- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Middle Data Scientist / ML Engineer
Оценка ИИИнтересная позиция для специалистов, желающих работать на стыке Data Science и Operations Research. Удаленный формат работы по РФ и четкий стек технологий делают вакансию привлекательной, несмотря на отсутствие указанной вилки.
Сложность вакансии
Оценка ИИРоль требует редкого сочетания классического ML (прогнозирование временных рядов) и математической оптимизации (MILP, Gurobi), а также навыков MLOps. Дополнительную сложность создает требование опыта в специфических доменах, таких как Supply Chain или FMCG.
Анализ зарплаты
Оценка ИИПредлагаемая роль Middle Data Scientist с навыками оптимизации оценивается на рынке РФ в диапазоне 200 000 – 350 000 рублей. Наличие специфических знаний в области Supply Chain и инструментов типа Gurobi может позволить претендовать на верхнюю границу рынка.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте свое резюме через бота, чтобы получить шанс поработать над сложными задачами оптимизации и прогнозирования в FMCG!
Описание вакансии
Middle Data Scientist / ML Engineer
#MiddleDataScientist #MLEngineer #DataScientist #Python #SQL #Удаленно #РФ
Требования:
Python, SQL, Git. ML и математическая статистика (линейные модели, Random Forest, градиентный бустинг). Работа с временными рядами (подготовка данных, прогнозирование, оценка качества). Библиотеки градиентного бустинга (XGBoost, LightGBM, CatBoost). Оптимизация (LP, MILP/MIP) и инструменты (Pyomo, OR-Tools, PuLP и др.), решатели (Gurobi, CPLEX и др.). Полный цикл разработки ML‑решений (от анализа до прототипа). Желательно: Продвинутые модели прогнозирования (Prophet, LSTM, DeepAR). Большие данные и Data-инфраструктура (Spark/PySpark, S3). Интеграция ML‑моделей и MLOps (FastAPI, Docker, CI/CD, KubeFlow или аналоги). Тестирование, ООП. Опыт в FMCG, Supply Chain, Demand Planning, Forecasting, ERP, APS. Английский: от B1.
Локация:*📍*Удалённо в РФ. Гражданство: РФ.
Контакт для отклика: Откликнуться
*👉*Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Git
- Python
- Machine Learning
- SQL
- CI/CD
- Docker
- PySpark
- Apache Spark
- XGBoost
- Kubeflow
- Amazon S3
- FastAPI
- LightGBM
- OOP
- CatBoost
- Pyomo
- Gurobi
- CPLEX
- OR-Tools
- PuLP
- Prophet
- LSTM
- DeepAR
Возможные вопросы на собеседовании
Вакансия предполагает работу с прогнозированием спроса или логистикой. Важно понимать, как кандидат выбирает метрики под бизнес-задачи.
Как вы выбираете метрику качества для прогнозирования временных рядов в задачах Demand Planning (например, WAPE vs RMSE)?
В требованиях указаны инструменты оптимизации (LP, MILP). Это ключевой навык для данной позиции.
Расскажите о вашем опыте решения задач линейного или смешанно-целочисленного программирования. Какие решатели вы использовали?
Работа с временными рядами часто требует сложной предобработки.
Как вы подходите к обработке пропусков и аномалий в исторических данных при подготовке признаков для моделей градиентного бустинга?
Упоминание Spark и S3 подразумевает работу с большими объемами данных.
В каких случаях вы предпочтете использовать PySpark вместо Pandas для подготовки датасета под ML-модель?
Вакансия включает MLOps составляющую.
