- Страна
- Россия
- Зарплата
- 210 000 ₽ – 250 000 ₽
Senior Data Scientist
Оценка ИИХорошее предложение для Senior/Middle+ специалистов с четким стеком и удаленным форматом работы. Зарплата соответствует рыночному уровню для РФ, а использование современных инструментов (MLflow, Docker) говорит о зрелости процессов.
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 владения широким стеком технологий (от PySpark до глубокого обучения) и опыта вывода моделей в продакшн. Основная сложность заключается в необходимости сочетать глубокую математическую экспертизу с навыками инженерии данных и MLOps.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная вилка 210 000 – 250 000 руб. на руки является конкурентной для уровня Middle+, однако для позиции Senior на российском рынке она находится ближе к нижней границе, где медиана часто превышает 300 000 руб.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Сопроводительное письмо
Составьте сопроводительное письмо под эту вакансию с вашим резюме
Описание вакансии
#vacancy #Вакансия #DataScientist #Senior #ML #Python #PySpark #Timeseries #Remote #РаботаВИТ #DataScience #MLOps
🔎Сеньор-датасаентист в команду ML-разработки | компания TopSelection
Привет! Мы ищем DS, который умеет не просто строить модели, а доводить их до боевого инференса и понимает бизнес-задачи.
Условия:
💸 210 000 – 250 000 руб./мес
🌍 Полная удаленка (РФ)
🧠 Грейд: Мидл+
📃Формат оформления: ИП
Что нужно уметь:
▫️ Закрывать бизнес-требования качественными ML-решениями (полный цикл: обучение → валидация → пайплайн)
▫️ Работать с временными рядами: прогнозирование, кластеризация, детект аномалий
▫️ Писать чистый Python (ООП) и готовить данные в PySpark, Pandas, SQL
▫️ Поднимать модели в прод с помощью Docker и трекить эксперименты в MLflow
Стек (строго обязателен):
Python • PySpark • Pandas • SQL • LightGBM • CatBoost • XGBoost • TensorFlow • PyTorch • Scikit-Learn • Optuna • MLflow • Docker
📩 Отклик сюда: Откликнуться
Больше похожих вакансий + автоотклики с ИИ
Умный подбор, сопроводительные письма, советы по отказам — больше приглашений.
Навыки
- Python
- PySpark
- Pandas
- SQL
- LightGBM
- CatBoost
- XGBoost
- TensorFlow
- PyTorch
- Scikit-learn
- Optuna
- MLflow
- Docker
- Time Series
- MLOps
Возможные вопросы на собеседовании
Вакансия предполагает работу с прогнозированием и детекцией аномалий.
Расскажите о вашем опыте работы с временными рядами: какие подходы к валидации и генерации признаков вы использовали?
В стеке указан PySpark, что критично для обработки больших данных.
В каких случаях вы предпочтете PySpark обычному Pandas, и с какими проблемами производительности в Spark вы сталкивались?
Компания ищет кандидата, понимающего бизнес-задачи.
Как вы оцениваете бизнес-эффективность внедренной ML-модели и что делаете, если метрики модели растут, а бизнес-показатели — нет?
Требуется навык работы с MLflow и Docker.
Опишите ваш типичный CI/CD пайплайн для ML-модели: как вы обеспечиваете воспроизводимость экспериментов?
Упомянуты градиентный бустинг и нейросети.
Как вы выбираете между использованием CatBoost/XGBoost и нейронными сетями (PyTorch/TensorFlow) для конкретной задачи?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
