ML/DS разработчик-стажер
Хорошая возможность для старта карьеры в ML с удаленным форматом работы. Четко прописанные требования и фокус на современные технологии (LLM, RAG) делают вакансию перспективной для обучения.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сложность вакансии
Для стажерской позиции требования стандартные, но акцент на наличии реализованных проектов и понимании метрик делает отбор качественным. Основная сложность — высокая конкуренция среди начинающих специалистов.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Зарплата в вакансии не указана, что типично для стажировок. На рынке РФ стажеры в области Data Science обычно получают от 40 000 до 70 000 рублей в зависимости от интенсивности программы и бюджета компании.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Описание вакансии
Инновационные технологии
ML/DS разработчик-стажер
Опыт работы: не требуется
Полная занятость
График: 5/2
Формат работы: удалённо
*☑️* Наши пожелания к кандидатам
-Уверенное владение Python (умение писать чистый код, использовать виртуальные окружения)
-Критически важно понимание базовых библиотек для работы с данными (Pandas, NumPy) и основ классического машинного обучения (Scikit-learn)
-Понимание разницы между обучением с учителем и без, знание метрик качества (Accuracy, Precision, Recall, ROC-AUC) и как не допускать переобучения модели
-Важно иметь реализованные проекты, связанные с обучением и развертыванием модели
-Желателен опыт в одном из направлений: Recommender Systems, Natural Language Processing, LLM / RAG / Agentic Engineering
*☑️* Будет плюсом
-Понимание принципов работы реляционных баз данных (SQL, PostgreSQL)
-Базовое владение библиотеками глубокого обучения: PyTorch, TensorFlow
Контакты: Откликнуться
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.

Навыки
- Python
- NumPy
- Pandas
- PyTorch
- LLM
- SQL
- PostgreSQL
- RAG
- NLP
- Scikit-learn
- TensorFlow
Возможные вопросы на собеседовании
Проверка понимания фундаментальных концепций ML и умения оценивать результаты.
В каких случаях метрика Accuracy может быть бесполезной, и что вы выберете вместо нее для несбалансированной выборки?
Оценка практического опыта работы с данными.
Расскажите о самом сложном этапе предобработки данных в вашем проекте: как вы обрабатывали пропуски и выбросы?
Проверка понимания проблемы переобучения.
Какие методы регуляризации вы знаете и как они помогают модели лучше обобщать данные?
Оценка навыков работы с SQL, указанных как плюс.
Напишите запрос, который находит топ-3 категории товаров по среднему чеку из таблицы продаж.
Проверка интереса к современным технологиям (LLM/RAG).
Как работает механизм RAG (Retrieval-Augmented Generation) и зачем он нужен при работе с языковыми моделями?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.

