F6·Москва (м. Пролетарская)·21 сент.
ML-разработчик
280 000 – 400 000 ₽
на 21% выше медианы рынка
≈ 3,4 тыс.–4,8 тыс. $
🔄 ГибридSeniorПолная занятость
Стоит ли откликаться
Стоит откликнуться
Платят на 21% больше медианы похожих вакансий.
3 из 4 в норме
7 обязательных навыков: сколько из них закрывает ваше резюме
Деньги
Середина вилки 340 000 ₽: на 21% выше медианы похожих вакансий (280 000 ₽).
- Не сказано, это сумма на руки или до вычета НДФЛ: разница от 13%.
Живость
Вакансия у нас недавно, судить о живости пока рано.
Описание
Обязанности: 5, требования: 9. Понятно, что за работа, ещё до отклика.
- Не сказано
- сколько дней в офисе
Что требуют
ОбязательноMLPyTorchTensorFlowscikit-learnPandasNumPyNLP
Надбавка к зарплате на этом уровне: ML +43%.
Полный разбор в Pro
Это короткий разбор. В Pro полный: под эту вакансию и ваше резюме
Сколько просить
Не продешевите: сумма под ваше резюме, нижняя граница и готовые фразы для торга
Ваше резюме против требований
Пройдёт ли ваше резюме фильтр: что совпало с требованиями и что дописать до отклика
Спросить у работодателя
Что стоит спросить: вопросы именно к этой вакансии для первого созвона
Когда откликаться
Стоит ли спешить: за сколько дней эта компания обычно закрывает вакансии
30 дней Pro: полный разбор каждой вакансииЧто ещё входит в Pro
Чем предстоит заниматься
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 со слабо структурированными и шумными данными
Построение и анализ графовых представлений данных, выявление связей и закономерностей
Наши требования
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 предобработки 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
Технологии и навыки
Мы против мошенников на площадке: если тебя просят заплатить, продиктовать код или установить непонятное приложение, прекращай общение и сразу пиши нам (чат с основателем или форма обратной связи).