Ищем Data Scientist

9 сентября

Требования

Ученый по данным

Middle

Python

SQL

Можно удалённо

Подбор персонала IT-аутстаффинг, рекрутмент

Обязательно:

Уверенное знание Python и SQL;
Хорошее понимание методов машинного обучения и математической статистики: линейные модели, Random Forest, градиентный бустинг;
Практический опыт работы с временными рядами: подготовка данных, прогнозирование, оценка качества и кросс-валидация;
Опыт работы с библиотеками градиентного бустинга: XGBoost, LightGBM или CatBoost;
Знание методов математической и дискретной оптимизации: LP, MILP / MIP;
Практический опыт работы хотя бы с одним из инструментов оптимизации: Pyomo, OR-Tools, PuLP или аналоги;
Опыт использования оптимизационных решателей: Gurobi, CPLEX, SCIP, COPT, GLPK или аналоги;
Опыт разработки ML-решений от анализа данных и построения модели до рабочего прототипа;
Уверенное владение Git.

Желательно:

Опыт применения продвинутых моделей прогнозирования временных рядов: Prophet, LSTM, DeepAR или аналогов;
Опыт работы с большими данными и Data-инфраструктурой: Spark / PySpark, S3;
Опыт интеграции ML-моделей в сервисы и понимание базового MLOps: FastAPI, Docker, CI/CD, KubeFlow или аналоги;
Опыт написания unit- и integration-тестов, понимание ООП;
Опыт в FMCG / Supply Chain / Demand Planning / Forecasting / ERP / APS.

Задачи:

Сбор, очистка и подготовка данных из различных источников для дальнейшего анализа;
Проведение первичного анализа данных: выявление закономерностей и аномалий, создание визуализаций;
Разработка и внедрение моделей машинного обучения (включая регрессию, классификацию и кластеризацию), особый фокус на разработку моделей, связанных с временными рядами;
Разработка оптимизатора, основанного на линейной и смешанно-целочисленной оптимизации, LP, MILP;
Оценка качества моделей, настройка гиперпараметров и проведение кросс-валидации;
Участие в интеграции моделей в бизнес-процессы компании;
Подготовка аналитических отчетов;
Эффективное взаимодействие с представителями бизнеса и техническими командами;
Улучшение текущих подходов и изучение новых инструментов и алгоритмов.

224

158

175