Обязанности | Математическая база: Линейная алгебра, теория вероятностей, математическая статистика, оптимизация; Понимание основ машинного обучения (ML) и глубокого обучения (DL). Программирование и ML-фреймворки: Опыт работы с Python и основными библиотеками (NumPy, Pandas, Scikit-learn); Знание фреймворков для глубокого обучения (TensorFlow, PyTorch, Keras); Умение работать с Jupyter Notebook, Colab. Обработка данных (Data Processing): Опыт работы с большими данными (SQL, Spark, Hadoop); Навыки очистки, обработки и визуализации данных (Matplotlib, Seaborn, Plotly); Знание Feature Engineering и методов работы с несбалансированными данными. Алгоритмы ML/DL: Понимание и применение классических алгоритмов (линейная регрессия, SVM, деревья решений, ансамбли); Опыт работы с нейросетевыми архитектурами (CNN, RNN, Transformers, GAN); Знание NLP (BERT, GPT, spaCy, NLTK) или Computer Vision (OpenCV, YOLO, Detectron2) в зависимости от специализации. ML Ops и продакшн: Умение развертывать ML-модели (Flask, FastAPI, Docker); Опыт работы с облачными ML-сервисами (AWS SageMaker, Google Vertex AI, Azure ML); Знание мониторинга моделей (MLflow, Kubeflow, Evidently). Оценка и оптимизация моделей: Метрики качества (Accuracy, Precision, Recall, F1, ROC-AUC, MSE); Гиперпараметрическая оптимизация (Optuna, Hyperopt); Интерпретируемость моделей (SHAP, LIME). |