора и нормализации рыночных данных по commodity markets: PostgreSQL, immutable raw storage, scheduler, health reports и Alembic migrations.
Данные приходят регулярно, складываются аккуратно и не спорят с миграциями.
PythonPostgreSQLSQLAlchemyAlembicAPSchedulerDocker Composepydantic-settingspytest
Web
Сайт управления муниципального заказа
Modern web-проект на Next.js: публичный сайт, CMS и внутренняя система учета заявок и закупок.
Госзаказ, но интерфейс старается быть человеком.
Next.jsTypeScriptReactTailwind CSSESLint
Automation
Telegram Price Monitor Bot
Telegram-модуль для мониторинга цен на масла и шроты: ручной и автоматический сбор, история цен, сводки, графики за 7 дней, scheduler и уведомления. Используется как часть системы Agro Price Intelligence.
Графики строятся, цены шевелятся, бот держит в курсе.
Pythonpython-telegram-botaiohttpSQLiteMatplotlib
Data Engineering / ML / Agriculture
Agro Price Intelligence
Система для сбора, мониторинга и анализа цен на сельскохозяйственные товары: шроты, масла и связанные рыночные показатели. Проект объединяет парсинг отраслевых и биржевых источников, Telegram-уведомления, хранение истории цен, графики и подготовку датасета для будущей ML-модели прогнозирования.
Цель — собрать качественную историческую базу данных и использовать её для построения модели прогнозирования цен на шроты и масла сельхозназначения.
Пока рынок спорит, бот собирает цены. Потом модель попробует объяснить, что вообще произошло.
PythonparsingTelegram Bot APISQLite/PostgreSQLPandasMatplotlibtime seriesfeature engineering
Highlights
Что уже есть
Фокус на росте, практике и умении связывать ML с инженерной частью продукта.
1 место на офлайн-хакатоне VK Tech в Санкт-Петербурге
AI-помощник врача-профпатолога для анализа медицинских данных и выявления противопоказаний
Сбор отраслевого датасета для будущей ML-модели прогнозирования цен на шроты и масла
ML-проекты с pipeline и валидацией
Backend API и базы данных
Telegram-боты и автоматизация
Modern web на Next.js
Мобильная игра на Flutter/Flame
Готовность быстро учиться и доводить проекты до запуска
How I Build
Как я превращаю идею в работающий продукт
Мне важно не только обучить модель, но и довести её до понятного API, интерфейса, бота или AI-помощника.
01
Разбираю задачу
Что нужно пользователю, где риск, где метрика успеха.
02
Готовлю данные
Смотрю качество, пропуски, признаки и странные сюрпризы.
03
Обучаю модель
Выбираю подход, учу baseline, улучшаю без магического мышления.
04
Проверяю качество
Метрики, thresholds, ошибки и честный взгляд на ограничения.
05
Заворачиваю в API
FastAPI, схемы, валидация, удобная точка входа.
06
Подключаю продуктовый слой
Интерфейс, бот или API, чтобы результатом можно было пользоваться.
07
Логирую, тестирую и улучшаю
Проверки, логи, Docker и спокойный запуск без ритуальных танцев.
Interactive
Мини-терминал состояния
Немного живого CLI-настроения: всё честно, лаконично и с кофе как критической зависимостью.
~/anpilov/status
Contact
Связаться со мной
Открыт к стажировкам, Junior ML/Python позициям, проектам и задачам, где данные нужно превратить во что-то работающее.