Junior Applied ML Engineer / Data Scientist

Junior Applied ML Engineer / Data Scientist Nedvision.ai - резидент Сколково, МТК Вилка з/п - от 100 тыс Real Estate Investment Scoring Формат: контракт или part-time Ищем перспективного junior / junior+ специалиста, который хочет расти в области Applied ML Engineering: работать с реальными грязными данными, строить признаки и модели, доводить решения до практического использования и постепенно брать на себя больше ответственности. Нам не нужен человек, который уже всё знает. Нам нужен человек, который любит работать с данными, хорошо знает базу, быстро учится, не боится неопределённости и хочет развиваться на живой продуктовой задаче в области инвестиционного скоринга недвижимости. Чем предстоит заниматься Работать с исходными данными по недвижимости: объявления, тексты, цены, геоданные, поведение продавцов, рыночная динамика. Делать EDA: искать закономерности, проверять гипотезы, находить проблемы в данных. Готовить признаки для ML-моделей: текстовые, табличные, временные, географические. Помогать строить модели для оценки инвестиционной привлекательности объектов: рейтинг, справедливая цена, доходность, ликвидность. Участвовать в проверке качества моделей: подбор метрик, validation, анализ ошибок, интерпретация результатов. Разбираться в деградации качества по сегментам: районам, типам объектов, ценовым категориям, периодам. Постепенно брать на себя более сложные задачи: от анализа и прототипов до самостоятельных решений по отдельным частям ML-пайплайна. Помогать структурировать ML-процесс: описывать гипотезы, фиксировать результаты экспериментов, поддерживать воспроизводимость. Что нужно уметь на старте Python на уровне уверенной работы с данными: pandas, numpy, notebooks/scripts. Базовый ML: classification, regression, train/test split, метрики качества, переобучение, leakage. Базовая статистика: распределения, корреляции, проверка гипотез, доверительные интервалы. SQL: выборки, join, group by, оконные функции будут плюсом. Понимание feature engineering: как превращать сырые данные в признаки. Умение аккуратно работать с грязными, неполными и шумными данными. Способность объяснять свои выводы простым языком: что проверяли, что получилось, почему это важно. Готовность разбираться в предметной области, задавать вопросы и доводить задачи до результата. Будет плюсом - Опыт с scikit-learn, CatBoost / LightGBM / XGBoost. - Базовое понимание NLP: embeddings, sentence-transformers, признаки из текстов. - Интерес к геоаналитике: координаты, расстояния, районы, POI, H3, PostGIS / GeoPandas. - Опыт с Airflow / MLflow / experiment tracking. - Опыт работы с marketplace / classifieds / real estate / fintech данными. - Умение использовать AI coding tools для ускорения работы без потери качества. Чему научим - Работать с геоаналитикой в прикладных ML-задачах. - Строить признаки для объектов недвижимости: локация, транспортная доступность, окружение, район, трафик, динамика рынка. - Понимать домен недвижимости: цена, ликвидность, доходность, качество объявления, поведение продавца. - Проверять ML-модели честно: time-based split, backtesting, out-of-time validation, анализ деградации по сегментам. - Доводить ML-решения от гипотезы и прототипа до практического использования в продукте. - Работать с задачами, где нет готового учебного ответа, а нужно думать, проверять и принимать обоснованные решения. Что дадим - Много практики на реальных данных и реальных бизнес-задачах. - Возможность быстро расти в Applied ML Engineering. - Доступ к сильной предметной задаче на стыке ML, недвижимости, геоаналитики и инвестиционного скоринга. - Карт-бланш на обоснованные решения: если гипотеза, подход или инструмент хорошо аргументированы, их можно пробовать. - Возможность брать на себя не только технические, но и смысловые и организационные задачи: формулировать гипотезы, структурировать эксперименты, предлагать улучшения процесса. - Работу в формате контракта или part-time с понятными задачами и постепенным ростом ответственности. Резюме: @••••••