Middle Data Scientist

October 18, 2026

Middle

hh.ru

Keep in mind

Citizenship requirement applies

Description

Требуется Middle Data Scientist для разработки, валидации и внедрения классических моделей машинного обучения: классификация, регрессия, прогнозирование, оценка рисков и сегментация клиентов. Специалист будет проводить EDA, готовить и очищать данные, экспериментировать с гиперпараметрами, мониторить data drift и документировать результаты, взаимодействуя с Data Engineers и MLOps-инженерами.

Responsibilities

Разработка, обучение, валидация, оптимизация и оценка классических моделей машинного обучения для решения бизнес-задач, включая классификацию, регрессию, прогнозирование, оценку рисков, сегментацию клиентов и выявление подозрительной активности
Анализ структурированных данных из хранилищ данных, внутренних информационных систем и других источников
Проведение исследовательского анализа данных для выявления закономерностей, тенденций и аномалий
Подготовка наборов данных: очистка, предварительная обработка, создание и отбор признаков
Проведение экспериментов, настройка гиперпараметров, сравнение алгоритмов и оценка моделей с использованием соответствующих метрик
Взаимодействие с инженерами данных и инженерами по MLOps при внедрении моделей в промышленную эксплуатацию и обеспечении их дальнейшей работы
Мониторинг качества моделей, выявление изменений в распределении данных и снижения эффективности моделей, участие в их повторном обучении
Документирование экспериментов, результатов работы моделей и аналитических выводов

Requirements

Наличие высшего образования
Опыт работы от 1 до 3 лет на позиции Data Scientist или ML Engineer
Уверенное владение Python и SQL
Практический опыт работы с классическими алгоритмами машинного обучения, включая классификацию, регрессию и предиктивную аналитику
Знание Logistic Regression, Decision Trees, Random Forest, Gradient Boosting, XGBoost, LightGBM и CatBoost
Понимание методов выявления аномалий, включая Isolation Forest, Local Outlier Factor и статистические подходы
Уверенное владение библиотеками Pandas, NumPy, Scikit-learn и инструментами визуализации данных
Опыт создания признаков, предварительной обработки данных и работы с несбалансированными наборами данных
Знание теории вероятностей, математической статистики и проверки статистических гипотез
Понимание метрик оценки моделей: Precision, Recall, F1-score, ROC-AUC, PR-AUC, MAE и RMSE
Знание методов кросс-валидации, оптимизации гиперпараметров, предотвращения переобучения и интерпретации моделей
Опыт работы с реляционными базами данных, такими как PostgreSQL, ClickHouse, MS SQL или аналогичными системами
Умение интерпретировать результаты работы моделей и представлять выводы заинтересованным сторонам со стороны бизнеса
Будет преимуществом: опыт прогнозирования временных рядов и построения предиктивных моделей, продвинутые методы выявления аномалий и мошенничества, оценка рисков и систем раннего предупреждения
Будет преимуществом: опыт работы с инструментами интерпретации моделей SHAP и LIME, а также управления экспериментами MLflow, DVC и Optuna
Будет преимуществом: базовое понимание MLOps, Docker, Airflow и процессов внедрения моделей в эксплуатацию
Будет преимуществом: опыт работы с PySpark или распределённой обработкой данных
Будет преимуществом: опыт работы с финансовыми, государственными, медицинскими данными или данными страховых организаций, а также с конфиденциальными данными в закрытой инфраструктуре on-premise