- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Data Scientist (Малый бизнес)
Оценка ИИСбер — это отличная строчка в резюме, сильное инженерное сообщество и работа с огромными массивами данных. Оценка высокая благодаря стабильности компании и актуальному технологическому стеку.
Сложность вакансии
Оценка ИИПозиция требует уверенного владения классическим ML-стеком и SQL. Основная сложность заключается в специфике банковских данных и высоких требованиях к качеству моделей в Сбере.
Анализ зарплаты
Оценка ИИВ объявлении зарплата не указана, но для Data Scientist уровня Middle в Москве рыночный диапазон составляет 200-350 тысяч рублей. Сбер обычно предлагает конкурентную оплату, соответствующую рыночным медианам для финтеха.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Сбер Банк уже сейчас
Присоединяйтесь к команде Сбера и создавайте передовые ML-решения для малого бизнеса через удобный Runello-бот!
Описание вакансии
Data Scientist (Малый бизнес)
Стек: Python, pandas, numpy, SQL, scikit-learn, LightGBM, CatBoost, Git
Сбер Банк — крупнейший российский финансовый конгломерат, предоставляющий широкий спектр банковских услуг для частных лиц, малого бизнеса и корпоративных клиентов.
Откликнуться через Откликнуться ↓
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Git
- Python
- NumPy
- Pandas
- SQL
- Scikit-learn
- LightGBM
- CatBoost
Возможные вопросы на собеседовании
Проверка понимания работы градиентного бустинга, который указан в стеке (LightGBM, CatBoost).
В чем основные различия между LightGBM и CatBoost, и в каких ситуациях вы отдадите предпочтение одному из них?
SQL является критически важным навыком для извлечения данных в банковской среде.
Напишите SQL-запрос для расчета среднего чека клиента малого бизнеса за последние 6 месяцев.
Важно понимать, как кандидат оценивает качество моделей в условиях дисбаланса классов, характерного для финтеха.
Какие метрики вы будете использовать для оценки модели кредитного скоринга при сильном дисбалансе классов?
Проверка навыков работы с признаками.
Как вы подходите к обработке категориальных признаков с высокой кардинальностью?
Проверка культуры разработки.
