Моделирование отказов технологического оборудования.Решение задачи прогнозирования вероятности возникновения отказа оборудования. Выполнен полный цикл машинного обучения: анализ данных и подготовка итогового датасета (ETL); обучение, оценивание и внедрение моделей. Особенностями решаемой задачи являются большое количество пропусков и сильный дисбаланс классов. (• Python • Pandas • Scikit-learn • Numpy • Matplotlib • Seaborn • PostgreSQL • Docker • Apache Superset • Flask • FastAPI)Сервис для анализа данных парков технологического оборудования.Разработан MVP сервиса для анализа данных парков оборудования. Ключевым функционалом системы является аналитический дашборд с возможностью прогнозирования количества отказов для заданного парка. (• Python • FastAPI • SQLAlchemy • PostgreSQL • React • antd • Echarts • Plotly • Docker)A/B тестирование результатов экспериментов.Анализ мощности и A/B тестирование для серии лабораторных экспериментов. (• Python • Pandas • Matplotlib • R • ggplot )Парсер технической документации.Разработана программа для парсинга технической документации (формата Word и Excel) и загрузки данных в БД MS SQL. (• Python • C# • MS SQL)Модуль видеотрансляций.Разработан модуль видеотрансляций с нескольких камер, установленных на роботе. Для минимизации задержек были рассмотрены и реализованы следующие варианты трансляции:Отправка jpeg фреймов через HTTP.Отправка jpeg фреймов по протоколу WebSocket.Передача медиапотока через WebRTC с помощью python библиотеки aiortc.(• Python • ROS • React • WebSocket • OpenCV • WebRTC • Aiortc • FastAPI • Aiohttp • Docker)