- Страна
- Россия
- Зарплата
- от 1 700 ₽
Data Scientist Middle+, Senior
Оценка ИИИнтересный стек технологий, включающий оптимизацию и глубокое обучение, однако отсутствие названия компании и четкой вилки зарплаты (указана только ставка) снижают прозрачность.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИВысокая сложность обусловлена необходимостью сочетать глубокие знания ML (особенно временных рядов) с методами математической оптимизации (MILP) и навыками инженерии данных.
Анализ зарплаты
Оценка ИИУказанная ставка 1700 (вероятно, в час) соответствует рыночному уровню для Middle+/Senior специалистов в РФ, работающих по контракту. Годовой доход при полной загрузке будет сопоставим с верхними границами рынка для опытных Data Scientist.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Откликнитесь уже сейчас
Присоединяйтесь к разработке сложных ML-решений для оптимизации цепочек поставок и прогнозирования спроса!
Описание вакансии
Data Scientist Middle+, Senior
Ставка: 1700, с НДС
Локация: РФ
Гражданство: РФ
Обязательные требования
- Отличное знание Python, опыт работы с Spark, Pyspark, SQL, работа с S3;
-Знание современных алгоритмов машинного обучения и оптимизации;
- Математическая статистика и основы машинного обучения: линейные модели, Random Forest, LSTM;
- Библиотеки градиентного бустинга: XGBoost, LightGBM, CatBoost;
- Глубокое обучение для временных рядов: LSTM, Prophet, DeepAR;
- Работа с временными рядами: очистка, прогнозирование, кросс-валидация;
- Методы дискретной оптимизации, математическое программирование (LP, MILP, MIP);
- Инструменты оптимизации (Pyomo/OR-Tools/PuLP/COIN-OR), решатели (Gurobi/CPLEX/SCIP/COPT/GLPK);
-Уверенное владение Git;
-Опыт разработки продуктового ML решения, начиная от анализа данных и заканчивая созданием прототипа: понимание архитектуры ML проектов, настройка пайплайнов данных, умение обернуть модель в базовый backend (FastAPI, Hug и другое), базовые навыки DevOps (умение работать с Docker, KubeFlow);
- Базовое понимание архитектуры web-приложений, backend-сервисов;
- Опыт работы с жизненными циклами разработки вычислительной и программной инфраструктуры;
- Высокие навыки коммуникации и решения проблем, стремление к обучению;
- Уровень английского языка - Intermediate.
Дополнительные требования
- Опыт работы с жизненными циклами разработки вычислительной и программной инфраструктуры;
- Юнит- и интеграционное тестирование, владение методологией тестирования;
- Понимание принципов CI/CD;
- ООП и принципы проектирования вычислительных систем;
- Опыт в FMCG в Supply Chain, Demand Planning, Forecasting, ERP, APS;
- Опыт работы в продуктовых командах (Agile, Scrum).
Этапы отбора
- Техническое интервью с клиентом
- Техническое интервью с заказчиком
Описание проекта и команды
Требуется Data Scientist.
Data Scientist cоздает методологии, эвристики, строит пайплайны машинного обучения для цифровых продуктов компании, а также проверяет гипотезы и находит скрытые закономерности с помощью статистики и машинного обучения. Роль предполагает разработку алгоритма машинного обучения, его продуктивизации и настройку поддержки, включая мониторинг качества данных и модели, дообучение модели в случае необходимости, написание документации по продукту.
Откликнуться на запрос: Откликнуться
По вопросам партнерского сотрудничества: Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Spark
- PySpark
- SQL
- S3
- Machine Learning
- Statistics
- Random Forest
- LSTM
- XGBoost
- LightGBM
- CatBoost
- Prophet
- DeepAR
- Pyomo
- OR-Tools
- PuLP
- Gurobi
- CPLEX
- Git
- FastAPI
- Docker
- Kubeflow
- CI/CD
- Agile
- Scrum
Возможные вопросы на собеседовании
Вакансия требует работы с временными рядами и прогнозирования.
Как вы подходите к кросс-валидации временных рядов, чтобы избежать утечки данных из будущего?
В требованиях указаны методы дискретной оптимизации.
Опишите ваш опыт использования MILP или решателей типа Gurobi/CPLEX в реальных бизнес-задачах.
Роль предполагает продуктивизацию моделей.
Расскажите о вашем опыте оборачивания ML-моделей в API с помощью FastAPI и контейнеризации через Docker.
Упоминается работа со Spark и большими данными.
С какими основными проблемами производительности в PySpark вы сталкивались и как их оптимизировали?
Проект связан с FMCG и Supply Chain.
