Технический аналитик

Базовые понятия искусственного интеллекта и Big Data;
подходы, принципы и инструменты продуктовой аналитики;
аналитический инструментарий и перспективные методики технологий больших данных

Анализировать широкий спектр информации и данных с целью повышения эффективности конкретных ресурсов/процессов или внедрения решений по автоматизации;
проводить исследования поискового и аналитического характера с помощью инструментов технического анализа на основе методов и техник анализа больших данных;
создавать и внедрять математические и информационные модели в зависимости от целей аналитических исследований;
проектировать технические решения проектов в сфере информационных технологий и обеспечивать их поддержку на протяжении всего жизненного цикла

Навыками анализа финансовых и продуктовых метрик и поиска «слабых» мест;
навыками решения ситуационных аналитических задач с использованием алгоритмов искусственного интеллекта и инструментов визуализации

Отличительные особенности машинного обучения, нейронных сетей, глубокого обучения и EDA;
методы машинного обучения для решения задач;
преимущества организации MPP-СУБД для хранения и аналитической обработки больших данных

Проводить анализ требований и определять необходимые классы задач машинного обучения;
создавать и внедрять математические и информационные модели в зависимости от целей аналитических исследований

навыками использования методов построения моделей машинного обучения и нейронных сетей;
навыками использования фреймворков PyTorch, TensorFlow и Keras для глубокого и машинного обучения нейронных сетей;
навыками использования фреймворков Scikit-learn, Scipy для обучения моделей машинного обучения

Основные понятия и базовые алгоритмы в области анализа данных и машинного обучения;
назначение и возможности библиотек SEABORN, PlotLy и Matplotlib;
ключевые компоненты и парадигмы Hadoop;
подходы и принципы работы с базами данных NoSQL;
приемы и принципы управления СУБД на основе языка запросов SQL;
основные функции и инструменты процесса ETL;
преимущества организации MPP-СУБД для хранения и аналитической обработки больших данных;
особенности и архитектуру СУБД Postgres;
BI-инструменты

Разрабатывать алгоритмы прикладных решений на основе ИИ с использованием языка программирования и библиотек Python;
осуществлять решение прикладных задач с использованием SQL-базы данных;
применять графовые модели анализа данных;
применять технику визуализации для интеллектуального анализа данных

навыками разведочного, описательного и исследовательского анализа данных с использованием языка Python и его инструментальных средств для расчета показателей;
навыками разработки таблиц в СУБД Postgres и управления ими с помощью Dbeaver;
навыками использования математических методов анализа и обработки технологической информации

Технологии глубокого обучения;
классические модели машинного обучения и популярные архитектуры нейронных сетей;
архитектуру нейронных сетей, сверточные и рекуррентные сети;
NLP – обработка естественного языка

Строить модель линейной регрессии;
строить полносвязную нейронную сеть для задачи классификации;
обучать нейронные сети с помощью TensorFlow и Keras;
проводить анализ естественного языка с помощью методов искусственного интеллекта

Навыками использования библиотеки PyTorch для построения модели линейной регрессии;
навыками создания полносвязной нейронной сети;
навыками обучения нейронной сети с помощью TensorFlow и Keras

Основы теории алгоритмов и структур данных;
базовые модели и уровни представления данных;
принципы действия, преимущества и область применения колоночного формата хранения данных;
правила и принципы создания отчетов в контексте визуализации данных
фундаментальные основы теории вероятности;
основные положения комбинаторики;
суть метода и базовые инструменты A/B-тестирования

Применять принципы, методы и технологии интеллектуального анализа данных;
выполнять исследования и расчеты показателей проекта на основе методов имитационного моделирования вероятностных распределений с использованием языка программирования Python;
осуществлять интеграцию и преобразование данных в ходе работ по анализу больших данных

Навыками применения статистических методов анализа данных;
навыками применения методов математического моделирования;
навыком использования Scikit-learn;
навыками использования методов классификации, кластеризации, обнаружения выбросов, фильтрации;
навыками поиска аномалий в данных, сегментации PCA, уменьшения размерности данных;
навыками использования языка R для анализа больших данных

Типы больших данных: метаданные, полуструктурированные, структурированные, неструктурированные;
виды источников данных: созданные человеком, созданные машинами;
методы ETL;
базы данных (реляционные и нереляционные), их преимущества и недостатки;
возможности языка Python для получения данных из внешних API

Выполнять подготовку и разметку структурированных и неструктурированных данных для машинного обучения;
использовать ETL, Hadoop, Spark;
разрабатывать скрипты для получения данных из открытого источника с помощью подключения к API

Навыками настройки кластера Apache Spark и Hive на Hadoop;
навыками использования ETL-инструментов

Методы искусственного интеллекта для анализа естественного языка;
представление об NLP – обработке естественного языка;
модели трансформеров;
представление о self-attention

Анализировать естественный язык с помощью методов искусственного интеллекта

Навыками использования TF-IDF или эмбендингами для анализа токсичности текстов

Методы внедрения сквозных цифровых субтехнологий искусственного интеллекта;
методы искусственного интеллекта для анализа естественного языка;
представление об NLP – обработке естественного языка;
модели трансформеров;
представление о self-attention

Участвовать в реализации проектов в области сквозной цифровой субтехнологии «Обработка естественного языка».

Навыками анализа естественного языка с помощью методов искусственного интеллекта;
использования TF-IDF и эмбендингами;