SenatorovAI | IT-разработка и консалтинг | Школа Data Science Руслана Сенаторова

Hello everyone! My name is Yuriy. Role: Student English Level: B+ How did you hear about us? Through a friend. Previous Experience: Basic experience with programming and technical projects. Interested in machine learning and AI technologies. Learning Goal: To become a machine learning specialist, develop strong practical skills, and find a job in the ML field. Country: Uzbekistan Hobbies: Electronics and robotics. GitHub: https://github.com/Yuriy1293 Kaggle: https://www.kaggle.com/alavrdn ODS: https://ods.ai/users/hfbc1fa443946

Hi My name is Sardor Role: intern English Level: B2 How did you hear about us? Through a friend. Previous Experience: Student at Inha University in Tashkent. Basic experience in Python, machine learning, and computer vision projects. Interested in AI and data science. Learning Goal: To become a Machine Learning Engineer, gain practical experience, build strong projects, and start a career in AI/ML. Country: Uzbekistan Hobbies: AI, Machine Learning, Robotics, and Mathematics. GitHub: [sardorishiguro-svg GitHub](https://github.com/sardorishiguro-svg?utm_source=chatgpt.com) Kaggle: [Sardor Ishiguro Kaggle](https://www.kaggle.com/sardorishiguro?utm_source=chatgpt.com) ODS: [ODS Profile](https://ods.ai/users/q60557c2cbde5?utm_source=chatgpt.com)

Hi i'm Vanya. Role: intern English level: ~B1 How did you hear about us? I came across this school through youtube recomendations. Previous Experience: I'm a student from Moscow. My major is aplied mathematics. Also i learned some basic python with Stepik courses. Learning goal: By now, my goal is to get my first job as DS (juniour+). Counry: Russia Hobbies: computer games GitHub: https://github.com/Nieams Kaggle: https://www.kaggle.com/iv4n1v4n0v ODS: https://ods.ai/users/nb2a9c3f48a80

Проект по имитационному моделированию производственной системы в AnyLogic. В рамках работы была построена серия моделей для дисциплины «Индустриальные киберфизические системы»: от базовой линии сборки до декомпозиции модели на отдельных агентов, связанных между собой портами. Технологический стек: AnyLogic PLE — разработка имитационных моделей Process Modeling Library — построение производственных процессов Service / Queue / Assembler / Batch / Sink — моделирование обработки, сборки, упаковки и выхода изделий ResourcePool / Schedule — настройка роботов, рабочих и рабочих смен Conveyor / MoveTo — перемещение деталей и изделий между операциями Statechart — логика движения грузовиков и фур Action Chart / функции / события — управление доставкой деталей и готовой продукции Диаграммы и статистика AnyLogic — анализ загрузки ресурсов и узких мест модели Что было выполнено: реализована модель сборочного производства из двух типов деталей; настроены операции обработки деталей, сборки изделия и упаковки; добавлены роботы, рабочие, расписания смен и ограничения ресурсов; проведён анализ загрузки ресурсов и выявлены узкие места; подобраны параметры для повышения занятости робота-сборщика; реализована внутризаводская логистика с грузовиками и складом готовой продукции; добавлена логика доставки деталей при снижении запасов; настроено движение готовой продукции на склад; построена визуальная схема цеха с путями движения и конвейерами; добавлены графики и показатели занятости ресурсов; модель декомпозирована на отдельных агентов: Storage, Plant и Storage_Production; агенты связаны через порты и соединители; подготовлены отчёты по лабораторным работам и итоговая структура проекта. Этот проект помог лучше понять, как из отдельных блоков собирается полноценная имитационная модель производства: с потоками деталей, ограниченными ресурсами, расписаниями, складами, логистикой и статистикой. Отдельно для меня этот проект важен тем, что он стал одним из первых реальных оплаченных результ

Всем привет! На днях закончил первый самостоятельный пайплайн. И решил высказаться по этому поводу) Очень понравилось делать пайплайн New York City Airbnb Open Data. Времени заняло... ну небыстро прошло. Первые метрики были ужасные. Но в итоге сделал второй пайплайн. RMSE стал около 80 и r2 почти 0.4. Хочу заниматься таким почаще!

