Стажер Data Scientist (Classic ML)

Сейчас мы ищем стажеров в команду разработки и улучшения классических ML-моделей для прогнозирования заказов, нагрузки и оттока курьеров, персонализированных коммуникаций и скидок, а также оптимизации логистики.

Стек технологий:

• Разработка: Python, Git, FastAPI, GitLab, Docker, Prometheus, Grafana.

• ML инфраструктура: JupyterHub, MLFlow, Airflow.

• ML: Scikit-learn, XGBoost, LightGBM, CatBoost, Optuna/Hyperopt, SciPy.

• Данные: SQL (PostgreSQL/ClickHouse/GreenPlum), S3, Polars, Pandas, NumPy.

• Процессы: Jira, Confluence.

Обязательные навыки и знания:

• Знания и умение работать с Python, ООП.

• Умение работать с git.

• Знания в области классического ML: линейная/логистическая регрессия, деревья решений, методы кластеризации, оптимизации, градиентный бустинг, различные виды лесов.

• Знание каких-либо библиотек классического ML (Scikit-learn, XGBoost, LightGBM, CatBoost)

• Понимание основных метрик качества моделей (accuracy, precision, recall, F1, ROC-AUC, RMSE, MAE) и методов валидации (кросс-валидация, train/test split).

• Уверенное владение SQL и Python для анализа данных (Polars, Pandas, NumPy, JupyterHub).

• Знание основ feature engineering, отбора признаков и работы с пропущенными значениями.

Навыки которые будут плюсом:

• Знакомство с фреймворками для оптимизации гиперпараметров (Optuna, Hyperopt).

• Базовое понимание концепций A/B-тестирования.

• Обучение и инференс классических ML алгоритмов на GPU.

• Прогнозирование временных рядов: декомпозиция, кросс-валидация во времени, базовые модели (AR, сглаживание).

• Uplift-моделирование: понимание отличий от классификации, типы клиентов.

• Рекомендательные системы: виды фидбека, базовые подходы (collaborative, content-based), метрики ранжирования (Precision@k, NDCG).

• Оптимизация: базовые алгоритмы (жадные, графовые), понимание постановок задач.

Задачи:

• Сбор, постановка задачи разметки, предобработка, EDA данных, выбор offline/online метрик

• Составление и согласование дизайна ML решения

• Обучение классических ML моделей

• Продуктовизация (пайплайны данных, перетренировка)

Процесс отбора на стажировку выглядит так:

• резюме и короткая анкета в ответ;

• тестовое задание объемом ~3 часа;

• интервью с командой;

• предложение работы.

Наши стажировки оплачиваемые, длятся 3 месяца или дольше, 30-40 рабочих часов в неделю в гибком графике.

Вы будете постепенно включаться в реальные процессы разработки ML моделей: от выполнения небольших, хорошо структурированных задач, под присмотром опытного наставника до участия в обсуждении архитектуры и принятия решений. В конце стажировки сможете работать с проектами на уровне junior+ рDS, понимать бизнес-задачи и вносить осознанный вклад в развитие платформы.