Расскажи про самые интересные задачи, которые решал

Одна из самых интересных задач — предсказание оттока клиентов для телеком-компании. Использовал ансамбль CatBoost + LightGBM с feature engineering (агрегация транзакций, временные паттерны). AUC ~0.92.

Другая — генерация синтетических данных для медицинского исследования с помощью GAN (Wasserstein GAN с градиентным штрафом). Это позволило сохранить статистические свойства реальных данных без риска утечки PHI.

Пример кода для feature engineering:

# Агрегация транзакций за 30 дней
df['avg_spend_30d'] = df.groupby('user_id')['amount'].transform(
    lambda x: x.rolling(30).mean()
)

Также решал задачу оптимизации маркетинговых кампаний через multi-armed bandit (Thompson Sampling), что дало +15% к ROI.