связаться со мной - TG: @HorsovAlexey
Инженер по образованию (природообустройство и водопользование), перешёл в разработку и работу с данными. Более года официального опыта. Так же прошёл профессиональную переподготовку по нейросетям. Мне нравится разбираться, как устроены данные и сервисы: строить загрузки, искать причины расхождений, писать понятный код и проверять его тестами.
- Языки: Python, SQL, Java
- Данные: PostgreSQL, Greenplum, ClickHouse, Hadoop (HDFS, Hive), Apache Spark (PySpark), Kafka, Apache Airflow
- Backend и API: FastAPI, aiogram, Spring Boot, Servlet API
- ML: scikit-learn, PyTorch, TensorFlow (Keras), Hugging Face Transformers
- Инструменты: Git, GitLab, Docker, Linux, Jira, PyCharm, VS Code
-
Aston: «Data Engineer» 2026 г.
- Роль: Data Engineer (стажёр)
- Чем занимался: Углублённое изучение реляционных СУБД и SQL: проектирование схем, оптимизация запросов, работа с индексами и транзакциями; построение и отладка ETL-пайплайнов; обработка больших объёмов данных в распределённых средах Hadoop (HDFS, MapReduce, Hive) и Apache Spark (PySpark, Spark SQL); автоматизация задач на Python.
- Стек: SQL, PostgreSQL, Greenplum, ClickHouse, Python, Apache Hadoop (HDFS, Hive, MapReduce), Apache Spark (PySpark, Spark SQL), Apache Airflow, Docker, Git.
-
Программа ДПО проф. переподготовки: «Разработчик нейросетей» 2025 г.
- Роль: Разработчик нейросетей
- Чем занимался: Комплексное изучение и реализация end-to-end ML/DL решений: сбор и очистка данных, feature-engineering; разработка и сравнение классических моделей и нейросетей; практические кейсы по компьютерному зрению, NLP, обработке аудио, рекомендательным системам и прогнозированию временных рядов; аугментация, перенос обучения, валидация, мониторинг и развёртывание моделей. В ходе курса дорабатывал учебные приложения с помощью ИИ-ассистентов (см. проекты AI Chat ниже).
- Стек: Python, NumPy, Pandas, scikit-learn, OpenCV, PyTorch / TensorFlow (Keras), Hugging Face (Transformers), Librosa (аудио), statsmodels / Prophet (временные ряды), FastAPI, Jupyter, Git.
-
Y_lab: «Погружение в Java» 2022 г.
- Роль: Java Backend-разработчик
- Чем занимался: Разбирался в чужом коде, дорабатывал функционал REST API, применяя популярные паттерны, писал юнит-тесты и тестировал API при помощи Postman.
- Стек: Java 11
-
Плагин для программы QGIS. Изначально проект выполнялся для инженеров камерального отдела, с целью миграции из программы MapInfo в QGIS. Добавляет опцию экспорта («Экспорт в MapInfo») в контекстное меню векторных слоёв QGIS для сохранения в формате MIF/TAB с автоматической подстановкой пределов BOUNDS (только для субъектов РФ). Основное отличие от встроенного экспорта — автоматический расчёт и подстановка пределов BOUNDS.
Что внутри: определение региона по пересечению слоя с границами субъектов РФ (пространственный индекс), экспорт в фоновой задаче QGIS, пресеты пользовательских пределов в CSV, интерфейс в Qt Designer.
Стек: Python, PyQt5, QGIS API (qgis.core), GDAL/OGR, Pandas, CSV.
-
Настольное приложение для Windows, интегрирующее локальные vision-модели через Ollama API. По глобальной горячей клавише захватывает весь экран или выделенную пользователем область, подготавливает изображение и отправляет его модели для анализа. Ответ отображается в компактном окне поверх остальных приложений без перехвата фокуса.
Что внутри: захват и обработка скриншотов в памяти (изменение размера, JPEG-кодирование, Base64), отправка HTTP-запросов к Ollama API (
/api/chat) с потоковым чтением ответа, обработка рассуждений модели (thinking), отмена предыдущего запроса при создании нового снимка. Настройки модели, контекста, промпта и горячих клавиш вынесены в JSON-конфигурацию с валидацией параметров. Логика обработки запросов и состояния приложения отделена от GUI. Покрытие основной логики — 94 юнит-теста; автоматический запуск тестов через GitHub Actions на Python 3.10–3.13.Стек: Python, Tkinter, Pillow, keyboard, Ollama API, JSON, pytest, GitHub Actions.
-
Исследование и сравнение двух подходов к анализу текстов на примере отзывов IMDb: классических методов машинного обучения и моделей на основе трансформеров. В работе последовательно реализованы подготовка данных, обучение, оценка и сравнение моделей.
Результат: DistilBERT (accuracy 0.897) обошёл лучшую классическую модель — логистическую регрессию (0.882), при этом BERT-tiny (0.806) оказался слабее классических методов. Трансформеры точнее, но заметно дороже по времени и ресурсам.
Стек: Python, Pandas, NumPy, scikit-learn, transformers, peft, torch, seaborn, matplotlib.
-
Бот с викториной: вопросы с вариантами ответов на inline-кнопках, команды
/start,/quiz,/stats, статистика пользователя. Состояние игры и последний результат хранятся в SQLite, при перезапуске бот уведомляет пользователей.Ссылка на проект · @test_quiz_game_bot
Стек: Python, aiogram 3, asyncio, aiosqlite (SQLite).
-
Обучение простой нейросети (Keras) на датасете MNIST и её публикация как REST API на FastAPI прямо из Google Colab. Эндпоинты:
/health,/predict(загрузка PNG),/history(просмотр и очистка истории предсказаний), автоматическая Swagger-документация; публичная ссылка через SSH-туннель Serveo.Стек: Python, TensorFlow/Keras, FastAPI, Pydantic, Uvicorn, Pillow, Google Colab.
-
Настольный чат для общения с языковыми моделями через OpenRouter API (учебный проект курса, исходная версия — neuro-fill/51-lesson). Моя доработка: система авторизации — ввод API-ключа с проверкой баланса, генерация 4-значного PIN, вход по PIN или сброс ключа; данные хранятся в SQLite.
Стек: Python, Flet, SQLite, requests, PyInstaller.
-
Мультиплатформенное приложение для чата с языковыми моделями на Flutter (оригинал — neuro-fill/AIChatFlutter). Работает с OpenRouter и VseGPT. Доработано с использованием ИИ-ассистентов в рамках курса по разработке нейросетей. Что добавлено: многостраничный интерфейс, экран настроек провайдера и ключей, валидация ключа и блокировка чата до его ввода, статистика по токенам и моделям, график расходов по дням, управление состоянием через Provider, локальная история в SQLite.
Стек: Dart, Flutter, Provider, sqflite, OpenRouter API.
-
REST API на Spring Boot 17 с in-memory хранилищем: пользователи и их книги. Слоистая архитектура (controller → facade → service → storage), DTO и MapStruct, валидация, глобальный обработчик исключений, Swagger-документация.
Стек: Java 17, Spring Boot, MapStruct, Lombok, springdoc-openapi, Maven.
-
Сервлеты на Java: жизненный цикл (
init,service,doGet,doPost), обработка GET/POST-запросов, загрузка файлов (multipart) и передача данных на JSP.Стек: Java, Servlet API, JSP, Maven, Jetty, Apache Tomcat.

