Vaga para Engenheiro de Machine Learning Sênior
* Anotar e preparar conjuntos de dados para visão computacional.
* Desenvolver, treinar, validar e otimizar modelos de aprendizado profundo para classificação, detecção e segmentação de imagens.
* Treinar e implementar modelos YOLO (Você Só Olha Uma vez) para tarefas de detecção de objetos.
* Implementar fluxos de inferência para execução eficiente em produção.
* Desenvolver 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 Obrigatórios:
* Conhecimento avançado de Python em quaisquer das bibliotecas de ML/DL (PyTorch, TensorFlow, OpenCV).
* Experiência prática em YOLO (treinamento e inferência em problemas de detecção de objetos).
* Conhecimento sólido em visão computacional (classificação, detecção, segmentação).
* Experiência em MLOps com ferramentas como AWS SageMaker Studio, MLflow, Kubeflow, Docker, Kubernetes e Airflow.
* Conhecimento em boas práticas de engenharia de software (Git, testes automatizados, ambientes reprodutíveis).
Benefícios:
* Experiência em dados estruturados: pré-processamento de dados, 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 dispositivos de bordo (TensorRT, ONNX, quantização).
Otros:
1. Métricas e gráficos que deve saber interpretar:
* Visão Computacional (foco principal): mAP@0.5, mAP@0.5:0.95, 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).