- Страна
- Узбекистан
ML Engineer
Оценка ИИСильный бренд (OLX), работа в компании-лидере рынка и возможность удаленной работы делают вакансию очень привлекательной. Четкие требования и понятный стек технологий способствуют быстрому входу в проект.
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 требует уверенного опыта в продакшн-разработке (2+ года) и владения классическим ML-стеком. Основная сложность заключается в необходимости работы с большими данными и понимании статистики для проверки гипотез.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИЗарплата в объявлении не указана. Для позиции ML Engineer с опытом от 2 лет на рынке СНГ и Узбекистана медиана составляет около $3000-$4500 в зависимости от локации и налогового статуса.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Контакты для отклика
Откройте контакты, указанные в вакансии.
Описание вакансии
ML Engineer / OLX Uzbekistan
Remote
OLX Uzbekistan - лидер рынка классифайдов в Узбекистане. Наша платформа объединяет несколько масштабных бизнес-направлений, которые сейчас проходят стадию активного роста и трансформации.
Требования к кандидату:
- 2+ года опыта разработки ML-моделей в production
- Уверенное владение Python и стандартным ML-стеком
- Опыт работы с SQL и большими объёмами данных
- Знание scikit-learn, CatBoost/XGBoost, pandas, numpy
- Понимание основ статистики и проверки гипотез
Читать подробнее:
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- SQL
- Scikit-learn
- CatBoost
- XGBoost
- Pandas
- NumPy
- Statistics
Возможные вопросы на собеседовании
Проверка практического опыта вывода моделей в эксплуатацию.
Расскажите о самом сложном кейсе вывода ML-модели в production: с какими проблемами столкнулись и как их решили?
Оценка навыков работы с градиентным бустингом, указанным в требованиях.
В каких случаях вы предпочтете CatBoost вместо XGBoost или LightGBM, и как вы боретесь с переобучением в этих моделях?
Проверка умения работать с данными и SQL.
Как вы оптимизируете SQL-запросы при работе с терабайтами данных для подготовки признаков (feature engineering)?
Оценка фундаментальных знаний статистики.
Как вы рассчитываете необходимый размер выборки для проведения A/B теста и какие метрики используете для оценки достоверности результата?
Проверка навыков обработки данных.
Какие методы обработки пропусков и аномалий в данных вы считаете наиболее эффективными для классифайдов?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
