обновлено 1 день назад
ML / DS Engineer (Classic ML)
Вакансия из Telegram канала - Мэтч & Сопровод
Покажет вашу совместимость и напишет письмо
Описание вакансии
TL;DR
ML / DS Engineer (Classic ML) (классическое машинное обучение и MLOps): Разработка и внедрение моделей для скоринга, прогнозирования оттока, оценки рисков, рекомендаций и временных рядов с акцентом на feature engineering, интерпретируемость и end-to-end ML-пайплайны. Фокус на построении пайплайнов обучения и валидации, A/B-тестировании, мониторинге дрейфа моделей и интеграции через API и Kubernetes.
Вакансия: ML / DS Engineer (Classic ML)
Формат: удаленно
Сайт компании:
Наши ожидания
- Коммерческий опыт разработки в Data Science / ML.
- Глубокое знание Python и стека: pandas, numpy, scikit‑learn, а также одного из фреймворков для градиентного бустинга (LightGBM, XGBoost, CatBoost).
- Уверенное владение SQL — написание сложных запросов, работа с большими данными (ClickHouse, PostgreSQL, Greenplum или аналоги).
- Понимание метрик качества для классификации, регрессии, ранжирования: precision/recall, ROC‑AUC, lift, MAP, NDCG.
- Опыт построения end‑to‑end ML‑пайплайнов: от выгрузки данных до деплоя и мониторинга.
- Знание MLOps‑инструментов: MLflow, DVC, опыт работы с CI/CD для ML‑проектов.
Основные обязанности
- Разработка и внедрение моделей классического машинного обучения: градиентный бустинг (LightGBM, XGBoost, CatBoost), логистическая регрессия, случайный лес, линейные модели.
- Решение бизнес‑задач: кредитный скоринг, прогнозирование оттока, оценка рисков, рекомендательные системы на основе коллаборативной фильтрации, прогнозирование временных рядов.
- Feature engineering — создание и отбор признаков, работа с большими объёмами структурированных данных (SQL, Spark, Pandas).
- Построение пайплайнов обучения и валидации с учётом требований к интерпретируемости (SHAP, LIME, Feature Importance).
- Разработка пайплайнов для A/B‑тестирования и пост‑релизного мониторинга моделей (дрейф данных, дрейф целевой переменной).
- Интеграция моделей в продуктовую среду через API (FastAPI, Flask) и orchestration (Docker, Kubernetes).
- Взаимодействие с заказчиком: уточнение бизнес‑метрик, презентация результатов, написание технической документации.
Будет плюсом
- Опыт с uplift‑моделированием (методы оценки индивидуального эффекта воздействия: causal models, Meta‑learners, модели на основе деревьев решений для uplift).
- Опыт в кредитном скоринге — построение скоринговых карт, работа с бюро кредитных историй, требования регуляторов к интерпретируемости.
- Опыт практического применения AI-инструментов (Claude Code, OpenAI Codex, OpenCode и аналоги) в коммерческой разработке — для работы с кодом, тестами, ревью и документацией — с обязательной проверкой результата и соблюдением конфиденциальности.
Контакт для отклика:
Формат: удаленно
Сайт компании:
Наши ожидания
- Коммерческий опыт разработки в Data Science / ML.
- Глубокое знание Python и стека: pandas, numpy, scikit‑learn, а также одного из фреймворков для градиентного бустинга (LightGBM, XGBoost, CatBoost).
- Уверенное владение SQL — написание сложных запросов, работа с большими данными (ClickHouse, PostgreSQL, Greenplum или аналоги).
- Понимание метрик качества для классификации, регрессии, ранжирования: precision/recall, ROC‑AUC, lift, MAP, NDCG.
- Опыт построения end‑to‑end ML‑пайплайнов: от выгрузки данных до деплоя и мониторинга.
- Знание MLOps‑инструментов: MLflow, DVC, опыт работы с CI/CD для ML‑проектов.
Основные обязанности
- Разработка и внедрение моделей классического машинного обучения: градиентный бустинг (LightGBM, XGBoost, CatBoost), логистическая регрессия, случайный лес, линейные модели.
- Решение бизнес‑задач: кредитный скоринг, прогнозирование оттока, оценка рисков, рекомендательные системы на основе коллаборативной фильтрации, прогнозирование временных рядов.
- Feature engineering — создание и отбор признаков, работа с большими объёмами структурированных данных (SQL, Spark, Pandas).
- Построение пайплайнов обучения и валидации с учётом требований к интерпретируемости (SHAP, LIME, Feature Importance).
- Разработка пайплайнов для A/B‑тестирования и пост‑релизного мониторинга моделей (дрейф данных, дрейф целевой переменной).
- Интеграция моделей в продуктовую среду через API (FastAPI, Flask) и orchestration (Docker, Kubernetes).
- Взаимодействие с заказчиком: уточнение бизнес‑метрик, презентация результатов, написание технической документации.
Будет плюсом
- Опыт с uplift‑моделированием (методы оценки индивидуального эффекта воздействия: causal models, Meta‑learners, модели на основе деревьев решений для uplift).
- Опыт в кредитном скоринге — построение скоринговых карт, работа с бюро кредитных историй, требования регуляторов к интерпретируемости.
- Опыт практического применения AI-инструментов (Claude Code, OpenAI Codex, OpenCode и аналоги) в коммерческой разработке — для работы с кодом, тестами, ревью и документацией — с обязательной проверкой результата и соблюдением конфиденциальности.
Контакт для отклика:
Будьте осторожны
Если работодатель просит войти в их систему, используя iCloud/Google, прислать код/пароль, запустить код/ПО, не делайте этого. Это мошенники. Обязательно жмите «Пожаловаться» или пишите в поддержку. Подробнее в гайде →
Текст вакансии взят без изменений
Источник -
Музыка
Осень
Поддержка