Hi, my name is Oleh. Role: intern English Level: B2 How did you hear about us: YouTube Experience: Completed several Data Science modules and gained coding practice during university. Goal: To gain practical experience in Data Science and improve my coding skills through real projects. Country: UK Hobbies: Gym, Kaggle competitions, and playing video games. GitHub: https://github.com/olehpatsan Kaggle: https://www.kaggle.com/olehpatsan ODS: https://ods.ai/users/x3487f4cecc0f

При обучении немалая роль уделяется построении пайплайнов. Вот какие пайплайны я создал в процессе обучения. intro_simple_eda_senatorovai - В нем я изучал EDA анализ и линейную регрессию на датасете BostonHousing. Целевая переменная price. MSE = 33.45 Немного, но цель была самому написать и понять как работают данные при обучении. intro_regression_senatorovai - здесь я углубился в регрессионный анализ изучая корреляцию, и подбор признаков на датасете BostonHousing изучая влияние отобраных признаков на целевую переменную . Целевая переменная - medv R2 - 0.65 Данная метрика показывает что 65% изменчивости цены объясняется независимыми переменными, которые мы выбрали для модели. car-price-eda-senatorovai - в этом пайплайне я с нуля анализировал данные проводя EDA анализ используя датасет cars-dataset. После очистки данных, анализа целевых переменных, проверка на пропуски я перешел к обучению модели с помощью линейной регрессии. Целевая переменная - цена автомобиля Цель сравнить валидационную и тестовую цены: Результат : validation: 0.466 test: 0.463 Значения очень позожи, когда при проверке я отменил логарифмирование то цена предсказанная (array([31500.67022188])) почти точно совпадала с тестовой(Реальная цена этого автомобиля — 31 120 долларов, так что наша модель очень точно предсказала цену.) Это была очень объёмная работа, в ней я использовал и логарифмирование цены, конструирование признаков, обработка категориальных переменных и регуляризацию для улучшения качества предсказания. airbnb_eda_regression_senatorovai - в этом пайплайне я проводил EDA и работал с пропусками на датасете new-york-city-airbnb-open-data/AB_NYC_2019. Так же исследовал преобразование категориальных данных и влияние на целевую переменную(price). Целевая переменная - price RMSE: 0.5 Я добавили в числовые признаки категориальные, перед этим закодировав их и прологарифмировали нашу целевую переменную, что позволило улучшить показатель качества модели с 3,7 до 46,55 % на тестах. intro_

Созвон 1 группы состоится 4 июля в 9 pm (GMT+3)

My role in school: I am a intern - I submit a report, do my homework, communicate with the teacher. English language level: Basic I learned about Ruslan Senatorov's school from telegram chats. I have a little experience learning Python. I want to study and use Machine Learning in my work. I'm from Russia. I am currently traveling the world. Hobbies - travel, yoga, psychology. https://github.com/Nastasya388 https://www.kaggle.com/nastasya388 https://ods.ai/users/n2537fb71af09

Всем привет, Сенаторовцы! 👋 Меня зовут Игорь Роль в школе: начинающий стажёр. Уровень английского: начинающий (~3000 слов). Откуда узнал о школе: YouTube. Опыт в IT: отсутствует. Цель обучения: научиться разрабатывать нейронные сети с нуля, изучить Data Science, реверс-инжиниринг алгоритмов и аналитический подход к машинному обучению. Страна: Россия. Хобби: в свободное время изучаю Data Science, математику и машинное обучение. GitHub: https://github.com/igorek747/igorek747⁠ Kaggle: https://www.kaggle.com/neznaika100⁠ ODS.ai: https://ods.ai/users/ac2ebd7741d73⁠ Спасибо за внимание! Очень рад начать свой путь в мире IT вместе со школой SenatorovAI. 😄 Youtube | SenatorovAI | Live

