- Страна
- Россия
- Зарплата
- 210 000 ₽ – 250 000 ₽
Сеньор-датасаентист в команду ML-разработки
Оценка ИИХорошее предложение для удаленной работы с четко прописанным современным стеком технологий. Зарплата соответствует рыночному уровню для Middle+/Senior в РФ, а формат ИП обеспечивает гибкость.
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 PySpark и опытом работы с временными рядами, а также навыков MLOps (Docker, MLflow). Уровень Middle+/Senior предполагает самостоятельность в принятии архитектурных решений.
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
Анализ зарплаты
Оценка ИИПредложенная вилка 210 000 – 250 000 руб. на руки (через ИП) соответствует средним рыночным значениям для Middle+ Data Scientist в России, однако для позиции Senior это может быть нижней границей рынка.
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
- OOP
Возможные вопросы на собеседовании
Вакансия сфокусирована на временных рядах, важно понимать методы обработки таких данных.
Как вы подходите к валидации моделей на временных рядах, чтобы избежать утечки данных из будущего?
В стеке указан PySpark, что критично для работы с большими данными.
В каких случаях вы предпочтете PySpark обычному Pandas, и как оптимизировать джойны больших таблиц в Spark?
Требуется опыт вывода моделей в прод.
Расскажите о вашем опыте работы с MLflow: как вы организуете трекинг экспериментов и хранение артефактов моделей?
Упомянуты градиентный бустинг и нейросети.
Как вы выбираете между классическими ансамблями (CatBoost/LightGBM) и глубоким обучением для конкретной бизнес-задачи?
Важно умение доводить модель до инференса.
Опишите процесс создания Docker-контейнера для ML-сервиса: какие базовые образы используете и как минимизируете размер итогового образа?
Сформировано ИИ автоматически. Не является проверкой вакансии или работодателя.
