Какой был инструментарий на проекте

Для работы с данными использовали Python (Pandas, NumPy, Scikit-learn), SQL для работы с базами данных и Apache Spark для обработки больших объемов данных. Визуализация — Matplotlib/Seaborn, иногда Tableau. Для ML-моделей применяли TensorFlow/PyTorch (если deep learning) и XGBoost/LightGBM. Версионирование кода — Git, CI/CD — Jenkins/GitLab CI. Деплой моделей — Flask/FastAPI или Docker + Kubernetes для масштабирования.

Пример обработки данных:

import pandas as pd
from sklearn.model_selection import train_test_split

df = pd.read_csv('data.csv')
X_train, X_test, y_train, y_test = train_test_split(
    df.drop('target', axis=1), 
    df['target'], 
    test_size=0.2
)

Дополнительно: Airflow для оркестрации пайплайнов, MLflow для трекинга экспериментов.