Mittlerer Datenwissenschaftler in Pershiy Ukrayinskiy Mizhnarodniy Bank, AT / PUMB

Qualifikationen und Erfahrung: Höhere Ausbildung in den Bereichen Finanzen und Wirtschaft, Mathematik oder Informationstechnologie. Mindestens 2 Jahre Berufserfahrung im Bereich Data Science/Machine Learning im Bank-, Finanz- oder Informationstechnologiebereich. Mindestens 2 Jahre Erfahrung in der Python-Programmierung ( einschließlich Bibliotheken für maschinelles Lernen (Numpy, Pandas, Scikit-Learn, Pytorch, Seaborn) Erfahrung mit SQL mindestens 2 Jahre (einschließlich Schreiben von Abfragen, Prozeduren und Abfrageoptimierung) Erfahrung mit Versionskontrollsystemen (Github, Gitlab) Fähigkeiten zur Vorbereitung verschiedener Arten von Daten für die Modellierung. Fähigkeiten zum Erlernen klassischer Modelle des maschinellen Lernens (Klassifizierung, Regression, Clustering). Fähigkeiten zur Interpretation von Modellen des maschinellen Lernens. Präsentationsfähigkeiten, einschließlich der verständlichen Erklärung komplexer Konzepte für ein technisch nicht versiertes Publikum. Wünschenswert: Fähigkeiten zur Erstellung von Berichten zur Überwachung der Ergebnisse des Modells mit PowerBI, Tableu, SSRSSkills für den Einsatz von Machine-Learning-ModellenSkills für das Training von Machine-Learning-Modellen auf Basis neuronaler NetzeA/B-Testing-Skills – BigData-SkillsIhre Rolle: Qualitativ hochwertige und zeitnahe Lösung von Geschäftsaufgaben in Richtung Datenanalyse mittels Methoden des maschinellen Lernens, um den maximalen Geschäftseffekt zu erzielen. Regelmäßige Kommunikation mit anderen Abteilungen der Bank, um Aufgaben mit dem Geschäft auf der Grundlage prädiktiver Analysen für die Steigerung des Gewinns der Bank festzulegen. Herunterladen und Aufbereiten von Daten für die Implementierung von Data Science-Modellen zur Lösung relevanter Geschäftsaufgaben Implementierung, Schulung und Interpretation von Data Science-Modellen zur Lösung relevanter Geschäftsaufgaben. Präsentation der erzielten Ergebnisse und Erkenntnisse für Geschäftskunden. Erstellung notwendiger Berichte, Überwachung der Wirksamkeit von Modellen. Unterstützung von Modellen, Generierung von Ideen für deren weitere Verbesserung. Erforschung neuer Modelle und Methoden und Tools zur Lösung von Data Science-Aufgaben, Demonstrationen und Vorträgen basierend auf Forschungsergebnissen für das Team