- Полный цикл процесса сбора, очистки и подготовки данных для обеспечения качества датасетов для обучения моделей. - Проведение feature engineering для улучшения эффективности алгоритмов машинного обучения. - Разработка, валидация и внедрение скоринговых моделей кредитных рисков для оптимизации принятия решений. - Проектирование и внедрение продвинутых поведенческих и моделей временных рядов для прогнозирования ключевых бизнес-показателей, таких как денежные потоки и поведение клиентов. - Анализ аудиодиалогов, автоматизации оценки качества обслуживания и извлечения инсайтов. - Создание и поддержка системы мониторинга для отслеживания производительности и стабильности внедренных скоринговых моделей. - Создание детализированных аналитических отчетов для предоставления инсайтов по работе моделей и бизнес-тенденций. Технические навыки и инструменты: - SQL: ClickHouse. - Python: Pandas, SciPy, Scikit-Learn, CatBoost, LightGBM, Darts, PyTorch, FastAPI и пр. - Audio: Librosa, PyDub, Speech-to-Text API, Whisper, Pyannote. - LLM: OpenAI API, LangChain, Prompt Engineering, RAG. - Tableau. - Airflow. - ClearML. - Linux, Git и Docker.

Основные задачи: - сбор и подготовка данных для обучения моделей, feature engineering; - построение и валидация скоринговых моделей; - построение и валидация моделей на основе временных рядов; - создание системы мониторинга скоринговых моделей; - создание аналитических отчётов. Технические навыки: - SQL: ClickHouse, PostgreSQL. - Python: pandas, scipy, sklearn, catboost, pytorch, etc. - Tableau. - Airflow. - ClearML. - Git, Docker.

1. Осуществление код-ревью на предмет выполнения задач по подготовке данных и их анализу. 2. Оценка кода студентов на соответствие техническим требованиям задач курса. 3. Предоставление обратной связи и предоставление рекомендаций в исправлении ошибок и улучшении качества проектируемых моделей машинного обучения. 5. Оценка и контроль соблюдения стандартов программирования. 6. Обучение новым приемам и методикам разработки и анализа данных.

- Поиск, отбор и критическая оценка релевантных данных из научных статей и патентной литературы. - Структурирование и внесение проверенной информации в базу данных с соблюдением внутренних стандартов и протоколов. - Поддержание актуальности и достоверности научной информации для исследовательских и прикладных задач.

Научные исследования в области разработки и постановки на производство лекарственных средств, фармацевтических субстанций, биологически активных добавок к пище, биопрепаратов для сельского хозяйства и пищевой промышленности. Ключевые навыки: 1. Планирование научно-исследовательской работы. 2. Руководство исследованиями. 3. Работа с научной литературой и научными базами данных. 4. Написание публикаций, участие в конференциях. 5. Статистический анализ и визуализация данных. 6. Интерпретация полученных результатов и подготовка отчетов.