- Страна
- Россия
Junior data scientist (модели кредитного риска)
Оценка ИИОтличное предложение для старта карьеры в топовом банке с сильной экспертизой. Гибридный формат работы и работа с современным стеком (Hadoop, PySpark) делают вакансию очень привлекательной.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Улучшите резюме под эту вакансию
Возьмём требования и создадим новую версию резюме с акцентом на нужный опыт
Сложность вакансии
Оценка ИИПозиция начального уровня, требующая хорошей математической базы и знания классического ML. Основная сложность заключается в специфике кредитных рисков и работе с банковскими данными.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата для Junior DS в банковском секторе Москвы обычно находится в диапазоне 80 000 – 120 000 рублей после вычета налогов. В вакансии уровень не указан, но Альфа-Банк обычно предлагает конкурентные условия, соответствующие рыночным медианам для начинающих специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Альфа-Банк
Junior data scientist (модели кредитного риска)
Формат работы: гибрид, больше удалённо
*☑️* Чем предстоит заниматься
-Участвовать в разработке и поддержке моделей кредитного риска для юридических лиц
-Анализировать данные, создавать признаки, реализуя Feature store, и отбирать признаки для моделей
-Применять алгоритмы машинного обучения: линейные модели, случайный лес, градиентный бустинг
-Тестировать новые источники данных и подходы к моделированию, включая различные передовые архитектуры
-Презентовать результаты работы бизнес заказчика
-Участвовать в исследованиях и предлагать собственные идеи
*☑️* Наши пожелания к кандидатам
-Высшее или незаконченное высшее образование в области математики, экономики, анализа данных или смежных направлениях
-Базовые знания теории вероятностей, математической статистики и машинного обучения
-Навыки работы с Python и библиотеками анализа pandas, numpy, scikit-learn, и моделирования XGBoost, LightGBM, CatBoost
-Базовое знание SQL и понимание основных этапов подготовки данных
-Готовность учиться, развиваться и работать в команде
-Будет плюсом:
-Опыт работы с Hadoop (PySpark), Hive, Impala или реляционными базами данных
-Участие в соревнования, хакатонах , kaggle
-Интерес к финансовой отчетности и анализу юридических лиц
-Знание английского языка на уровне чтения технической литературы
Контакты: Откликнуться
*🔥* Подписаться на наши каналы / Откликнуться / Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- Pandas
- NumPy
- Scikit-learn
- XGBoost
- LightGBM
- CatBoost
- SQL
- Hadoop
- PySpark
- Hive
- Impala
- Machine Learning
- Feature Store
Возможные вопросы на собеседовании
Проверка базовых знаний алгоритмов, указанных в вакансии.
В чем разница между случайным лесом и градиентным бустингом с точки зрения смещения (bias) и дисперсии (variance)?
Важно для работы с кредитными рисками, где данные часто несбалансированы.
Какие метрики качества вы бы использовали для оценки модели кредитного скоринга при сильном дисбалансе классов?
Проверка навыков подготовки данных и работы с признаками.
Как вы будете обрабатывать пропуски в данных и категориальные признаки перед подачей в линейную модель и в CatBoost?
Проверка владения SQL, необходимого для подготовки выборок.
Напишите SQL-запрос, который находит среднюю сумму кредита для каждого региона за последний квартал.
Проверка понимания бизнес-контекста вакансии.
Какие факторы (признаки), на ваш взгляд, наиболее важны при оценке кредитоспособности юридического лица?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
