ML-разработчик

Задачи, которые предстоит решать

• Разработка и внедрение моделей машинного обучения для семантического анализа текстовых и веб-данных.
• Построение систем автоматической категоризации и кластеризации контента на основе неструктурированных источников.
• Разработка алгоритмов для генерации кратких текстовых представлений (summary / description) с использованием NLP-подходов.
• Проектирование и оптимизация моделей, работающих с слабо структурированными и шумными данными.
• Построение и анализ графовых представлений данных, выявление связей и закономерностей.

Откликайся на эту вакансию, если

• Практический опыт работы с фреймворками: PyTorch, TensorFlow, Keras.
• Понимание архитектур сверточных нейронных сетей: ResNet, EfficientNet, DenseNet.
• Опыт построения нейронных сетей с нуля и адаптации предобученных моделей.
• Опыт работы с несбалансированными выборками и задачами многоклассовой классификации.
• Практический опыт применения классических алгоритмов машинного обучения на табличных данных (scikit-learn).
• Опыт анализа и предобработка данных с использованием pandas, NumPy.
• Feature engineering, оценка и валидация моделей.
• Опыт построения ETL-пайплайнов для обработки данных и подготовки к обучению моделей.
• Опыт очистки, трансформации и подготовки данных для ML-задач.

Требования

Задачи, которые предстоит решать

• Разработка и внедрение моделей машинного обучения для семантического анализа текстовых и веб-данных.
• Построение систем автоматической категоризации и кластеризации контента на основе неструктурированных источников.
• Разработка алгоритмов для генерации кратких текстовых представлений (summary / description) с использованием NLP-подходов.
• Проектирование и оптимизация моделей, работающих с слабо структурированными и шумными данными.
• Построение и анализ графовых представлений данных, выявление связей и закономерностей.

Откликайся на эту вакансию, если

• Практический опыт работы с фреймворками: PyTorch, TensorFlow, Keras.
• Понимание архитектур сверточных нейронных сетей: ResNet, EfficientNet, DenseNet.
• Опыт построения нейронных сетей с нуля и адаптации предобученных моделей.
• Опыт работы с несбалансированными выборками и задачами многоклассовой классификации.
• Практический опыт применения классических алгоритмов машинного обучения на табличных данных (scikit-learn).
• Опыт анализа и предобработка данных с использованием pandas, NumPy.
• Feature engineering, оценка и валидация моделей.
• Опыт построения ETL-пайплайнов для обработки данных и подготовки к обучению моделей.
• Опыт очистки, трансформации и подготовки данных для ML-задач.