⚠︎ Архивная вакансия
Эта вакансия была перемещена в архив. Возможно она уже не актуальна и рекрутер больше не принимает отклики на эту вакансию. Вы можете  найти актуальные похожие вакансии

Middle / Senior Data Scientist

Агентство / HR ресурс  DevHunt (https://hellodevhunt.com) ( hellodevhunt.com )
Москва, Россия
Миддл • Сеньор
Аналитика, Data Science, Big Data • Data scientist • Data Science • Python • SQL • ML/AI • Заказная разработка • Наука • Промышленность
19 апреля
Удаленная работа
Опыт работы от 3 до 5 лет
от 150 000 до 250 000 ₽
Описание вакансии

В нефтегазовый IT-интегратор с ML нужен проактивный Data Scientist
 

Почему стоит выбрать именно эту позицию:

  • Удаленка с гибким началом рабочего дня
  • Свобода в принятии решений
  • Возможности для роста
  • Никакого тайм-трекинга
  • Неформальная атмосфера с минимальным числом бюрократии
  • Проекты не "в стол"
  • Плюшки IT-аккредитации
  • Годовые бонусы: х1, х1.5
  • ДМС после испытательного срока


Чек-лист идеального кандидата:

  • Опыт ML-разработки на Python от 3х лет
  • Опыт работы с Pandas, NumPy, SсiPy, scikit-learn, Keras/TensoFlow
  • Опыт работы с XGboost, LightGBM, Random Forest, линейными моделями, основными архитектурами нейронных сетей. Понимание механизмов их работы
  • Знание SQL на продвинутом уровне, опыт работы с реляционными СУБД (PostgreSQL, Oracle, MS SQL и пр.)
  • Опыт работы с *nix системами
  • Навыки работы с Git и с Conda окружениями


Будет плюсом:

  • Опыт разработки проектной документации в части подготовки разделов по предиктивному анализу
  • Опыт разработки архитектуры данных и структур баз данных
  • Знание и опыт работы с ETL/ELT инструментами
  • Знание TimescaleDB, InfluxDB, AVEVA (OSIsoft) PI System
  • Понимание специфики работы IT-интегратора (outsource)
  • Опыт работы в нефтегазовой или смежной области


 

Задачи:

  • Реализации проектов по предиктивной аналитике на промышленных предприятиях
  • Анализ и прогнозирование временных рядов
  • Анализ производственных процессов и выработка требований к сбору данных
  • Выбор и обоснование моделей машинного обучения для решения бизнес-задач
  • Конструирование признаков для ML-моделей (feature engineering)
  • Выбор и обоснование метрик для оценки моделей машинного обучения
  • Интерпретация результатов функционирования моделей машинного обучения
  • Разработка и автоматизация ML-пайплайнов