Minimalne kompetencje - bardzo dobra znajomość Python, SQL, (Bardzo) dobre rozumienie zagadnień z obszaru data science i statystyki (regresja i klasyfikacja, klasteryzacja, uczenie nadzorowane i nienadzorowane, bias variance trade off, bootstrap, bagging, boosting, prognozowanie szeregów czasowych, autoregresja etc. (nie musisz znać wszystkich, im więcej tym lepiej.), (Bardzo) dobra znajomość algorytmów uczenia maszynowego: las losowy, drzewa wzmacniane, sieci neuronowe, forecast algorytmami jak LGBM czy XGBoost vs forecast algorytmami wykorzystującymi autoregresję (nie musisz znać wszystkich - im więcej tym lepiej), Znajomość frameworków / bibliotek: Pandas, NumPy, scikit-learn, Statsmodels Matplotlib/Seaborn, LGBM, CatBoost, XGBoost, fb/Prophet, Praktyczne doświadczenie w tworzeniu i wdrażaniu modeli maszynowego uczenia (minimum 2 lata w pracy na podobnym stanowisku), Zorganizowany i zorientowany na cel sposób pracy, umiejętność samodzielnej organizacji pracy oraz efektywnej współpracy w zespołach projektowych, Umiejętność komunikacji i prezentacji interesariuszom w zrozumiały sposób wyników prowadzonych analiz, Wykształcenie bliskie dziedzinie data science - takie kierunki studiów jak: data science, big data, analityka danych, uczenie maszynowe, ekonometria, informatyka i ekonometria, ale też socjologia, psychologia, kognitywistyka o ile zagadnienia zaawansowanej analityki były w programie studiów, Znajomość języka angielskiego na poziomie B2, mile widziana znajomość języka niemieckiego, Znajomość chmury obliczeniowej (Azure / GCP) i frameworków do uprodukcyjniania modeli uczenia maszynowego (np. MLFlow)

platforma grywalizacyjna LIDERSI, dofinansowanie zajęć sportowych, prywatna opieka medyczna, dofinansowanie szkoleń i kursów, ubezpieczenie na życie, możliwość pracy zdalnej, elastyczny czas pracy, owoce, spotkania integracyjne, brak dress code’u, kawa / herbata, napoje, parking dla pracowników, wyprawka dla dziecka, wyprawka szkolna, paczki świąteczne