ML-аналитик (удаленная работа)

Вакансия: ML-аналитик

Описание вакансии

Мы предлагаем:

• Работу в крупной стабильной Компании - лидере рынка;
• Официальное оформление по ТК РФ в штат Компании на бессрочной основе;
• График работы 5/2 с 9:00 до 18:00;
• Гибкий формат работы: возможность работы удаленно, если вы находитесь в другом регионе РФ;
• Конкурентоспособную заработную плату: оклад + годовую премию;
• Возможности профессионального развития и карьерного роста.

Вам предстоит:

• Проектирование баз данных: создание структуры хранения данных, сборка и объединение разрозненных источников (показания датчиков, журналы систем, внешние параметры) в единые аналитические витрины.
• Исследование массивов данных: проведение детального разведочного анализа (EDA), выявление аномалий, расчет корреляций, взаимных влияний и лаговых эффектов между параметрами.
• Прогнозное моделирование: разработка, валидация и калибровка моделей машинного обучения для прогнозирования целевых показателей технологического процесса.
• Применение Байес-методов: построение вероятностных моделей для оценки рисков и доверительных интервалов в условиях неполноты информации или высокой зашумленности данных.

Мы ожидаем:

• Образование: оконченное высшее образование по направлениям: Прикладная математика, Математическая статистика, Компьютерные науки, Мехмат, Физтех (приоритет выпускникам сильных математических школ МГУ, МФТИ, НИУ ВШЭ, СПбГУ, НГУ и профильных технических вузов).
• Стаж: от 1 до 3 лет коммерческого опыта в сфере анализа данных, Data Science или прикладного математического моделирования.
• Опыт успешного объединения разрозненных и грязных массивов данных в единую консистентную базу.
• Практический опыт решения задач прогнозирования и поиска корреляционных/причинно-следственных связей на реальных данных.
• Языки программирования: уверенный Python (библиотеки NumPy, Pandas, SciPy, Scikit-learn, Statsmodels).
• Байесовский анализ: практические навыки работы с вероятностным программированием (PyMC, Stan, ArviZ, MCMC-сэмплирование, байесовская регрессия).
• Машинное обучение и матстатистика: владение алгоритмами прогнозного моделирования, анализом временных рядов, методами градиентного бустинга (CatBoost, LightGBM), корреляционным и факторным анализом.
• Базы данных и работа с данными: уверенный SQL (сложные агрегации, оконные функции, CTE), навыки проектирования архитектуры реляционных/аналитических БД (PostgreSQL, ClickHouse), понимание принципов нормализации и денормализации данных.
• Инженерия данных: базовые навыки объединения разнородных источников, построения витрин данных и автоматизации выгрузок.