Data scientist — удалённая работа в Москве

Доработка существующего продукта. Feature Engineering (ключевая область) Проектирование, разработка и валидация признаков для моделей. Работа с различными типами данных: Структурированные данные (объявления) нормализация параметров: площадь, цена, ставка аренды производные признаки: цена за м? отклонение от медианы по рынку обработка пропусков и шума Текстовые данные (NLP) извлечение сигналов из: описаний заголовков признаки: наличие “триггеров” (срочная продажа, торг и т.д.) embeddings текстов очистка и нормализация текстов Геопризнаки генерация spatial features: плотность POI транспортная доступность пешеходный/автомобильный трафик агрегации по зонам (H3/районы) distance-based признаки Временные признаки динамика: цены экспонирование объявления сезонность time-to-sell Поведенческие и рыночные признаки частота появления объектов повторные публикации активность продавца Важные аспекты: борьба с data leakage устойчивость признаков во времени интерпретируемость влияние на бизнес-метрики 2. Построение моделей скоринга разработка моделей: инвестиционного рейтинга прогнозирования доходности оценки справедливой цены построение ансамблей моделей 3. Антифэйк и качество данных детекция: фейковых объявлений выбросов (аномально дешевые/дорогие объекты) разработка механизмов trust score объявлений 4. Работа с дубликатами построение similarity моделей: embeddings (text + structured) clustering объявлений 5. Геоаналитика построение признаков: плотность POI транспортная доступность трафик spatial clustering районов влияние окружения на цену/ликвидность 6. NLP задачи извлечение признаков из: описаний заголовков классификация и нормализация текстов 7. Исследование данных (EDA) поиск закономерностей формирование гипотез влияние факторов на инвестиционную привлекательность 8. Валидация моделей offline метрики дизайн A/B тестов интерпретация моделей (feature importance) 9. Работа с продом (в связке с Python Dev) постановка требований к ML pipeline участие в внедрении моделей контроль качества после деплоя, проектирование инструментов контроля качества (drift, деградация) Требования к знаниям и навыкам Обязательные ML / Data Science уверенные знания: классификация регрессия ансамбли (GBM, XGBoost, LightGBM, CatBoost) опыт feature engineering (ключевой навык) работа с несбалансированными данными anomaly detection Python stack pandas, numpy scikit-learn опыт работы с пайплайнами Работа с данными SQL (обязательно) опыт работы с “грязными” данными понимание data leakage Статистика проверка гипотез доверительные интервалы A/B тесты Геоаналитика H3 / GeoPandas / PostGIS spatial features NLP embeddings (BERT, sentence-transformers) opensource / frontier LLM работа с текстами объявлений Similarity / Matching cosine similarity ANN (FAISS и аналоги) Time-series / forecasting прогноз ликвидности динамика цен Интерпретируемость SHAP / feature importance объяснимый ML Требования к опыту Минимум: 5+ лет в Data Science Обязательно: опыт production ML опыт работы с: marketplace / classifieds / real estate / fintech или любыми messy данными с большим шумом Очень желательно: опыт антифэйк / антифрод опыт скоринговых моделей опыт работы с пользовательской ценностью (а не только accuracy).

Обработка данных исследования. Проведено исследование по 5 методикам у 54 респондентов.

Помочь разобраться. Нужна помощь в методологии расчета некоторых показателей.

Data Science. Настройка.

Разработка с нуля.

Исследовательская работа. Пожелания и особенности: Здравствуйте! Нужна консультация опытного аналитика. Я исследую в магистратуре демографические процессы, и модели работают не так как нужно (по логике) нужно проверить код и проконсультировать меня. Анализ проводится в среде R. Логит регрессии.