Научный сотрудник

Участие в выполнении исследовательских и прикладных предметных проектов;

Применение и разработка, а также программная реализация математических моделей и методов машинного обучения для решения исследовательских и прикладных предметных задач финансовой сферы;

Сбор, агрегация и подготовка исходных данных для обучения моделей, интерпретация и визуализация результатов;

Подготовка отчетной документации по проектам и заявок на гранты;

Участие в публикационной и диссеминационной активности, включая поездки на международные конференции;

Участие в подготовке кадров высшей квалификации (работа с магистрантами).

Дружный коллектив профессионалов;

Работа в историческом центре Санкт-Петербурга;

Корпоративный английский язык;

Ежегодный оплачиваемый отпуск 42 дня в году;

ДМС по корпоративным тарифам;

Возможность регулярного повышения квалификации;

Участие в спортивных мероприятиях (велопрогулки, забеги и пр. );

Возможность отдыха и проведения мероприятий для сотрудников на загородной базе отдыха «Ягодное» и многое другое.

Степень кандидата технических или физико-математических наук (или степень PhD) в области математического моделирования или в смежных областях;

Наличие научных публикаций в изданиях перечня Web of Science/Scopus (наличие англоязычных публикаций в журналах уровня Q1 по метрике SJR будет являться преимуществом);

Знание теоретических основ и опыт практического применения статистических моделей и методов машинного обучения, методов моделирования сложных систем, вычислительных методов и технологий;

Опыт разработки и анализа сложности алгоритмов, обработки данных, валидации моделей, интерпретации и визуализации результатов;

Опыт разработки технических заданий, подготовки отчетной документации по проекту и заявок на гранты;

Опыт разработки прикладного ПО и/или решения исследовательских задач на Python/R/Matlab/С++ или других языках программирования;

Практический опыт в одной из следующих областей: классификация/кластеризация данных, анализ сложных сетей, анализ временных рядов, анализ слабоструктурированных данных;

Опыт использования одного или более фреймворков машинного обучения (например, scikit-learn, tensorflow);

Системный подход к решению задач, ответственность, коммуникабельность;

Высокий уровень самоорганизации, умение работать в режиме многозадачности.