В рамках "Математической студии" прочитал лекцию для старшеклассников на тему "Машинное обучение"
Мар 02, 2024
В лекции ребята познакомились с практическими задачами построения прогнозных моделей на примере линейной регрессии.
Здравствуйте, меня зовут Антон Михайлович.
Здесь вы найдете информацию о моей профессиональной деятельности.
Область моих интересов связана с такими темами, как искусственный интеллект, машинное обучение, нейронные сети, обработка естественного языка (NLP), большие языковые модели (LLM), а также разработка агентных и мультиагентных систем (Agentic/Multi-agent systems)
Мои проекты
Гибрид YOLO+LogNNet на датасете NEU достигает 99,17% точности при P=80, ускоряя обучение в 10–100× против SGD и в 2000–100 000× против SGD-PSO, что позволяет обучать модель на edge-устройствах без тяжёлой PSO-оптимизации.
Stack: Python, PyTorch, Ultralytics YOLO, NumPy, SciPy, Scikit Learn, OpenCV, TensorFlow, pyswarm
Система матчинга товаров разработанная на основе собственной уникальной методики. Полное обучение модели на наборе 15k×215k товаров выполняется за <10 минут на CPU. Подтверждено высокое качество: более 70% товаров имеют косинусное сходство (cosine similarity) выше 0.6
Stack: Python, Scikit Learn, TF-IDF, pymorphy3, NumPy, Pandas, FastAPI, MySQL
Модель поиска по каталогу компании, которая успешно применяется в production-среде. Время выполнения одного запроса составляет менее 2 мс. В работе модели задействовано более 1000 регулярных выражений, характерных для данной предметной области
Stack: Python, Scikit Learn, TF-IDF, Regex, pymorphy3, FastAPI, Flask, NumPy, Pandas
Система автоматического формирования счетов на оплату на основе email-писем с заказами. Точность формирования итогового списка заказов по каталогу составляет более 90%
Stack: Python, FastAPI, Ollama, Qwen2.5, Scikit Learn, PyTorch, Transformers, PEFT, llama.cpp, MySQL
Система автогенерации коммерческих предложений на основе истории заказов клиента. Система позволяет формировать персонализированные КП с указанием ФИО, названия компании и товаров, которые клиент уже заказывал. Назначение системы — повысить CTR рассылки КП
Stack: Python, FastMCP, LangGraph, LangChain, Ollama, Qwen, FastAPI, SQLite, Scikit Learn
База данных полностью локализацана для применения на территории РФ. Применен метод машинного обучения Случайный лес. Точность классификации на мошенничество составила 96%.
Stack: Scikit Learn, Pandas, Numpy, Matplotlib, Seaborn
Модель CatBoostRegressor показала значение средней процентной ошибки MAPE = 13%, что позволяет использовать систему для быстрой оценки недвижимости.
Stack: Scikit Learn, Pandas, Numpy, Matplotlib, Keras/Tensorflow, CatBoost
Веб-приложение использует модель CatBoostRegressor для определения рекомендованной стоимости квартир с ошибкой предсказания 13%.
Stack: Flask, Pandas, Numpy, CatBoostRegressor, Scikit Learn.
Классификатор позволяет определить группу товара по короткому описанию с точностью 95%. При этом всего используется 411 групп товаров.
Stack: Scikit Learn, XGBoost, NLTK, FastApi, Python Telegram Bot, Numpy, Pandas, Matplotlib, Seaborn
Выполнено дообучение модели Qwen2.5 7B на наборе данных сталелитейного производства. Применена квантизация, модель запущена на локальном ПК.
Stack: PyTorch, Transformers, PEFT, Llama.cpp, CUDA, Google Colab.
Интеллектуальная система позволяет для произвольного плана земельного участка автоматически подобрать оптимальные параметры жилой застройки включая подбор этажности, площади жилых помещений и др.
Stack: Streamlit, CatBoost, Shapely, Ezdxf, Pandas, Scikit-learn
Интеллектуальная система позволяет автоматически определять ширину и длину листов металла, лежащих на газорезательной машине (ГМ), по фотографии
Stack: Yolo, PyTorch, CUDA, OpenCV
События
Выступил с научно-популярной лекцией на тему "Искусственный интеллект"
10 Дек, 2024
Было расмотрено понятие искусственного интеллекта: тест Тьюринга, мысленный эксперимент Китайская комната, эксперимент ИИ в коробке, классификация ИИ, примеры применения ИИ в медицине, промышленности, информационных техноголиях.
Состоялось выступление на научном семинаре "Проблемы современных информационно-вычислительных систем" Московского государственного университета имени М.В. Ломоносова
2 Дек, 2026
Выступил с докладом на тему "Исследование возможностей резервуарных вычислений на малоресурсных платформах на основе нейронной сети LogNNet", в основе которого лежали исследования проведенные в рамках грантового проекта Российского научного фонда №22-11-00055-П. В докладе представлены результаты экспериментального исследования перспективной нейронной сети LogNNet, основанной на технологии резервуарных вычислений. LogNNet позволяет значительно экономить оперативную память, необходимую для решения прикладных задач обработки данных. Это открывает возможности для её применения на малоресурсных платформах, таких как устройства Интернета вещей, а также встраиваемые и носимые устройства. Работа вызвала живой интерес аудитории, а её результаты получили высокую оценку экспертов. Запись выступления можно посмотреть на платформе RuTube по ссылке.
