Data Scientist

Требования: — Уверенное знание Python и SQL; — Хорошее понимание методов машинного обучения и математической статистики, включая линейные модели, Random Forest, градиентный бустинг; — Практический опыт работы с временными рядами: подготовка данных, прогнозирование, оценка качества и кросс-валидация; — Опыт работы с библиотеками градиентного бустинга: XGBoost, LightGBM или CatBoost; — Знание методов математической и дискретной оптимизации: LP, MILP / MIP; — Практический опыт работы хотя бы с одним из инструментов оптимизации: Pyomo, OR-Tools, PuLP или аналоги; — Опыт использования оптимизационных решателей: Gurobi, CPLEX, SCIP, COPT, GLPK или аналоги; — Опыт разработки ML-решений от анализа данных и построения модели до рабочего прототипа; — Уверенное владение Git. Желательно: — Опыт применения продвинутых моделей прогнозирования временных рядов: Prophet, LSTM, DeepAR или аналогов; — Опыт работы с большими данными и Data-инфраструктурой: Spark / PySpark, S3; — Опыт интеграции ML-моделей в сервисы и понимание базового MLOps: FastAPI, Docker, CI/CD, KubeFlow или аналоги; — Опыт написания unit- и integration-тестов, понимание ООП; — Опыт в FMCG / Supply Chain / Demand Planning / Forecasting / ERP / APS. Задачи: — Сбор, очистка и подготовка данных из различных источников для дальнейшего анализа; — Проведение первичного анализа данных: выявление закономерностей и аномалий, создание визуализаций; — Разработка и внедрение моделей машинного обучения (включая регрессию, классификацию и кластеризацию), особый фокус на разработку моделей, связанных с временными рядами; — Разработка оптимизатора, основанного на линейной и смешанно-целочисленной оптимизации, LP, MILP; — Оценка качества моделей, настройка гиперпараметров и проведение кросс-валидации; — Участие в интеграции моделей в бизнес-процессы компании; — Подготовка аналитических отчетов; — Эффективное взаимодействие с представителями бизнеса и техническими командами; — Улучшение текущих подходов и изучение новых инструментов и алгоритмов.