Санкт-Петербург, Россия
Telegram @dankhrestyan
khrestyanovskii@gmail.com
GitHub
Я бэкенд разработчик и аналитик данных, который любит изучать новое и реализовывать идеи.
Я получаю образование бакалавра в Санкт-Петербургском Политехническом университете, где глубоко изучаю базы данных, программирование и дискретную математику на направлении "Математическое обеспечение и администрирование информационных систем".
Saint Petersburg, Russia
Telegram @dankhrestyan
khrestyanovskii@gmail.com
GitHub
I am a backend developer and data analyst who loves learning new things and implementing ideas.
I am pursuing a bachelor's degree at Saint Petersburg Polytechnic University, where I deeply study databases, programming, and discrete mathematics in the field of "Mathematical Software and Information Systems Administration".
ПортфолиоPortfolio
Backend разработкаBackend Development
Мобильное приложение TE-ManagerTE-Manager Mobile App
С февраля 2024 года в качестве фрилансера развиваю backend для мобильного приложения по управлению задачами и эмоциями. Наша команда стала победителем гранта размером в 1 млн рублей V очереди конкурса "Студенческий стартап".
Ключевые достижения:
Ключевые достижения:
- С нуля развернул production-сервер на Yandex Cloud: установил и настроил nginx, обеспечил защищённое соединение по HTTPS, подключил домен и подготовил среду для масштабируемых веб-приложений.
- Реализовал OpenAPI документацию для удобного тестирования эндпоинтов через Swagger UI и быстрой проверки запросов.
- Использовал фреймворк Flask (Python) и базу данных PostgreSQL.
- Разработал REST API для приложения управления задачами с возможностью отслеживания времени, категоризации и приоритизации задач.
- Реализовал многоуровневую систему аутентификации с поддержкой JWT-токенов и OAuth-интеграцией с Google и Яндекс.
- Спроектировал и внедрил двустороннюю синхронизацию задач с Яндекс.Календарём (CalDAV).
- Создал модуль для отслеживания настроения пользователей с функциями анализа и визуализации данных.
- Разработал систему статистики для анализа продуктивности по категориям, важности и временным периодам.
- Интегрировал облачное хранилище Yandex Object Storage для пользовательских данных.
- Обеспечил безопасное хранение учётных данных и токенов с использованием современных методов шифрования.
- На старте проекта интегрировал решения в Java Android приложение.
Сайт проекта: temanager.com
Since February 2024, I have been working as a freelancer developing the backend for a mobile application for task and emotion management. Our team won a grant of 1 million rubles in the V round of the "Student Startup" competition.
Key achievements:
Key achievements:
- Built a production server from scratch on Yandex Cloud: installed and configured nginx, ensured secure HTTPS connection, connected a domain, and prepared an environment for scalable web applications.
- Implemented OpenAPI documentation for convenient endpoint testing via Swagger UI and quick request verification.
- Used the Flask (Python) framework and PostgreSQL database.
- Developed a REST API for a task management application with time tracking, categorization, and task prioritization capabilities.
- Implemented a multi-level authentication system with JWT token support and OAuth integration with Google and Yandex.
- Designed and implemented two-way task synchronization with Yandex.Calendar (CalDAV).
- Created a module for tracking user moods with data analysis and visualization functions.
- Developed a statistics system for analyzing productivity by categories, importance, and time periods.
- Integrated Yandex Object Storage cloud storage for user data.
- Ensured secure storage of credentials and tokens using modern encryption methods.
- Integrated solutions into a Java Android application at the start of the project.
Project website: temanager.com
Менеджер задач на Spring BootTask Manager on Spring Boot
В учебных целях реализовал приложение - менеджер задач на Spring Boot.
Ключевые технологии:
Ключевые технологии:
- Spring Boot 3.4 — основа приложения с поддержкой REST API
- Spring Data JPA — доступ к данным через репозитории
- MariaDB (production) + Flyway — миграции схемы
- Redis — кэширование для прироста производительности
- Kafka — асинхронная обработка событий (создание / просрочка задач)
- Docker & Docker Compose — контейнеризация приложения и инфраструктуры
- JUnit 5 & Mockito + JaCoCo — покрытие тестами > 80 %
- Управление пользователями — регистрация и авторизация
- CRUD-операции с задачами
- Система уведомлений о новых и просроченных задачах
- Асинхронный обмен сообщениями через Kafka
- Кэширование данных в Redis (настраиваемый TTL)
- Профили окружения:
dev/prod - Полная контейнеризация с многоконтейнерной архитектурой
- Многоуровневая структура: контроллеры → сервисы → репозитории
- Асинхронная обработка событий (Kafka + Scheduler для просроченных задач)
- Redis-кэширование с дифференцированным TTL
- Docker Compose — единая точка запуска всей экосистемы
- Покрытие кода тестами > 80 %
- Реализована микросервисная (event-driven) архитектура
- Существенное сокращение времени отклика за счёт кэширования
For educational purposes, I implemented a task manager application using Spring Boot.
