Junior Applied ML Engineer / Data Scientist

Описание вакансии

Junior Applied ML Engineer / Data Scientist

Nedvision.ai - резидент Сколково, МТК

Вилка з/п - от 100 тыс

Real Estate Investment Scoring

Формат: контракт или part-time

Ищем перспективного junior / junior+ специалиста, который хочет расти в области Applied ML Engineering: работать с реальными грязными данными, строить признаки и модели, доводить решения до практического использования и постепенно брать на себя больше ответственности.

Нам не нужен человек, который уже всё знает. Нам нужен человек, который любит работать с данными, хорошо знает базу, быстро учится, не боится неопределённости и хочет развиваться на живой продуктовой задаче в области инвестиционного скоринга недвижимости.

Чем предстоит заниматься

Работать с исходными данными по недвижимости: объявления, тексты, цены, геоданные, поведение продавцов, рыночная динамика.

Делать EDA: искать закономерности, проверять гипотезы, находить проблемы в данных.

Готовить признаки для ML-моделей: текстовые, табличные, временные, географические.

Помогать строить модели для оценки инвестиционной привлекательности объектов: рейтинг, справедливая цена, доходность, ликвидность.

Участвовать в проверке качества моделей: подбор метрик, validation, анализ ошибок, интерпретация результатов.

Разбираться в деградации качества по сегментам: районам, типам объектов, ценовым категориям, периодам.

Постепенно брать на себя более сложные задачи: от анализа и прототипов до самостоятельных решений по отдельным частям ML-пайплайна.

Помогать структурировать ML-процесс: описывать гипотезы, фиксировать результаты экспериментов, поддерживать воспроизводимость.

Что нужно уметь на старте

Python на уровне уверенной работы с данными: pandas, numpy, notebooks/scripts.

Базовый ML: classification, regression, train/test split, метрики качества, переобучение, leakage.

Базовая статистика: распределения, корреляции, проверка гипотез, доверительные интервалы.

SQL: выборки, join, group by, оконные функции будут плюсом.

Понимание feature engineering: как превращать сырые данные в признаки.

Умение аккуратно работать с грязными, неполными и шумными данными.

Способность объяснять свои выводы простым языком: что проверяли, что получилось, почему это важно.

Готовность разбираться в предметной области, задавать вопросы и доводить задачи до результата.

Будет плюсом

• Опыт с scikit-learn, CatBoost / LightGBM / XGBoost.
• Базовое понимание NLP: embeddings, sentence-transformers, признаки из текстов.
• Интерес к геоаналитике: координаты, расстояния, районы, POI, H3, PostGIS / GeoPandas.
• Опыт с Airflow / MLflow / experiment tracking.
• Опыт работы с marketplace / classifieds / real estate / fintech данными.
• Умение использовать AI coding tools для ускорения работы без потери качества.

Чему научим

• Работать с геоаналитикой в прикладных ML-задачах.
• Строить признаки для объектов недвижимости: локация, транспортная доступность, окружение, район, трафик, динамика рынка.
• Понимать домен недвижимости: цена, ликвидность, доходность, качество объявления, поведение продавца.
• Проверять ML-модели честно: time-based split, backtesting, out-of-time validation, анализ деградации по сегментам.
• Доводить ML-решения от гипотезы и прототипа до практического использования в продукте.
• Работать с задачами, где нет готового учебного ответа, а нужно думать, проверять и принимать обоснованные решения.

Что дадим

• Много практики на реальных данных и реальных бизнес-задачах.
• Возможность быстро расти в Applied ML Engineering.
• Доступ к сильной предметной задаче на стыке ML, недвижимости, геоаналитики и инвестиционного скоринга.
• Карт-бланш на обоснованные решения: если гипотеза, подход или инструмент хорошо аргументированы, их можно пробовать.
• Возможность брать на себя не только технические, но и смысловые и организационные задачи: формулировать гипотезы, структурировать эксперименты, предлагать улучшения процесса.
• Работу в формате контракта или part-time с понятными задачами и постепенным ростом ответственности.

Резюме: Откликнуться