- Страна
- Россия
Middle+ Data Scientist
Оценка ИИИнтересный стек технологий и четкие требования, однако отсутствие названия компании и жесткое требование работы только в офисе с записью интервью снижают привлекательность для широкого круга кандидатов.
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 ИИВысокая сложность обусловлена требованием к специфическому стеку (LangGraph/ReAct) и обязательным очным live-coding этапом под запись, что требует стрессоустойчивости и глубоких знаний алгоритмов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИДля позиции Middle+ Data Scientist в Москве с опытом от 3 лет и знанием LangGraph рыночная вилка составляет от 250 000 до 400 000 рублей. В объявлении зарплата не указана, поэтому стоит ориентироваться на эти цифры при переговорах.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
Middle+ Data Scientist
Местоположение: Москва
Формат работы: Офис
Опубликована: 01.10.2026
Требования:
• Обязательно: 3+ года ML
• Опыт с LangGraph/ReAct
• LangGraph, ReAct, Python, SQL, аномалии, оптимизация
Важно:
*⚠️* Интервью строго в офисе в Москве (live-coding под запись)
Контакт: Откликнуться
Откликнуться опубликована в @jtbl_vacancy
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- SQL
- Machine Learning
- LangGraph
- React
- Optimization
- Anomaly Detection
Возможные вопросы на собеседовании
Проверка практического опыта работы с современными фреймворками для LLM-агентов.
Расскажите о самом сложном графе, который вы строили в LangGraph: как вы обрабатывали циклы и состояния?
Оценка понимания архитектуры ReAct.
В чем основные преимущества и недостатки подхода ReAct по сравнению с классическим Chain-of-Thought?
Проверка навыков оптимизации, указанных в требованиях.
Какие методы оптимизации гиперпараметров или архитектуры моделей вы применяли для задач поиска аномалий?
Подготовка к live-coding: проверка алгоритмической базы.
Как бы вы реализовали эффективный поиск аномалий в потоковых данных с использованием SQL и Python?
Оценка опыта работы с данными.
С какими проблемами качества данных вы сталкивались при обучении моделей и как их решали?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
