- Страна
- Россия
- Зарплата
- 90 000 ₽ – 105 000 ₽
Junior Data Scientist (Python)
Оценка ИИОтличная вакансия для старта карьеры: предлагается удаленка, обучение, доступ к AI-инструментам и четкий план роста. Зарплата соответствует рыночному уровню для Junior-позиции без опыта.
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 ориентирована на новичков без опыта, но требует уверенного владения базовым стеком (Python, SQL, ML-библиотеки). Основная сложность заключается в необходимости понимания бизнес-метрик и процессов вывода моделей в продакшн.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная зарплата (90 000 — 105 000 ₽) находится в пределах рыночной нормы для начинающего специалиста в России, где медиана для Junior DS составляет около 100 000 ₽.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
*✨ Junior Data Scientist (Python)*
Область и стек: Python, pandas, scikit-learn, SQL
Зарплатная вилка: 90 000 — 105 000 ₽/мес
Формат работы: Удаленка
Страна работы: Россия
Опыт: без опыта
Обязанности
• Подготовка данных: выгрузки из PostgreSQL и POS, очистка, пропуски, выбросы
• Прогнозные модели: поток гостей, спрос на позиции меню, потребность в закупках
• Признаки предметной области: сезонность, праздники, погода, история продаж
• Валидация: разбиение по времени, контроль утечек, бизнес-метрика рядом с технической
• Продуктовые исследования: сегменты гостей, средний чек, отток, эффективность акций
• Передача модели в прод вместе с бэкендом: контракт данных, инференс, мониторинг качества
• Код-ревью, обсуждение гипотез, планирование задач
Требования
• Python 3.11+, аннотации типов
• pandas, NumPy: группировки, join'ы, оконные функции, даты
• scikit-learn: пайплайны, кросс-валидация, подбор гиперпараметров
• Метрики и переобучение: MAE / MAPE, бейзлайн, утечки
• SQL: join'ы, агрегаты, оконные функции
• EDA: matplotlib или seaborn
• Git, ветки, PR, код-ревью
• Плюсом: statsmodels, Prophet, CatBoost, Docker, FastAPI, Airflow, MLflow, LLM и RAG
Что предлагаем
• Удалённо из России, свободный график
• Доступы к AI-сервисам (ChatGPT, Claude и другие)
• Обучение за счёт компании: курсы, книги, конференции, хакатоны
• Ревью каждые 6 месяцев, путь до Middle+ за 0.5–1 года
#вакансия #datascience #ml #python #pandas #sklearn #sql #junior #remote #аналитикаданных
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Pandas
- Scikit-learn
- SQL
- PostgreSQL
- NumPy
- Matplotlib
- Seaborn
- Git
- CatBoost
- Docker
- FastAPI
- Airflow
- MLflow
Возможные вопросы на собеседовании
Проверка навыков предобработки данных и владения SQL/pandas.
Как вы будете обрабатывать пропуски и выбросы в данных о продажах перед построением модели прогнозирования спроса?
Важно понимать, как кандидат оценивает успех модели с точки зрения бизнеса.
В чем разница между техническими метриками (например, MAE) и бизнес-метриками в задаче прогнозирования потока гостей?
Проверка понимания методологии валидации временных рядов.
Почему для прогнозирования спроса нельзя использовать обычную случайную кросс-валидацию и как правильно разбить данные?
Оценка навыков работы с признаками (Feature Engineering).
Какие внешние признаки, помимо истории продаж, вы бы добавили в модель для учета сезонности и праздников?
Проверка базовых знаний о жизненном цикле ML-модели.
Что такое «утечка данных» (data leakage) и какие меры вы предпримете, чтобы избежать её при обучении модели?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
