Cientista de Dados - Sao Paulo, Brasil - NEXMUV

NEXMUV

Empresa verificada

Sao Paulo, Brasil

há 3 semanas

Postado por:

Ana Silva

beBee Recruiter

Descrição

Essa posição deve ser responsável por construir toda a cadeia relacionada a estruturação e implantação de projetos de Machine Learning, passando pela coleta, tratamento e preparação de dados, indução de modelos estatísticos e matemáticos, monitoramento de performance das entregas e aplicação de conceitos de engenharia de software para orquestrar sistemas autônomos baseados em dados
Cientista de Dados1681PJ

Requisitos:

Informática:

Análise de Dados
Avançado
Obrigatório

Experiências e qualificações:

Implantação de modelos e sistemas de Machine Learning;
Manutenção da performance estatística dos modelos da prateleira;
Operação da esteira de modelos de machine learning
Desenho de solução E2E usando pipelines e containers onpremisses e Cloud
Experiência: 3 a 5 anos de experiência em função relacionada à inteligência baseada em dados, ciência de dados e/ou estatística. Experiência no trabalho com grandes volumes de dados, dados desestruturados e movimentação de dados
Conhecimentos Específicos:
Engenharia de Software: Desenvolvimento de aplicações com requisitos produtivos de monitoração, alarmes, depuração, alta disponibilidade e integrados com projetos de machine learning;
Estruturação de Projetos de

Machine Learning:
Substituição de uma atividade "humana" simples com modelos de Machine Learning, estabelecendo objetivos, métricas e com desempenho similar a um humano;

Estruturação dos processos de coleta, limpeza dos dados, transformação e técnicas de otimização de modelos, viabilizando a construção de modelos de Machine Learning adequados ao tempo e recursos disponíveis;
Supervised and Unsupervised Learning
Reinforcement Learning. Hybrid Learning Problems
Compreender e resolver problemas de Overfitting e Underfitting
Algoritmos: Recomendação; Classificação: Regressão Linear, Regressão Logistica ; Clusterização: Kmeans e Hierarquica ; Support Vector Machines ; Random Forest ; Redes Neurais e Deep Learning ; Ajustes de Hiperparâmetros, Regularização e Otimização ; Redes Neurais
Linguagens: Python, R, Scala, Java
Frameworks / Bibliotecas: Pandas, numpy, scikitlearn, tensorflow, keras, matplotlib, seaborn