Образование и карьера
Мой профессиональный путь
Опыт работы
Fullstack-разработчик
Фриланс
Веду коммерческие проекты под ключ: от постановки задачи до работающего продакшена с мониторингом. Флагман — TicketHub, open-source тикет-система на PHP 8.4: REST API на ~45 эндпоинтов, security-слой по OWASP, N+1 в канбане с 201 запроса до 2 на страницу.
Веб-разработчик / системный администратор
Российская государственная детская библиотека (РГДБ)
Сопровождаю и дорабатываю веб-сервисы библиотеки на PHP, внедрила CI/CD на GitHub Actions — деплой сократился с 2 часов до 15 минут. Отвечаю за SLA 99,9% серверной инфраструктуры (Prometheus + Grafana) и руковожу командой из двух системных администраторов.
Младший системный администратор
Российская государственная детская библиотека (РГДБ)
Поддержка 1-2 линии, 100+ рабочих мест (Windows, Linux, macOS). Среднее время закрытия тикета — 2 часа, удовлетворённость 95%. Создала базу знаний на 50+ статей — нагрузка на старших упала на 30%. Тут написала первые скрипты на Python и Bash — экономия 2-3 часа в день. Починила ~30 багов в legacy PHP-сервисах и ускорила сайт на 20%.
Образование
Московский университет имени С.Ю. Витте
Бакалавриат, Прикладная информатика — ИИ и анализ данных
Училась параллельно с работой. Фокус — машинное обучение, дата-инженерия и прикладной ИИ. Курсовая — predictive maintenance: раннее детектирование утечек воздуха в компрессоре поезда метро на датасете MetroPT-3 (ROC-AUC 0,993). Исследование по ансамблевым методам в диагностике сердечно-сосудистых заболеваний вышло статьёй в журнале из перечня ВАК (МОИТ, категория К2, 2026).
Проекты во время обучения
- →ML-бенчмарк сердечно-сосудистых заболеванийМногоцентровый ML-бенчмарк на 1 904 пациентах из 6 датасетов — CatBoost лидирует с ROC-AUC 0.948
- →MetroPT — предиктивное обслуживаниеРаннее детектирование утечек воздуха в компрессоре поезда метро за 30 минут до отказа — 1,5 млн показаний сенсоров, 16 моделей в сравнении, оптимизированный GradientBoosting с ROC-AUC 0,993
- →GenreNeuroНейросетевой классификатор детских книг — 89.16% точности на 6 жанрах по текстовым описаниям
- →Children Book DatasetPython-парсер, который собирает размеченный датасет детских книг — сделан, чтобы кормить классификатор GenreNeuro
МГОК
Среднее специальное, Сетевое и системное администрирование
Тут всё началось. Сети, Windows Server, Linux и первые скрипты на Bash. Подсела на автоматизацию — если что-то руками дольше 10 минут, проще написать скрипт.
Сертификаты
Системная аналитика
Карпов Курсы · янв. 2026 г.
Публикации
Ансамблевые методы машинного обучения для прогностической диагностики сердечно-сосудистых заболеваний: сравнительный анализ на многоцентровой выборке
Моделирование, оптимизация и информационные технологии (МОИТ), 2026, т. 14, № 6(57) · перечень ВАК, категория К2
Сравнение восьми алгоритмов машинного обучения на объединённой многоцентровой выборке из шести баз данных (n = 1 904). CatBoost показал ROC-AUC 0,948 [0,922–0,966] и F1 0,884 при лучшей калибровке; аблация показала, что 7 признаков сохраняют 97,5% качества полной модели. Попарное сравнение — тесты ДеЛонга и МакНемара с поправкой Бонферрони. Соавторы: Веселов Д.И., Андриянов Н.А.
DOI: 10.26102/2310-6018/2026.57.6.017