- Страна
- Россия
Junior DS Pricing
Оценка ИИОтличный старт для Junior-специалиста в топовой экосистеме с сильной инженерной культурой. Вакансия предлагает работу над реальными бизнес-задачами с использованием современного стека, хотя уровень зарплаты не указан.
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 (Junior), но требует профильного технического образования и минимум года опыта, что отсеивает совсем новичков. Основная сложность заключается в специфике задач ценообразования и высоких стандартах разработки в Сбере.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата для Junior DS в Москве в крупных тех-компаниях обычно находится в диапазоне 120,000–180,000 рублей. Сбер предлагает конкурентные условия, соответствующие рыночным ожиданиям для кандидатов с опытом от года.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Junior DS Pricing / Сбер
*🗺* Москва.
Обязанности:
- Проводить аналитику и мониторинг работы моделей
- Собирать и готовить данные, делать EDA, feature engineering и разрабатывать новые ML-модели
- Оптимизировать скрипты data, model и inference pipelines
Требования:
- Высшее техническое образование и от года релевантного опыта в ML
*➡* Откликнуться
Вакансии │ Стажировки │ За рубежом │ Удалёнка │ БИГТЕХ │ Мероприятия │ По всему миру │ IT и DIGITAL
*🐣* Софи - первый ai ассистент для автооткликов и поиска работы.
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Data Science
- Machine Learning
- EDA
- Feature Engineering
- Python
- ML Pipelines
Возможные вопросы на собеседовании
Проверка навыков подготовки данных для ML-моделей.
Расскажите о вашем опыте проведения EDA и feature engineering: какие методы вы использовали для обработки пропусков и выбросов?
Важно понимать, как кандидат оценивает качество работы моделей в продакшене.
Какие метрики вы бы использовали для мониторинга модели ценообразования и как понять, что модель начала деградировать?
Обязанности включают оптимизацию пайплайнов.
Как вы подходите к оптимизации inference-пайплайнов для высоконагруженных систем?
Проверка понимания специфики ценообразования.
В чем, по вашему мнению, заключается основная сложность при построении моделей динамического ценообразования?
Проверка владения инструментарием.
С какими библиотеками для построения ML-пайплайнов вы работали (например, Airflow, MLflow) и какие задачи с их помощью решали?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
