Senior ML engineer / Data Scientist

✅ Обязательные квалификации:

Сильный опыт в прикладной статистике со знанием:

Моделей подсчета событий: Пуассоновские модели, отрицательное биномиальное распределение, модели с нулевой инфляцией (Zero-Inflated)

Моделирование избыточной дисперсии и вариативности для временных рядов или данных с редкими событиями

Иерархические модели / модели с частичным объединением данных для несбалансированных кластерных данных

Опыт построения вероятностных прогнозов на дискретные временные интервалы (например, почасовые или ежедневные)

Навыки генерации признаков с использованием календарных данных, факторов недавности и сезонности

Опыт работы с методами градиентного бустинга (LightGBM, XGBoost) как для задач регрессии, так и классификации

Способность количественно оценивать надежность прогнозов, калибровочную ошибку и создавать доверительные или прогнозные интервалы

Уверенные навыки моделирования, согласованные с симуляциями, включая:

Генерацию стохастических исходов (бинарных и непрерывных) для использования в симуляциях методом Монте-Карло (must-have)

Моделирование риска отказов и вероятностей жизнеспособности путей

Доказанная способность снижать ошибки прогнозов в условиях нестабильных или сильно перекошенных распределений данных

Опыт моделирования редких событий и работы с сильным дисбалансом классов

Дисквалифицирующие признаки:

Рекомендует использование LSTM или глубоких последовательностных моделей для данных, охватывающих менее 6 месяцев редких событий

Считает, что точечные прогнозы достаточны без моделирования неопределенности

Не учитывает последующее использование прогнозов при принятии решений или при оценке их внедрения

Считает достаточными такие метрики, как MAE/RMSE, без контекстной валидации производительности

Игнорирует статистические базовые модели или считает эмпирические модели устаревшими

Желательные (необязательные) навыки:

Опыт работы с инструментами байесовского моделирования (например, PyMC3, Stan)

Знание методов процентильного биннинга, квантильной регрессии или распределительных прогнозов

Понимание взаимодействия прогнозных моделей с движками планирования или маршрутизации

Опыт работы с кластеризованными пространственно-временными данными или прогнозированием на основе маршрутов