ИТ-ИМПЛАНТ - аккредитованный системный интегратор, специализирующийся на заказной разработке и внедрении индивидуальных ИТ-решений для бизнеса.
Миссия компании:
Для компаний: Дать возможность сильным компаниям увеличиваться, благодаря аутстаффингу эффективных IT-специалистов.
Для соискателей: Дать возможность трудоустройства сильным соискателям в передовые компании на выгодных условиях труда.
Для нашей команды: Обеспечить рост благополучия всех членов команды, благодаря возможности зарабатывать, самосовершенствоваться и развиваться в рамках компании.
*Проекты и стеки разные, откликайтесь!
Чем предстоит заниматься:
Участвовать в полном цикле data science проектов: от сбора данных и исследования до внедрения моделей в production.
Проводить разведочный анализ данных (EDA), выявлять закономерности и формулировать гипотезы.
Разрабатывать, обучать, валидировать и внедрять ML-модели (классификация, регрессия, кластеризация, рекомендательные системы и т.д.).
Создавать и поддерживать пайплайны обработки данных и признаков (feature engineering).
Визуализировать данные и результаты работы моделей для технических и бизнес-команд.
Тесно сотрудничать с product-менеджерами, аналитиками и инженерами для понимания бизнес-задач и их перевода на язык данных.
Мы ожидаем, что у вас есть:
Опыт коммерческой работы на позиции Data Scientist / ML Engineer от [3] лет.
Глубокие знания Python и основных библиотек (Pandas, NumPy, Scikit-learn).
Опыт работы с SQL (написание сложных запросов).
Понимание основ машинного обучения, статистики и теории вероятностей.
Опыт работы с одним из фреймворков для глубокого обучения (PyTorch, TensorFlow, Keras) — будет плюсом.
Знакомство с инструментами визуализации (Matplotlib, Seaborn, Plotly) и/или BI-системами (Tableau, Power BI, Superset).
Опыт работы с Git.
Умение четко доносить сложные идеи до разных аудиторий.
Навыки решения задач и ориентированность на результат.
Будет значительным преимуществом:
Опыт работы с большими данными (Spark, Hadoop).
Знание контейнеризации (Docker) и основ MLOps.
Опыт развертывания моделей (Flask/FastAPI, облачные сервисы: GCP, AWS, Azure).
Публикации, проекты на Kaggle или профиль на GitHub с примерами кода.
Что педлагаем:
