Программисты — удалённая работа в Москве

Data Science, математическая статистика. Разработка с нуля. Разработать скрипт для обработки статистических данных Основная задача Разработка математической модели для расчёта Parameter Score (PCS) и Zone Rating (ZCR) на основе ряда базовых механических параметров (в мм, %, векторных значений и динамических траекторий), включая нормализацию, трансформации и агрегирование. Задачи Нормализация разнородных параметров (мм ? доли длины, % ? приведённые значения). Разработка Curves для каждого параметра (логистические, квадратичные, экспоненциальные). Определение и построение Target Range (CTR) на основе 1K наблюдений. Моделирование расстояний до CTR в многомерном нормализованном пространстве. Расчёт PCS для каждого параметра Построение ZCR через агрегирование PCS с весами и штрафами за outliers. Обработка динамических данных: вариации, траектории, векторные нормы. Интеграция методов обнаружения аномалий: выбросы датчиков, ошибки фаз, несогласованность сигналов. Разработка модулей Python для вычисления PCS/ZCR. Создание FastAPI-сервиса для расчёта PCS и ZCR в режиме реального времени. Методы статистики и матмоделирования (обязательно): 1. Z-score normalization Нормализация по Z-оценке / стандартизация Z-показателем 2. Robust MAD standardization Робастная стандартизация на основе медианного абсолютного отклонения (MAD) 3. Quantile / percentile normalization Квантильная нормализация / нормализация по перцентилям 4. Length scaling Масштабирование по длине / длиновая нормализация 5. Euclidean normalization in multivariate space Евклидова нормализация в многомерном пространстве или более научно: Нормализация через евклидову метрику в мультивариативном пространстве 6. Mahalanobis distance (анализ многомерных выбросов) Расстояние Махаланобиса (для обнаружения многомерных выбросов) 7. Kernel Density Estimation (KDE) Оценка плотности распределения методом ядровых функций (KDE) или коротко: Ядерная оценка плотности 8. Gaussian Mixture Models (GMM) Смеси гауссианов / Гауссовские смешанные модели (GMM) (официальный термин в статистике — «смеси нормальных распределений») 9. Percentile band/interval estimation Оценка перцентильных интервалов / построение перцентильных диапазонов 10. Bootstrapped confidence intervals Доверительные интервалы, рассчитанные методом бутстрапа или коротко: Бутстрап-интервалы доверия 11. Exponential penalty functions Экспоненциальные штрафные функции 12. Logistic and sigmoid scoring transforms Логистические и сигмоидные функции преобразования (скоринговые функции) 13. Piecewise quadratic scoring Кусково-квадратичная скоринговая функция или Кусково-квадратичное преобразование 14. Weighted and penalized mean models Взвешенные и штрафные модели среднего или Модели среднего с весами и штрафами 15. Dynamic variance modeling (DSI — Dynamic Stability Index) Моделирование динамической дисперсии (индекс динамической стабильности, DSI) 16. Time-series smoothing (SG filter / EWMA) Фильтр Савицкого–Голея (SG) Экспоненциально взвешенное скользящее среднее (EWMA) или общее название: Сглаживание временных рядов Требуемый технологический стек: Python: NumPy, SciPy, Pandas Modeling: scikit-learn, statsmodels API: FastAPI, Pydantic Data processing: Jupyter, PyArrow, Polars (желательно) Инженерные навыки: Docker, REST API, работа с большими датасетами Выходные результаты работы Модуль a_pcs.py — вычисление всех PCS. Модуль a_zcr.py — расчёт Zone Score. Модуль ctr_model.py — построение Target Range. FastAPI-сервис api.py — обработка входных данных и возвращение PCS/ZCR. Документация: формулы, методы нормализации, схема пайплайна.