Общий созвон состоится 15.07.2026 в 21 30 gmt+3, в формате мини-конференции+ответы на вопросы студентов. Студенты готовят небольшие выступления по темам: @Financ_Manager - что такое PullRequest, Issue, Commit, Branch на гитхаб @aquosharp Выпуклая и невыпуклая оптимизация(Что это вообще) @Toleranzy Локальные и глобальные экстремумы(на примере элементарных функций) @dddos_1107 что такое Stash и для чего он нужен @Viktor_Vin1 Применение линейной алгебры в Sklearn. Также ответим на ваши вопросы. https://t.me/SENATOROVAI?livestream=9f3a305b2e0b2cf092

Hi there! I'm Andrej Maximov, an intern. This is my first introduction report. My English level is somewhere between B1 and B2 now, little rusty. I've heard about the channel from TG channels about Python and DS. Learning Python and SQL here and there. I don't have real project experience. I'm looking forward to switch from my current job to developer/analyst in DS. I'm from Russia, Moscow. I like jogging, swimming. https://github.com/Maximovex https://ods.ai/users/y9c95cdb6d769/tracks https://www.kaggle.com/andrejmaximov

My first deep dive into Linear Regression I'm on a mission to destroy the black box beliefs about ML in my head, and Linear Regression is where I started. Before this I had no idea there were actually two different approaches to solving it, analytical methods and numerical methods, so that alone was a big realisation for me. I learned the closed form solution, the normal equation, and how to derive it completely from scratch instead of just using it as a ready made formula. I saw how it comes from the loss function, the sum of squared errors, by taking partial derivatives with respect to theta zero and theta one and setting them to zero. That gives you a system of two equations with two unknowns, which is the scalar form of the normal equation. I also figured out how this scalar form connects to the matrix form, since writing out X^T X and X^T y explicitly for simple linear regression gives you the exact same system. On top of that I learned when the analytical approach actually makes sense and when it doesn't. Inverting X^T X costs O(n^3) where n is the number of features, so it works fine with a lot of samples but becomes slow and unstable once you have a lot of features. That's exactly where numerical methods like Gradient Descent come in, since they don't need matrix inversion and scale much better.

Hello everyone! My name is Kirill Levin. I am from Belarus. I am an intern at the school. My English level is A2. I found the school from a YouTube video. Before this, I studied Machine Learning and Python by myself at a basic level. My goal is to grow professionally and start earning money with my skills. I am a third-year university student, and my major is Applied Mathematics. In my free time, I love playing volleyball. Nice to meet you all! Here are my links: GitHub: https://github.com/curseofuselessness Kaggle: https://www.kaggle.com/aqqurateew ODS: https://ods.ai/users/u4cda87c2fb50

Всем привет! Недавно прошёл соревнование на Kaggle по предсказанию цен на дома и хочу поделиться впечатлениями. В рамках задачи нужно было с нуля выполнить EDA-анализ, обработать пропуски, закодировать категориальные признаки, стандартизировать числовые переменные, прологарифмировать целевую переменную (цену дома), а также обучить несколько моделей и выбрать среди них лучшую. Мой лучший скор составил 0.1258 — это значит, что модель предсказывает цену с погрешностью около 12%. Для первого раза, думаю, результат неплохой, но очевидно, что есть куда расти. Буду рад любым советам и конструктивной критике!

Hi everyone. My name is Mikhail, and I’m from Russia. I’m an intern on the course. I previously studied Python and SQL on my own. I found out about this course through a Telegram channel. My background is in accounting and economics, and my English level is B1. My goal is to learn Data Science — specifically the analytical approach to machine learning, so I can work in this field. I really enjoy walking and visiting new places. That’s probably my main hobby. Nice to meet you all. https://ods.ai/users/teaf243d55b41 https://www.kaggle.com/mkanevskii https://github.com/mkanevskii2021