- Страна
- Казахстан
- Зарплата
- 1 500 000 ₽ – 2 000 000 ₽
Middle Data Scientist
Хорошая вакансия для Middle-специалиста в Казахстане с конкурентной зарплатой для локального рынка и четким стеком технологий. Ограничением является строго офисный формат и требование по гражданству.
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
Позиция требует уверенного владения классическим ML-стеком и SQL, а также понимания бизнес-метрик. Основная сложность заключается в необходимости работы в офисе в Астане и наличии гражданства РК.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Предложенная зарплата в 1.5–2.0 млн тенге (до вычета налогов) соответствует верхней границе рыночного диапазона для Middle Data Scientist в Астане. Это привлекательное предложение для локального рынка Казахстана.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
*📍* Формат/working arrangement: офис в Астане
*✔️* Должность/position: Middle Data Scientist
*🏢* Место работы/workplace: НАО «ФСМС» / ТОО Top-Human
*💸* Заработная плата/salary: 1 500 000–2 000 000 ₸ в месяц до вычета налогов
*📈* Обязанности/responsibilities:
— Разрабатывать и оценивать ML-модели для классификации, регрессии, прогнозирования, оценки рисков и выявления подозрительной активности.
— Проводить EDA и анализировать данные из DWH и внутренних систем.
— Готовить данные: очистка, preprocessing, feature engineering.
— Настраивать гиперпараметры и сравнивать алгоритмы.
— Совместно с Data Engineers и MLOps внедрять модели в production.
— Мониторить качество моделей, data drift и участвовать в retraining.
— Документировать эксперименты и аналитические выводы.
*📌* Требования/requirements:
— Высшее образование.
— Гражданство Республики Казахстан.
— Опыт Data Scientist / ML Engineer от 1–3 лет.
— Уверенные Python и SQL.
— Logistic Regression, Decision Trees, Random Forest, Gradient Boosting, XGBoost, LightGBM, CatBoost.
— Pandas, NumPy, Scikit-learn.
— Знание статистики, теории вероятностей и проверки гипотез.
— Понимание Precision, Recall, F1, ROC-AUC, PR-AUC, MAE, RMSE.
— Опыт с PostgreSQL, ClickHouse, MS SQL или аналогами.
— Умение интерпретировать модели и презентовать результаты бизнесу.
*🌟* Будет плюсом:
— Time Series, fraud / anomaly detection, risk modelling.
— SHAP / LIME.
— MLflow, DVC, Optuna.
— Docker, Airflow, MLOps.
— PySpark.
— Опыт с финансовыми, государственными, медицинскими или страховыми данными.
*🛠* Технический стек:
— Python
— SQL
— PostgreSQL
— ClickHouse
— Scikit-learn
— XGBoost
— LightGBM
— CatBoost
— MLflow
— Optuna
— Docker
— Airflow
— PySpark
*✅* Условия/working conditions:
— Полная занятость.
— Оформление по трудовому договору.
— График 5/2, 8 часов.
— Выплаты два раза в месяц.
— Офисный формат.
*📍* Адрес: Астана, улица Достык, 13/3.
*📢**❗️**🚨* Вакансия: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- SQL
- PostgreSQL
- ClickHouse
- Scikit-learn
- XGBoost
- LightGBM
- CatBoost
- MLflow
- Optuna
- Docker
- Airflow
- PySpark
- Pandas
- NumPy
- Statistics
Возможные вопросы на собеседовании
Проверка понимания работы с градиентным бустингом, который указан в стеке.
В чем ключевые различия между XGBoost, LightGBM и CatBoost, и в каких ситуациях вы выберете конкретную библиотеку?
Вакансия предполагает работу с рисками и подозрительной активностью.
Как вы будете подходить к задаче выявления аномалий (fraud detection) при сильном дисбалансе классов?
Важно понимать, как кандидат оценивает бизнес-эффект от моделей.
Как вы объясните нетехническому заказчику разницу между Precision и Recall и почему в задачах оценки рисков одна метрика может быть важнее другой?
В стеке указаны инструменты MLOps.
Расскажите о вашем опыте работы с MLflow: как вы организуете трекинг экспериментов и версионирование моделей?
Проверка навыков работы с данными в SQL-базах.
Напишите SQL-запрос для расчета скользящего среднего значения транзакций за последние 7 дней для каждого пользователя.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

