Descripción del puesto
Desplácese hacia abajo para encontrar los detalles completos de la oferta de trabajo, incluyendo la experiencia requerida y las funciones y tareas asociadas.
- Como Data & AI Scientist, participarás en la realización de análisis exploratorios y experimentación básica con modelos de machine learning, trabajando principalmente con notebooks y bajo supervisión frecuente.
- Colaborarás con perfiles de Data Scientist más senior, Engineers y Analysts, contribuyendo al desarrollo de modelos concretos y al avance de estudios analíticos, aprendiendo a aplicar criterios de calidad del dato, rigor metodológico y buenas prácticas de ciencia de datos en un entorno real de negocio.
- Realizar análisis exploratorios de datos (EDA) bajo supervisión, documentando resultados y primeros insights.
- Entrenar y evaluar modelos base de machine learning, siguiendo guías metodológicas definidas.
- Trabajar con notebooks para el análisis de datos y experimentación, asegurando orden y trazabilidad.
- Preparar y limpiar datasets, identificando problemas de calidad con apoyo de perfiles senior.
- Ejecutar experimentos analíticos supervisados y realizar el seguimiento de resultados obtenidos.
- Colaborar con Data Scientists y Engineers en tareas de apoyo al desarrollo de modelos.
- Documentar análisis, variables, hipótesis y resultados de forma clara y estructurada.
- Aplicar buenas prácticas básicas de versionado, organización del código y reproducibilidad.
- Aprender y aplicar el flujo de datos y uso de modelos dentro del contexto del negocio.
FORMACIÓN Y CONOCIMIENTOS REQUERIDOS
- Formación universitaria en Ingeniería, Matemáticas, Estadística, Física, Sistemas de Información, ADE + Data, Actuariales o similar.
- Conocimientos básicos de estadística descriptiva y probabilidad.
- Fundamentos de machine learning clásico.
- Python para ciencia de datos: Pandas, NumPy y primeros usos de Scikit‑learn.
- Uso habitual de notebooks para análisis y experimentación.
- Conocimientos básicos de evaluación de modelos (accuracy, precision, recall, métricas simples).
- Comprensión inicial del ciclo de vida del dato y del modelo.
- Nociones de buenas prácticas de ciencia de datos: orden del código, documentación y reproducibilidad.
- MLOPs, Amazon Web Services (AWS), SQL y herramientas de visualización como PowerBi.
- Participación en análisis exploratorios de datos.
- Entrenamiento y evaluación de modelos básicos de ML.
- Uso de notebooks para experimentación analítica.
- Colaboración en estudios o modelos concretos con apoyo senior. xpzdshu
- Primeras experiencias en proyectos de analítica o ciencia de datos.
Área de trabajo: Database, Scientific, SQL, Accounting, Actuarial, Technology, Engineering, Finance, Insurance
#J-18808-Ljbffr