← К каталогу
TO

Top- Human ( Топ-Хьюман)

Middle Data Scientist

ОфисMiddleАстана, Казахстан1 ч назад
Компенсация1 500 000–2 000 000 KZT
СИГНАЛ JOBRADAR80/100Нормальный сигнал актуальности
ПАСПОРТ ВАКАНСИИ

Что JobRadar наблюдает сейчас

Балл строится только на фактах из источников: свежести подтверждения, возрасте записи и происхождении вакансии. Это не гарантия найма и не оценка работодателя.

Последнее подтверждение4 мин. назад
Впервые замечена1 ч назад
Активные источники1 источник
ПроисхождениеПубличный источник
О ВАКАНСИИ

Описание вакансии

в НАО "ФСМС" требуется Middle Data Scientist

Обязанности

  • Разработка, обучение, валидация, оптимизация и оценка классических моделей машинного обучения для решения бизнес-задач, включая классификацию, регрессию, прогнозирование, оценку рисков, сегментацию клиентов и выявление подозрительной активности.
  • Анализ структурированных данных из хранилищ данных, внутренних информационных систем и других источников. Проведение исследовательского анализа данных (EDA) для выявления закономерностей, тенденций и аномалий.
  • Подготовка наборов данных: очистка, предварительная обработка, создание и отбор признаков.
  • Проведение экспериментов, настройка гиперпараметров, сравнение алгоритмов и оценка моделей с использованием соответствующих метрик.
  • Взаимодействие с инженерами данных (Data Engineers) и инженерами по MLOps при внедрении моделей в промышленную эксплуатацию и обеспечении их дальнейшей работы.
  • Мониторинг качества моделей, выявление изменений в распределении данных (data drift) и снижения эффективности моделей, участие в их повторном обучении.
  • Документирование экспериментов, результатов работы моделей и аналитических выводов.

Требования

  • наличие высшего образования
  • гражданство Республики Казхстан
  • Опыт работы от 1 до 3 лет на позиции Data Scientist или ML Engineer. Уверенное владение Python и SQL.
  • Практический опыт работы с классическими алгоритмами машинного обучения, включая классификацию, регрессию и предиктивную аналитику. Знание Logistic Regression, Decision Trees, Random Forest, Gradient Boosting, XGBoost, LightGBM и CatBoost.
  • Понимание методов выявления аномалий, включая Isolation Forest, Local Outlier Factor (LOF) и статистические подходы.
  • Уверенное владение библиотеками Pandas, NumPy, Scikit-learn и инструментами визуализации данных. Опыт создания признаков, предварительной обработки данных и работы с несбалансированными наборами данных.
  • Знание теории вероятностей, математической статистики и проверки…

Здесь показан очищенный фрагмент описания из источника. Полные условия и актуальность вакансии проверьте на странице работодателя.

ИсточникHeadHunter / IT / KZ