Senior Data Scientist

Задачи

• Проведение глубокого анализа данных: оценка влияния всех потенциальных параметров на целевую величину, оценка проблем в данных и поиск методов их решения.
• Анализ технической документации (основные технологические параметры и ограничения для конкретной бизнес-гипотезы).
• Формирование DS задач, построение baseline моделей.
• Оценка проблемы качества данных и решение их, формирование бэклога DS, гипотез и отчетов.

Ожидания

• Опыт работы от 5 лет на должности эксперта или ведущего специалиста по направлению применения искусственного интеллекта для бизнес-задач.
• Опыт работы от 1 года на должности эксперта или ведущего специалиста по направлению применения искусственного интеллекта по оптимизации технологических процессов или диагностике технического оборудования.
• Эрудиция в области машинного обучения, предиктивной аналитики в промышленности.
• Глубокое понимание технологий, методов машинного обучения, методик оценки качества обученных моделей.
• Глубокое понимание методик и инструментов анализа временных рядов, проблем, связанных с данными.
• Базовое понимание химических процессов, гидродинамики и теплофизики.
• Понимание и опыт работы с Matplotlib, Seaborn, Plotly, Pandas, Numpy, Scikit-learn, Scipy, Statsmodels.
• Опыт работы с classic ML: Linear Regression (L1, L2), Logistic Regression, Decision Tree, Gradient Boosting, Random Forest, Support Vector Machine, ARIMA, Principal Component Analysis, k-means, DBSCAN и соответственно умение применять их, используя библиотеки scikit-learn, CatBoost, XGBoost, LightGBM, statsmodels.
• Понимание анализа временных рядов и опыт применения модели Бокса-Дженкинса.
• Знания по способам оценки и декомпозиции тренда, статические тесты определения нестационарности, модели VAR, ARIMA, Prophet.
• Понимание и опыт работы с DL: методы регуляризации DL, архитектуры: classic MLP, AE, CNN, GRU, LSTM, Attention Mechanism.

Будет плюсом:

• Опыт подготовки признакового пространства, особенно в области физического (технологического) моделирования.
• Опыт работы с библиотеками и модулями для создания признакового пространства (на основе данных), например tsfresh.