Арсений Синаков

НИУ «Высшая школа экономики»

Бакалавриат, совместная программа ФКН и ФЭН «Экономика и анализ данных».

Сбер, Data Scientist

• Модель дожития портфеля вкладов с параметрической экстраполяцией кривых удержания на многолетний горизонт. Батчевая обработка данных на PySpark и Polars снизила пиковое потребление памяти с 1 ТБ до 128 ГБ, модель обучена на py_boost с кастомной функцией потерь и маскированием цензурированных исходов.
• Uplift-модели (Meta-Learners, Doubly Robust) для непрерывных таргетов и внутренний модуль валидации поверх EconML: стратифицированная кросс-валидация с контролем баланса тритмента, AUUC, bootstrap-интервалы и permutation-тесты.
• Прогноз временных рядов на TFT, N-BEATS и PatchTST с квантильными лоссами, который превзошёл продакшн-бейзлайн по WAPE и был принят как базовая архитектура.

НИУ ВШЭ, учебный ассистент

• Веду несколько групп по дискретной математике, Python и C++, принимаю коллоквиумы, составляю задачи для контестов и экзаменов.

Ozon E-CUP, ценность пользователей поиска

Прогноз GMV 250 тысяч пользователей маркетплейса на 30 дней вперёд, метрика RMSLE. 300+ признаков на Polars, time-split валидация с adversarial validation, отбор признаков по permutation importance и двухуровневый стек из LightGBM, CatBoost и XGBoost, который снизил RMSLE на 18% относительно бейзлайна организаторов.

Tender Hack, RAG-сервис для портала госзакупок

Классификация пользовательских интентов, семантический поиск по векторному индексу нормативной базы и генерация ответов локальной LLM.

Чат-модератор для русского языка. Посимвольная свёрточная сеть для модерации текста без словарной токенизации, устойчивая к обфускации и опечаткам. F1 = 0.96 на спаме, 0.89 на токсичности. PyTorch, Char-CNN

Деградация глубоких сетей. Исследовал затухание градиентов в сетях глубиной от 2 до 40 слоёв: сравнил MLP и ResNet без нормализации, с pre-norm и post-norm BatchNorm. PyTorch

Исправление опечаток. Посимвольная модель, обученная на Википедии и Либрусеке с генерацией опечаток на лету. CNN, Highway, BiLSTM

Transformer с нуля. Реализовал Transformer (encoder-decoder) на PyTorch и написал для него свой BPE-токенизатор.

Умный дом на Reinforcement Learning. Симулятор дома с солнечными панелями и батареей: алгоритм на марковском процессе принятия решений и Value Iteration решает, когда покупать электричество, а когда продавать. MDP, Streamlit

Аппроксимация функций. Демонстрация теоремы универсальной аппроксимации: видно, как нейроны или деревья бустинга по эпохам складываются в заданную кривую. PyTorch, Streamlit

Теория вероятностей и математическая статистика. Учебник с задачами и решениями, пишу с Ольгой Кривохижиной. PDF · GitHub

Случайные совпадения. Почему совпадения случаются чаще, чем кажется.