استخدام ML Applied) Junior Data Scientist)

ما در شرکت توسعه تجارت الکترونیک ایرانیان (تاتا) به دنبال یک دانشمند داده­/دانشمند کاربردی یادگیری ماشینِ با استعداد و مشتاق هستیک تا به تیم نوآور ما بپیوندد. اگر به تجزیه و تحلیل داده‌ها، یادگیری ماشین و مدل‌سازی آماری علاقه دارید و به زبان‌های برنامه‌نویسی مانند Python، R، Java یا C++ مسلط هستید، خوشحال می­شویم از شما بشنویم.

 مسئولیت­ها:

·        - همکاری با تیم علم داده جهت طراحی، توسعه و استقرار مدل‌های یادگیری ماشین برای برنامه‌های مختلف.

·        - پیش­پردازش داده­ها، مهندسی ویژگی­ها و آموزش مدل را با استفاده از کتابخانه­هایی مانند NumPy، Pandas، scikit-learn، TensorFlow و PyTorch پیاده سازی کنید.

·        - استفاده از تکنیک­های تحت نظارت، بدون نظارت و یادگیری عمیق برای حل مسائل پیچیده­ی تجزیه و تحلیل داده­ها.

·        - از مهارت­های آماری قوی خود، با تمرکز بر تجزیه و تحلیل داده­های سری زمانی (Time-Series)، برای استخراج بینش و الگوها از داده­های زمانی استفاده کنید.

·        - توسعه و بهینه­سازی سیستم­های توصیه­گر (Recommender System) برای ارائه­ی توصیه­های شخصی به کاربران.

·        - استفاده از تکنیک­های تشخیص ناهنجاری (Anomaly Detection) برای شناسایی و کاهش ناهنجاری­های داده­ها.

·        - از دانش خود در مورد پردازش زبان طبیعی (NLP) و چارچوب­هایی مانند LLM، RAG و پایگاه­های داده­ی Vectorized برای مقابله با چالش­های داده­ی مبتنی بر متن استفاده کنید.

 

الزامات: 

·        - تسلط به حداقل یک زبان برنامه­نویسی مانند پایتون، R، جاوا یا C++، با تمرکز بر تجزیه و تحلیل داده­ها و یادگیری ماشین.

·        - آشنایی با کتابخانه­ها و چارچوب­های کلیدی از جمله NumPy، Pandas، scikit-learn، TensorFlow و PyTorch.

·        - درک قوی از تکنیک­های یادگیری تحت نظارت، بدون نظارت و یادگیریِ عمیق.

·        - دانش خوب از مهارت های آماری، به ویژه در تجزیه و تحلیل داده های سری زمانی.

·        - آشنایی با سیستم­های توصیه­گر و تجربه در ساخت و بهینه­سازی الگوریتم­های توصیه.

·        - درک و تجربه در روش­های تشخیص ناهنجاری و کاربردهای آنها.

·        - آشنایی با تکنیک های NLP و آشنایی با فریم­ورک­هایی مانند LLM، RAG و پایگاه داده­های Vectorized.

صلاحیت ها: 

·        دارای مدرک لیسانس در رشته­های علوم کامپیوتر، مهندسی صنایع، ریاضی، آمار یا رشته­های مرتبط. 

·        سابقه یا کارآموزی قبلی در زمینه مهندسی داده یا فیلد مرتبط دیگر ترجیح داده می­شود. 

·        مهارت­های حل مسئله­ی قوی و اشتیاق به یادگیری و بهبود مستمر. 

·        مهارت­های ارتباطی و همکاری عالی برای کار موثر در یک تیم.