Data Scientist (стажер)
Оценка ИИСбербанк — отличная площадка для старта карьеры благодаря сильной экспертизе и масштабным задачам. Оценка 8 обусловлена престижностью бренда и качеством обучения, хотя стажировки обычно предполагают высокую нагрузку.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Оценка ИИДля стажерской позиции требования стандартные, но конкуренция в Сбербанке традиционно высокая. Основная сложность будет заключаться в прохождении технического интервью по основам ML и алгоритмам.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата на стажировках в Сбербанке обычно фиксированная и соответствует рыночным стандартам для крупных технологических компаний в Москве. Указанные рыночные значения отражают диапазон для начинающих специалистов (Junior), в то время как стажерские выплаты могут быть чуть ниже.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Data Scientist (стажер) / ПАО Сбербанк
*🗺* Москва.
Обязанности:
- Исследовать данные, разрабатывать новые информативные признаки и добавлять в командный пайплайн новые источник…
Требования:
- Знание основных алгоритмов классического ML (линейные модели, метрические алгоритмы, градиентный бустинг) и их…
*➡* Откликнуться
Вакансии │ Стажировки │ За рубежом │ Удалёнка │ БИГТЕХ │ Мероприятия │ По всему миру │ IT и DIGITAL
*🐣* Софи - первый ai ассистент для автооткликов и поиска работы.
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Machine Learning
- Gradient Boosting
- Linear Models
- Feature Engineering
- Python
- Data Analysis
Возможные вопросы на собеседовании
Проверка базовых знаний классического ML, указанных в требованиях.
Расскажите, в чем разница между L1 и L2 регуляризацией и в каких случаях стоит использовать каждую из них?
Градиентный бустинг упомянут как ключевой навык.
Как работает градиентный бустинг и чем он принципиально отличается от случайного леса (Random Forest)?
Обязанности включают разработку новых признаков.
Какие методы генерации признаков (feature engineering) вы бы применили для работы с временными рядами или категориальными данными?
Важно понимать, как кандидат оценивает качество своих моделей.
Какие метрики классификации вы знаете и в какой ситуации Precision будет важнее, чем Recall?
Проверка навыков работы с данными.
Как вы будете обрабатывать пропуски и выбросы в данных перед обучением модели?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
