Data Scientist (Machine Learning)

Data Scientist (Machine Learning)

ЗП – висока, обговорюється в залежності від рівня кандидата.

Місце роботи м. Кропивницький (допомога в релокації) або remote.

Роботодавець – продуктова компанія — web/mobile для закордонного рынку.

Всі проекти зв’язані  з доповненою реальністю.

Проект: APP для market place, що дозволяе в режимі реального часу зробити примірку. Пример: https://www.youtube.com/watch?v=tnH3Ly_4ZB8&ab_channel=ARworks

Основні вимоги:

Знати:

• Принцип роботи комп’ютерних штучних мереж.
• Види та призначення шарів штучних комп’ютерних мереж.
• Мову програмування “Python”.
• Бібліотеку “tensorflow” та її модуль “keras”, “numpy”.
• Володіти кількома середовищами розробки під “Python”.
• Мати уявлення про обсяги даних, які потрібно використати для навчання мережі.
• Методи планування нейронних мереж з огляду на баланс між точністю роботи, швидкодії та використання доступних обчислювальних ресурсів.
• Знати методи покращення стійкості навчання нейронних мереж.
• Знати основні показники якості роботи нейронної мережі та засоби отримання цих показників.
• Знати принципи будови даних, які обробляються та організації цих даних у пам’яті комп’ютера.
• Знати методи та засоби збереження та отримання великої кількості інформації.
• Знати основні чинники, які впливають на швидкість роботи програми з великою кількістю даних.
• Методи доведення репрезентативності даних для навчання мережі.
• Знати про явище перенівчання мережі та знати методи запобігання цього явища.
• Формати чисел: char, float, double, unsigned…
• Методи формування пози людиноподібного мешу, керування позами цього мешу.

Вміти:

• Створювати нейронні мережі власноруч розробленої архітектури.
• Вміти оцінювати швидкість роботи нейронних мереж на етапі їх проектування.
• Із задач, які поставлені нейронній мережі, обирати відповідні види шарів нейронної мережі та їх розміри.
• Розбивати основну задачу на кілька простіших задач.
• Слідкувати за процесом навчання нейронної мережі.
• За плином навчання нейронної мережі прогнозувати остаточну якість навчання.
• Експортувати навчену нейронну мережу в “protobuf” формат для використання в інших проектах.
• Використовувати віддалені сервери для навчання мереж.
• Перенавчати попередньо треновані нейронні мережі.
• Проводити доведення правильності роботи мережі.