Data Scientist

• Погружение: разобраться в бизнес контексте, данных и инфраструктуре.
• Анализ текущего решения: изучить существующее решение и найти его слабое место — как в самом подходе, так и в таргете, признаках при наличии.
• R&D: Опробовать разные ML подходы: классификация, кластеризация, uplift и ранжирующие модели, нейросети (можно часть из них). Сравнить имеющееся решение и опробованные
• Валидация: проверить качество offline метриками (AUC/PR, NDCG для ранжирования, uplift метрики и др.), убедиться, что есть статистически значимый прирост в точности
• Итог: написать статью/отчёт со сравнением методов. Если получится — запускаем лучшее решение в прод в параллель с имеющимся и проводим ABC тест.

• Уверенный Python, продвинутый SQL. Базовое понимание PySpark — плюс.
• Классический ML: Хорошие знания алгоритмов. Бустинги, деревья, логистическая и линейная регрессия, кластеризация, uplift и ранжирующие модели (плюс), работа с дисбалансом, калибровка.
• Математика и аналитика: Теория вероятностей, доверительные интервалы, статистические тесты, бутстрэп.

Будет плюсом:

• Опыт с маркетинговыми моделями, моделями склонности, регрессии и временные ряды
• Опыт с гео аналитикой, персонализация, рекомендательные системы
• Опыт с моделями HR, антифрод

Условия:

• Сильное DS community, большое разнообразие рабочих и внерабочих активностей
• Удаленный/гибридный формат работы
• Оформление по ТК РФ
• Оклад + 15% квартальная премия
• Выдача техники - MacBook
• Условия для роста и развития (в т.ч. конференции, тренинги, внутренние программы развития)
• Дружный коллектив единомышленников (все специалисты, занимающиеся машинным обучением объединены одним департаментом для максимально плотного и продуктивного обмена знаниями)
• Возможность решать разнообразные прикладные задачи с выводом в промышленную эксплуатацию, возможность существенно влиять на результат (в т.ч. в бизнес-смысле) и способы его достижения (вплоть до внесения изменений в архитектуру)
• ДМС, страхование жизни