OverviewVAGA ENGENHEIRO DE MACHINE LEARNING (SÊNIOR) | Grupo EasyLocal: 100% Home Office. Modalidade de Contratação: PJ ou Cooperado. Tempo de Projeto: Indeterminado.ResponsabilidadesAnotar e preparar datasets de visão computacional.Projetar, treinar, validar e otimizar modelos de deep learning para classificação, detecção e segmentação de imagens.Treinar e implementar modelos YOLO (You Only Look Once) para tarefas de detecção de objetos.Desenvolver e manter pipelines de inferência para execução eficiente em produção.Implementar práticas de MLOps: CI/CD de modelos, versionamento de dados e experimentos, monitoramento e re-treino automático.Trabalhar em conjunto com engenheiros de software para integrar os modelos em sistemas e aplicações.Requisitos obrigatóriosConhecimento de Python em quaisquer das bibliotecas de ML/DL (PyTorch, TensorFlow, OpenCV).Experiência prática com YOLO (treinamento e inferência em problemas de detecção de objetos).Experiência sólida em visão computacional (classificação, detecção, segmentação).Experiência em MLOps com quaisquer das ferramentas: AWS SageMaker Studio, MLflow, Kubeflow, Docker, Kubernetes, Airflow.Conhecimento em boas práticas de engenharia de software (Git, testes automatizados, ambientes reprodutíveis).DiferenciaisExperiência em dados estruturados: preparação de dataset, treinamento e inferência em problemas de regressão (ex.: regressão linear, regressão logística, árvores de decisão) e classificação tabular.Análise exploratória de dados estruturados (ex.: Análise das componentes principais - PCA, análise de correlação, clustering com K-Means).Otimização de modelos para edge devices (TensorRT, ONNX, quantização).Contribuições para projetos open source ou publicações técnicas.Métricas e gráficos que deve saber interpretarVisão computacional (foco principal): ******, ******:0.95. Curvas Precision-Recall (PR) e AP por classe. Curva ROC e AUC. Matriz de confusão. Curvas de perda e acurácia durante o treinamento. Distribuição de IoU (Interseção Sobre a União).Learning curves (treino vs. validação).Dados estruturados (como diferencial): Gráficos de resíduos em regressão. Curvas de calibração de probabilidade. Feature importance, SHAP e PDP/ICE plots. Heatmaps de correlação e PCA (scree plot, biplot).MLOps / produção: Gráficos de detecção de drift de dados. Distribuição de probabilidades de saída (overconfidence).Métricas de latência/throughput. Consumo de GPU/CPU/memória em inferência.Como se candidatarAcha que preenche todos os requisitos e quer fazer parte do nosso time?Envie seu currículo para: ****** com o assunto: (Vaga) – (Seu Nome)Balneário Camboriú, Santa Catarina, Brazil
#J-18808-Ljbffr