- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Middle+ / Senior ML Engineer / Data Scientist
Оценка ИИИнтересная роль для опытных специалистов с фокусом на сложные ML-задачи и оптимизацию. Плюсом является удаленный формат работы, однако отсутствие названия компании и вилки зарплаты снижает прозрачность предложения.
Сложность вакансии
Оценка ИИВысокая сложность обусловлена требованиями к глубоким знаниям в специфических областях: uplift-моделировании, Causal Inference и методах математической оптимизации, а также опытом работы с высоконагруженным продакшном.
Анализ зарплаты
Оценка ИИДля позиций уровня Middle+/Senior в области ML и Data Science на российском рынке медиана составляет около 300,000 - 450,000 рублей. Данная вакансия требует редких навыков (uplift, оптимизация), что может позволить претендовать на верхнюю границу рынка.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь уже сейчас
Отправьте свое резюме эксперту по подбору, чтобы реализовать сложные uplift-модели для миллионов клиентов!
Описание вакансии
Middle+ / Senior ML Engineer / Data Scientist
#SeniorMLEngineer #MiddleMLEngineer #DataScientist #MLEngineer #Python #SQL #Удаленно #РФ
Требования:
Python - от 4-х лет. Опыт uplift-моделирования (T-/X-learner, uplift-деревья, causalml) и построения скоринговых моделей склонности к отклику. Методы математической оптимизации и линейного/целочисленного программирования (PuLP, CVXPY, OR-Tools или аналоги) для распределения офферов при бизнес-ограничениях. SQL. Опыт вывода моделей в прод (MLflow, батч-скоринг на десятки миллионов клиентов).
Локация:*📍*Удалённо из РФ.
Контакт для отклика: Откликнуться или Откликнуться +CV
*👉*Откликнуться
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- MLflow
- Uplift Modeling
- Mathematical Optimization
- OR-Tools
- PuLP
- Scoring Models
- CausalML
- CVXPY
Возможные вопросы на собеседовании
Проверка фундаментальных знаний в области Causal Inference и умения выбирать правильный подход.
В каких случаях вы предпочтете X-learner вместо T-learner при построении uplift-модели?
Оценка навыков решения задач оптимизации, указанных в требованиях.
Как бы вы сформулировали задачу распределения маркетингового бюджета как задачу линейного программирования с использованием PuLP?
Проверка опыта работы с большими данными и инфраструктурой.
С какими основными проблемами вы сталкивались при батч-скоринге на десятки миллионов записей и как их решали?
Оценка понимания бизнес-метрик и качества моделей.
Какие метрики вы используете для оценки качества uplift-моделей (например, Qini curve) и как интерпретируете их для бизнеса?
Проверка владения инструментами жизненного цикла ML.
