Middle Data Scientist в Top Human ( Топ Хьюман) Астана

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 статистических гипотез. Понимание метрик оценки моделей: Precision, Recall, F1-score, ROC-AUC, PR-AUC, MAE и RMSE.

• Знание методов кросс-валидации, оптимизации гиперпараметров, предотвращения переобучения и интерпретации моделей.

• Опыт работы с реляционными базами данных, такими как PostgreSQL, ClickHouse, MS SQL или аналогичными системами.

• Умение интерпретировать результаты работы моделей и представлять выводы заинтересованным сторонам со стороны бизнеса.

Будет преимуществом

• Опыт прогнозирования временных рядов и построения предиктивных моделей либо применения продвинутых методов выявления аномалий и мошенничества, оценки рисков и построения систем раннего предупреждения.

• Опыт работы с инструментами интерпретации моделей, такими как SHAP и LIME, или инструментами управления экспериментами, такими как MLflow, DVC и Optuna.

• Базовое понимание MLOps, Docker, Airflow и процессов внедрения моделей в эксплуатацию. Опыт работы с PySpark или распределённой обработкой данных.

• Опыт работы с финансовыми, государственными, медицинскими данными или данными страховых организаций, а также с конфиденциальными данными в закрытой инфраструктуре или среде on-premise