Ищем Data Scientist с солидным опытом в статистическом моделировании и машинном обучении для участия в проектах высокой значимости. Сотрудник на этой должности будет отвечать за преобразование больших объемов данных в предиктивные и действенные решения, которые решают конкретные бизнес-задачи. Если вы увлечены созданием надежных моделей и работой с хорошо структурированными пайплайнами данных, это место для вас.
Основные обязанности:
- Анализ и обработка больших объемов структурированных и неструктурированных данных для выявления закономерностей, тенденций и возможностей для улучшения бизнес-процессов.
- Разработка, создание и валидация статистических моделей и моделей машинного обучения, ориентированных на решение операционных задач и создание измеримой ценности для организации.
- Внедрение и поддержка воспроизводимых и масштабируемых пайплайнов данных с использованием Kedro, обеспечение прослеживаемости и качества на каждом этапе рабочего процесса.
- Создание и оценка моделей временных рядов для прогнозирования и обнаружения аномалий, выбор наиболее подходящей методологии в зависимости от контекста проблемы.
- Создание четких визуализаций и донесение результатов как техническим, так и нетехническим заинтересованным сторонам, поддержка принятия решений на основе данных.
- Сотрудничество с командами инженеров и бизнеса в определении метрик успеха, критериев валидации и стратегий развертывания моделей в производственной среде.
- Минимум 3 года опыта работы на должностях Data Science, с участием в проектах внедрения моделей в производственных средах.
- Владение Python для анализа данных, статистического моделирования и разработки решений машинного обучения, включая использование scikit-learn и XGBoost.
- Опыт моделирования временных рядов (ARIMA, Prophet, модели на основе ML или другие подходы), применительно к реальным бизнес-контекстам.
- Знание структурирования проектов данных с использованием Kedro и управление библиотеками анализа и визуализации, такими как SciPy, Seaborn и Matplotlib.
- Способность строго оценивать, сравнивать и документировать модели, используя соответствующие метрики в зависимости от типа задачи (классификация, регрессия, прогнозирование).
- Работа с контролем версий с использованием Git и лучшими практиками разработки программного обеспечения, применительно к проектам науки о данных.
