- Страна
- Россия
Откликайтесь
на вакансии с ИИ
Стажер / Джуниор ML-инженер (разработчик моделей кредитного скоринга)
Оценка ИИХорошая вакансия для старта карьеры в финтехе с понятным стеком технологий. Наличие офиса в Москве и гибкого графика — плюсы, однако отсутствие указанной зарплаты не позволяет оценить предложение полностью.
Сложность вакансии
Оценка ИИПозиция начального уровня (Intern/Junior), что предполагает умеренные требования к опыту. Основная сложность будет заключаться в специфике предметной области кредитного скоринга и работе с большими объемами данных.
Анализ зарплаты
Оценка ИИДля позиций стажера и джуниор ML-специалиста в Москве рыночный диапазон составляет от 60 000 до 120 000 рублей в зависимости от уровня подготовки и формата занятости. Данная вакансия соответствует рыночным ожиданиям для начальных позиций в финансовом секторе.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Займиго уже сейчас
Начните карьеру в ML, разрабатывая реальные модели кредитного скоринга в динамичном финтехе!
Описание вакансии
Стажер / Джуниор ML-инженер (разработчик моделей кредитного скоринга)
в Займиго — компания из холдинга К+, работающего в сфере финансов и кредитования, IT-продуктов, аналитики и маркетинга.
Офис (Москва). Гибкое начало рабочего дня.
Больше вакансий для junior-специалистов: @jobforjunior
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Data Analysis
- Python
- Pandas
- Machine Learning
- SQL
- Scikit-learn
- Credit Scoring
Возможные вопросы на собеседовании
Кредитный скоринг — это классическая задача классификации. Важно понимать, как оценивать качество модели в условиях дисбаланса классов.
Какие метрики качества вы бы использовали для оценки модели кредитного скоринга и почему (ROC-AUC, Gini, Precision/Recall)?
В финансах важно не только предсказание, но и понимание того, почему принято решение.
Как можно интерпретировать результаты работы ML-модели? Знакомы ли вы с SHAP или LIME?
В кредитовании «плохих» заемщиков всегда меньше, чем «хороших». Нужно уметь с этим работать.
Какие методы борьбы с дисбалансом классов в данных вы знаете?
Проверка владения основным инструментом ML-разработки.
Расскажите о своем опыте работы с библиотеками Pandas, Scikit-learn и градиентным бустингом (XGBoost/LightGBM/CatBoost).
Важно понимать, как данные готовятся к обучению.
