- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Data Scientist / ML Engineer
Оценка ИИИнтересный проект на стыке ML и математической оптимизации в реальном секторе (FMCG). Удаленный формат работы и четко прописанные технические требования делают вакансию привлекательной для Middle-специалистов.
Сложность вакансии
Оценка ИИРоль требует не только стандартных навыков ML (классификация, регрессия), но и глубокой экспертизы в прогнозировании временных рядов и математической оптимизации (LP, MILP), что значительно повышает порог входа.
Анализ зарплаты
Оценка ИИВ вакансии не указан уровень оплаты, однако для позиции Middle Data Scientist с навыками математической оптимизации на российском рынке средние предложения составляют 200 000 – 300 000 рублей. Наличие специфических знаний в области MILP и Supply Chain может позволить претендовать на верхнюю границу рынка.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Top Selection уже сейчас
Отправьте свое резюме через чат-бота Top Selection, чтобы принять участие в отборе на этот амбициозный проект!
Описание вакансии
Top Selection
Data Scientist / ML Engineer
Полная занятость
Формат работы: удалённо
IT-кадровое агентство Top Selection ищет Data Scientist / ML Engineer на проект в сфере FMCG / Supply Chain / Demand Planning.
*☑️* Чем предстоит заниматься
-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 (регрессия, классификация, кластеризация), особый фокус на модели, связанные с временными рядами
-Разработка оптимизатора на основе линейной и смешанно-целочисленной оптимизации (LP, MILP)
-Оценка качества моделей, настройка гиперпараметров и кросс-валидация
-Участие в интеграции моделей в бизнес-процессы компании
-Подготовка аналитических отчётов
-Взаимодействие с представителями бизнеса и техническими командами
*☑️* Наши пожелания к кандидатам
-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 хотя бы с одним из инструментов оптимизации: Pyomo, OR-Tools, PuLP или аналоги
-Опыт использования решателей: Gurobi, CPLEX, SCIP, COPT, GLPK или аналоги
-Опыт разработки ML-решений от анализа данных до рабочего прототипа
-Уверенное владение Git
Контакты: Откликнуться
*🔥* Подписаться на наши каналы (https://t.me/addlist/8QASR3uThEI2ZjVi) / @best_itjob (https://t.me/best_itjob) / @it_rab (https://t.me/it_rab)
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Git
- Python
- SQL
- Random Forest
- XGBoost
- LightGBM
- Time Series Analysis
- CatBoost
- Pyomo
- Gurobi
- CPLEX
- OR-Tools
- PuLP
- Linear Programming
- Mathematical Statistics
- Mixed Integer Linear Programming
- SCIP
Возможные вопросы на собеседовании
Проект связан с Demand Planning, где временные ряды являются ключевым элементом.
Расскажите о вашем опыте работы с временными рядами: какие методы валидации вы используете, чтобы избежать утечки данных из будущего?
В вакансии указано требование по разработке оптимизаторов.
В каких случаях вы бы предпочли использовать MILP вместо эвристических алгоритмов для задач оптимизации в Supply Chain?
Работа с данными — основа ML.
С какими наиболее сложными аномалиями в данных FMCG вы сталкивались и как вы их обрабатывали перед подачей в модель?
Требуется опыт работы с конкретными решателями.
Был ли у вас опыт сравнения производительности различных решателей (например, Gurobi vs SCIP) для ваших задач?
Важно понимать, как модель влияет на бизнес.