Key technologies:
Key technologies:
- Spring Boot 3.4 — application foundation with REST API support
- Spring Data JPA — data access through repositories
- MariaDB (production) + Flyway — schema migrations
- Redis — caching for performance improvement
- Kafka — asynchronous event processing (task creation / expiration)
- Docker & Docker Compose — containerization of application and infrastructure
- JUnit 5 & Mockito + JaCoCo — test coverage > 80 %
- User management — registration and authorization
- CRUD operations with tasks
- Notification system for new and overdue tasks
- Asynchronous message exchange via Kafka
- Data caching in Redis (configurable TTL)
- Environment profiles:
dev/prod - Full containerization with multi-container architecture
- Multi-layer structure: controllers → services → repositories
- Asynchronous event processing (Kafka + Scheduler for overdue tasks)
- Redis caching with differentiated TTL
- Docker Compose — single launch point for the entire ecosystem
- Code test coverage > 80 %
- Implemented microservice (event-driven) architecture
- Significant response time reduction through caching
Backend часть для ML-проектаBackend for ML Project
С декабря 2024 по март 2025 года разрабатывался научно-исследовательский проект по предсказанию риска рака лёгких с применением машинного обучения. По итогам работы подготовлена научная статья, которая готовится к публикации в профильном журнале.
Ключевые технологии:
Ключевые технологии:
- Python 3.9 — основной язык программирования
- Flask — веб-фреймворк для создания REST API
- PostgreSQL — реляционная СУБД для хранения пользовательских данных
- scikit-learn — библиотека для построения и использования ML-моделей (SVM, KNN)
- Docker & Docker Compose — контейнеризация и автоматизация запуска сервисов
- REST API для взаимодействия с фронтендом
- Эндпоинт
/predictдля приёма медицинских данных и возврата результатов - Интеграция обученной SVM-модели для расчёта вероятности заболевания
- Сохранение истории прогнозов и пользовательских данных в PostgreSQL
- Микросервисная структура: фронтенд, бэкенд и база данных — как отдельные сервисы
- Автоматическая инициализация таблиц при запуске приложения
- Проверка доступности БД и настройка зависимостей между сервисами
- Контейнеризация всех компонентов для кроссплатформенного развёртывания
- Предварительно обученная ML-модель (SVM) встроена в API
- Валидация и предварительная обработка входных данных
- Вывод вероятности риска в процентном выражении
- Хранение истории прогнозов для каждого пользователя
From December 2024 to March 2025, a research project was developed to predict lung cancer risk using machine learning. As a result of the work, a scientific article has been prepared and is being prepared for publication in a specialized journal.
Key technologies:
Key technologies:
- Python 3.9 — main programming language
- Flask — web framework for creating REST API
- PostgreSQL — relational DBMS for storing user data
- scikit-learn — library for building and using ML models (SVM, KNN)
- Docker & Docker Compose — containerization and service launch automation
- REST API for interaction with the frontend
/predictendpoint for receiving medical data and returning results- Integration of a trained SVM model for calculating disease probability
- Saving prediction history and user data in PostgreSQL
- Microservice structure: frontend, backend, and database as separate services
- Automatic table initialization when launching the application
- Database availability check and configuration of dependencies between services
- Containerization of all components for cross-platform deployment
- Pre-trained ML model (SVM) embedded in API
- Validation and preprocessing of input data
- Output of risk probability as a percentage
- Storage of prediction history for each user
Аналитика данных в киберспортеData Analytics in Esports
Dota 2 Avulus
С октября 2024 года работаю фриланс-аналитиком в профессиональной команде по Dota 2 — Avulus.
Ключевые задачи:
Ключевые задачи:
- Сбор данных из открытых источников (Spectral.gg, STRATZ, DotaBuff, OpenDota, Dota2ProTracker).
- Извлечение инсайтов и подготовка аналитических отчётов для тренера и игроков.
- Автоматизация поиска информации и построение сервисов для команды (использую Python — Pandas, NumPy, Matplotlib, MySQL).
- Развёртывание собственного веб-сервиса на Go для автоматизированной аналитики и отчетов.
- Подготовка к соперникам: анализ паттернов, поиск закономерностей по оппонентам и их истории выступлений.
- Постоянная коммуникация с тренером и составом, предоставление данных по их запросам в удобном и наглядном виде.
- 1 место на RES Regional Champions
- 4 место на CCT Series 5
- 5–6 место на ESL One Bangkok 2024
- 7–8 место на PGL Wallachia Season 2
- 7–8 место на ESL One Raleigh 2025
- 1 место на FISSURE PLAYGROUND #1: Western Europe Closed Qualifier
- 1 место на DreamLeague Season 25: Western Europe Closed Qualifier
- 1 место на PGL Wallachia Season 3: Western Europe Closed Qualifier
- 2 место на ESL One Bangkok 2024: Western Europe Closed Qualifier
Since October 2024, I have been working as a freelance analyst for the professional Dota 2 team — Avulus.
Key tasks:
Key tasks:
- Data collection from open sources (Spectral.gg, STRATZ, DotaBuff, OpenDota, Dota2ProTracker).
- Extracting insights and preparing analytical reports for the coach and players.
- Automating information search and building services for the team (using Python — Pandas, NumPy, Matplotlib, MySQL).
- Deploying a custom web service on Go for automated analytics and reports.
- Preparation for opponents: pattern analysis, finding regularities in opponents and their performance history.
- Constant communication with the coach and team, providing data according to their requests in a convenient and visual format.
- 1st place at RES Regional Champions
- 4th place at CCT Series 5
- 5–6th place at ESL One Bangkok 2024
- 7–8th place at PGL Wallachia Season 2
- 7–8th place at ESL One Raleigh 2025
- 1st place at FISSURE PLAYGROUND #1: Western Europe Closed Qualifier
- 1st place at DreamLeague Season 25: Western Europe Closed Qualifier
- 1st place at PGL Wallachia Season 3: Western Europe Closed Qualifier
- 2nd place at ESL One Bangkok 2024: Western Europe Closed Qualifier
