Инженер по анализу данных

В настоящее время ФГАУ «НИИ «ЦЭПП» расширяет команду профессионалов и приглашает на работу Аналитика данных для разработки и внедрения математических моделей для систем автоматического контроля и управления для различных отраслей промышленности

Обязанности:

• поиск необходимых данных и анализ качества данных;
• подготовка данных для эксперимента;
• постановка и проведение экспериментов с моделями (начиная с линейной регрессии МНК до многослойных нейронных сетей), выбор наилучшего подхода/метода;
• проведение имитационного моделирования;
• выбор и обоснование метрики оценки качества;
• написание чистого кода и выведение модели в работу;
• презентация и защита результатов исследования;
• интеграция моделей в информационную систему. Ввод модели в промышленную эксплуатацию;
• разработка отчетов, инструкций, технической и сопроводительной документации.

• Высшее техническое/математическое образование по отраслям промышленности (знание производственных процессов химической или металлургической промышленности, или энергетики - будет являться преимуществом);
• Знание языков программирования Python, R;
• Знание сред имитационного моделирования SimInTech, Ansys и др.;
• знание методов математического и численного моделирования, машинного обучения, статистического анализа, оптимизации;
• понимание задач регрессии, классификации, кластеризации, прогнозирования временных рядов.

Условия:

• Место работы: г. Москва, м. Серпуховская
• График работы:5/2, 9.00-18.00
• Испытательный срок - 3 месяца
• Оформление согласно ТК РФ с первого дня
• Своевременная выплата заработной платы 2 раза в месяц
• ДМС

Чем придется заниматься Инженеру по анализу данных:

1. Формирование запросов к разным базам данных и выгрузка данных в датасет;
2. Статистический анализ данных (работа с пропусками, выбросами, аномалиями, задвоением значений, переквантование и достоверизация значений и т.д.) на языке Python или R;
3. Преобразование, обогащение и трансформация данных (уменьшение размерности, выравнивание классов, кластеризация, генерация признаков, оценка важности признаков и т.д.) на языке Python или R;
4. Обучение моделей регрессии, классификации разными алгоритмами и рекуррентных нейросетей. Настройка гиперпараметров на языке Python или R;
5. Проверка моделей. Оценка по выбранной метрике, расчет погрешности;
6. Моделирование поведения модели при разных входных значениях. Выбор наилучшей реализации. Сериализация модели;
7. Встраивание модели в сервер приложения к внешним устройствам (ПЛК, сервера) в программе AggreGate SCADA/HMI;
8. Развертывание проекта, ПНР, ввод автоматизированной системы в промышленную эксплуатацию;
9. Разработка отчетов, инструкций, технической и сопроводительной документации;
10. Оформление аналитических и исследовательских описаний, руководств по анализу и моделированию данных.