Инженер по анализу данных

В настоящее время ФГАУ «НИИ «ЦЭПП» расширяет команду профессионалов и приглашает на работу Аналитика данных для разработки и внедрения математических моделей для систем автоматического контроля и управления для различных отраслей промышленности Обязанности: поиск необходимых данных и анализ качества данных; подготовка данных для эксперимента; постановка и проведение экспериментов с моделями (начиная с линейной регрессии МНК до многослойных нейронных сетей), выбор наилучшего подхода/метода; проведение имитационного моделирования; выбор и обоснование метрики оценки качества; написание чистого кода и выведение модели в работу; презентация и защита результатов исследования; интеграция моделей в информационную систему. Ввод модели в промышленную эксплуатацию; разработка отчетов, инструкций, технической и сопроводительной документации. Требования: Высшее техническое/математическое образование по отраслям промышленности (знание производственных процессов химической или металлургической промышленности, или энергетики - будет являться преимуществом); Знание языков программирования Python, R; Знание сред имитационного моделирования SimInTech, Ansys и др.; знание методов математического и численного моделирования, машинного обучения, статистического анализа, оптимизации; понимание задач регрессии, классификации, кластеризации, прогнозирования временных рядов. Условия: Место работы: г. Москва, м. Серпуховская График работы:5/2, 9.00-18.00 Испытательный срок - 3 месяца Оформление согласно ТК РФ с первого дня Своевременная выплата заработной платы 2 раза в месяц ДМС Чем придется заниматься Инженеру по анализу данных: Формирование запросов к разным базам данных и выгрузка данных в датасет; Статистический анализ данных (работа с пропусками, выбросами, аномалиями, задвоением значений, переквантование и достоверизация значений и т.д.) на языке Python или R; Преобразование, обогащение и трансформация данных (уменьшение размерности, выравнивание классов, кластеризация, генерация признаков, оценка важности признаков и т.д.) на языке Python или R; Обучение моделей регрессии, классификации разными алгоритмами и рекуррентных нейросетей. Настройка гиперпараметров на языке Python или R; Проверка моделей. Оценка по выбранной метрике, расчет погрешности; Моделирование поведения модели при разных входных значениях. Выбор наилучшей реализации. Сериализация модели; Встраивание модели в сервер приложения к внешним устройствам (ПЛК, сервера) в программе AggreGate SCADA/HMI; Развертывание проекта, ПНР, ввод автоматизированной системы в промышленную эксплуатацию; Разработка отчетов, инструкций, технической и сопроводительной документации; Оформление аналитических и исследовательских описаний, руководств по анализу и моделированию данных.