Міндеттері:

Деректерді жинау, тазалау, белгілеу және алдын ала өңдеу (кестелік, мәтіндік дереккөздер).
Деректерге зерттеу талдауы (EDA), гипотезаларды қалыптастыру және тексеру, feature engineering.
Классикалық ML-модельдерін оқыту, валидациялау және сапасын бағалау (регрессия, классификация, кластеризация).
LLM/GenAI шешімдерін әзірлеу және интеграциялау: RAG-пайплайндар, эмбеддингтермен және векторлық дерекқорлармен жұмыс, промпт-инжиниринг.
AI-сервистерді прототиптеу және оларды API-эндпоинттарға қаптау.
Таза, қайта жаңғыртылатын код жазу, эксперименттер жүргізу және құжаттама жүргізу.

Талаптар:

Python-ды және бейінді кітапханаларды сенімді меңгеру: pandas, NumPy, scikit-learn.
Машиналық оқытудың негіздерін білу: есеп түрлері, сапа метрикалары, артық/жеткіліксіз оқыту, кросс-валидация.
Математикалық базаны түсіну: сызықтық алгебра, ықтималдықтар теориясы, статистика.
SQL-ді білу және реляциялық дерекқорлармен жұмыс істей алу.
LLM-нің жұмысын базалық түсіну: токенизация, эмбеддингтер, RAG қағидасы, промпт-инжиниринг негіздері.
LLM-провайдерлерінің API-лерімен жұмыс тәжірибесі (OpenAI, Anthropic және аналогтар) немесе фреймворктармен (LangChain, LlamaIndex) — кемінде пет-жобалар деңгейінде.
Git-пен жұмыс істеу дағдылары және бірлескен әзірлеу қағидаларын түсіну.
Аналитикалық ойлау, детальдарға мұқияттылық, тапсырманы нәтижеге дейін жеткізе алу.
Тілдерді білу: Орыс, Қазақ, Ағылшын.
Қалаулы: DL-фреймворктармен таныстық (PyTorch, TensorFlow) және нейрожелілік архитектуралар (трансформерлер).
Деректерді визуализациялау және дашбордтар құру тәжірибесі (matplotlib/plotly, BI-құралдар).
Бейінді сертификаттар: ML/DL бойынша мамандану (Coursera, DeepLearning.AI), бұлттық сертификаттар (AWS ML, Google Cloud ML) және аналогтар.
Жария портфолио: GitHub, Kaggle, пет-жобалар, жарыстарға/хакатондарға қатысу. Data Science / ML саласында 0-ден 1–2 жылға дейін коммерциялық тәжірибе.
Компьютерді сенімді меңгеру.

Шарттар:

Жұмыс кестесі: 09:00 - 18:30.
Медициналық сақтандыру
Тасымалдау

Қажетті білім дәрежесі

• Бакалавр