Nedvision.ai
Junior Applied ML Engineer / Data Scientist
1w ago
100000 RUBRussiaJuniorpythonpandasnumpysqlscikit-learncatboostlightgbmxgboost
Ищем перспективного junior / junior+ специалиста, который хочет расти в области Applied ML Engineering, работать с реальными грязными данными и строить модели для инвестиционного скоринга недвижимости.
About the company
- Nedvision.ai - резидент Сколково, МТК
About the product
- Real Estate Investment Scoring
- Доступ к сильной предметной задаче на стыке ML, недвижимости, геоаналитики и инвестиционного скоринга
Responsibilities
- 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.
Requirements
- 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.
Nice to have
- 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.
Responsibilities
- 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.
Conditions
- Много практики на реальных данных и реальных бизнес-задачах.
- Возможность быстро расти в Applied ML Engineering.
- 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.
Found in@datasciencejobs,@datascienceml_jobs