Возможности профессионального развития и карьерного роста.
Вам предстоит:
Проектирование баз данных: создание структуры хранения данных, сборка и объединение разрозненных источников (показания датчиков, журналы систем, внешние параметры) в единые аналитические витрины.
Исследование массивов данных: проведение детального разведочного анализа (EDA), выявление аномалий, расчет корреляций, взаимных влияний и лаговых эффектов между параметрами.
Прогнозное моделирование: разработка, валидация и калибровка моделей машинного обучения для прогнозирования целевых показателей технологического процесса.
Применение Байес-методов: построение вероятностных моделей для оценки рисков и доверительных интервалов в условиях неполноты информации или высокой зашумленности данных.
Мы ожидаем:
Образование: оконченное высшее образование по направлениям: Прикладная математика, Математическая статистика, Компьютерные науки, Мехмат, Физтех (приоритет выпускникам сильных математических школ — МГУ, МФТИ, НИУ ВШЭ, СПбГУ, НГУ и профильных технических вузов).
Стаж: от 1 до 3 лет коммерческого опыта в сфере анализа данных, Data Science или прикладного математического моделирования.
Опыт успешного объединения разрозненных и «грязных» массивов данных в единую консистентную базу.
Практический опыт решения задач прогнозирования и поиска корреляционных/причинно-следственных связей на реальных данных.
Языки программирования: уверенный Python (библиотеки NumPy, Pandas, SciPy, Scikit-learn, Statsmodels).
Байесовский анализ: практические навыки работы с вероятностным программированием (PyMC, Stan, ArviZ, MCMC-сэмплирование, байесовская регрессия).
Машинное обучение и матстатистика: владение алгоритмами прогнозного моделирования, анализом временных рядов, методами градиентного бустинга (CatBoost, LightGBM), корреляционным и факторным анализом.
Базы данных и работа с данными: уверенный SQL (сложные агрегации, оконные функции, CTE), навыки проектирования архитектуры реляционных/аналитических БД (PostgreSQL, ClickHouse), понимание принципов нормализации и денормализации данных.
Инженерия данных: базовые навыки объединения разнородных источников, построения витрин данных и автоматизации выгрузок.