Разработка ML - математических моделей предсказывающих сумму потенциального убытка по страхованию ДМС
Полный цикл построения математических моделей от подготовки данных до расчёта финансового результата и подготовки технического задания на внедрение.
Сбор и подготовка данных, первичный анализ.
Обсуждение потенциальных фичей с экспертами предметной области, анализ фичей и фича-инжиниринг.
Построение различных типов моделей их сравнение, подбор гиперпараметров.
Презентация результатов заказчику.
Подготовка к внедрению.
Типовые задачи: построение моделей прогнозирования убытка (Частота/Тяжесть), моделей противодействия мошенничеству, моделей динамического ценообразования, моделей пролонгации.
Основные используемые типы моделей: GLM, градиентный бустинг (XGBoost, CatBoost), логистические регрессии, любые другие типы моделей которые покажут свою эффективность на ретро данных.
ЧТО МЫ ЖДЁМ:
Законченное высшее образование (МГУ, МФТИ, МГТУ, МИФИ).
Знание методов машинного обучения.
Опыт обработки больших объемов данных.
Знания SQL, Python (уровень не ниже middle, senior), и библиотек для ML (CatBoost, Statsmodels, Pandas, Scikit Learn, SciPy).
Опыт работы от 2 лет в data science.
Опыт работы в финансовом секторе (страховые компании, банки) будет дополнительным преимуществом для соискателей.
Уверенные знания высшей математики, теории вероятностей и базовые знания статистики.
Знания и навыки практического применения методов статистического анализа данных.