**Você é um profissional apaixonado por dados e desafios analíticos? Aqui está uma oportunidade para você!**
O nosso time busca alguém com sólida experiência em Visão Computacional, Machine Learning e análise estatística para trabalhar em todas as etapas do ciclo de dados — da coleta e transformação à modelagem e diagnóstico de performance.
Aqui estão os requisitos:
* Domínio em Python (Pandas, Scikit-Learn, OpenCV), SQL e Cloud AWS;
* Conhecimentos em Cloud Azure;
* Análise Descritiva e Exploratória de Dados;
* Teste de Hipóteses Inferência Clássica e Bayesiana;
* Construção de modelos Estatísticos de Machine Learning;
* Análise de Diagnósticos;
* Fortes Conhecimentos de Python/R;
* Experiência com análise de dados para descobrir padrões ocultos;
* Conhecimento em ferramentas de visualização de dados;
* Experiência com análise e resolução de problemas relacionados a dados;
* Experiência com programação em Python e seu ecossistema de análise de dados (Pandas, Scikit-Learn, Numpy, Pillow e OpenCV);
* Experiência com extração e análise de banco de dados (SQL);
* Experiência com limpeza e transformação de dados (Feature Engineering);
* Experiência com Algoritmos de Regressão, Classificação e Clustering;
* Experiência com Reinforcement Learning e Association Rules Learning;
Aqui estão os benefícios:
* Contrato PJ;
* Home Office;
E aqui estão as atividades que você realizará no nosso time:
* Foco no desenvolvimento de soluções dentro do Lab de Inovação do Cliente;
* Realizar análises descritivas e exploratórias para entender dados e levantar hipóteses técnicas;
* Desenvolver modelo preditivo utilizando o estado da arte em Machine Learning e as métricas adequadas para seleção de modelos;
* Validar tecnicamente a utilização dos modelos preditivos;
* Colaborar com o time de Estatísticos, Engenheiros em Machine Learning, Economistas para resolver problemas usando Data Science;
* Validação de estruturas de dados e Feature Engineering;
* Trabalhar com o time de Engenheiros de Dados e Arquitetos de Dados na criação de Datasets para treinamento de múltiplos modelos;
* Coletar, limpar, armazenar, organizar, integrar dados e ajudar na criação de pipelines de dados;
* Auxiliar na expansão do uso da ciência de dados nas frentes dos negócios.