Коротко о задачах:
Анализ временных рядов:
Требования к стажерам:
Условия стажировки:
Анализ временных рядов:
- исследование и анализ больших источников данных;
- написание кода для подготовки данных.
- проверка гипотез по обучению моделей;
- написание кода для подготовки данных и обучения модели;
- оценка качества модели.
- написание кода для подготовки данных и обучения модели;
- оценка качества модели.
Требования к стажерам:
- знание языков: Python (обязательно), будет плюсом: SQL, Postgres, Clickhouse;
- наличие учебных проектов (например, курсовые и лабораторные, курсы);
- базовое знание ML и инструментов;
- английский язык B1 (Intermediate) и выше;
- умение искать информацию в интернете;
- коммуникабельность;
- желание учиться;
- нацеленность на результат.
Условия стажировки:
- офис или гибрид;
- руководитель практики и технический наставник;
- сроки реализации задач: 2 месяца, в рамках производственной практики;
- для студентов ЧелГУ — возможность претендовать на именную стипендию;
- возможность получить работу при позитивных результатах стажировки.
Коротко о задачах:
Анализ временных рядов:
Требования к стажерам:
Условия стажировки:
Анализ временных рядов:
- исследование и анализ больших источников данных;
- написание кода для подготовки данных.
- проверка гипотез по обучению моделей;
- написание кода для подготовки данных и обучения модели;
- оценка качества модели.
- написание кода для подготовки данных и обучения модели;
- оценка качества модели.
Требования к стажерам:
- знание языков: Python (обязательно), будет плюсом: SQL, Postgres, Clickhouse;
- наличие учебных проектов (например, курсовые и лабораторные, курсы);
- базовое знание ML и инструментов;
- английский язык B1 (Intermediate) и выше;
- умение искать информацию в интернете;
- коммуникабельность;
- желание учиться;
- нацеленность на результат.
Условия стажировки:
- офис или гибрид;
- руководитель практики и технический наставник;
- сроки реализации задач: 2 месяца, в рамках производственной практики;
- для студентов ЧелГУ — возможность претендовать на именную стипендию;
- возможность получить работу при позитивных результатах стажировки.
Коротко о задачах:
Анализ временных рядов:
Требования к стажерам:
Условия стажировки:
Анализ временных рядов:
- исследование и анализ больших источников данных;
- написание кода для подготовки данных.
- проверка гипотез по обучению моделей;
- написание кода для подготовки данных и обучения модели;
- оценка качества модели.
- написание кода для подготовки данных и обучения модели;
- оценка качества модели.
Требования к стажерам:
- знание языков: Python (обязательно), будет плюсом: SQL, Postgres, Clickhouse;
- наличие учебных проектов (например, курсовые и лабораторные, курсы);
- базовое знание ML и инструментов;
- английский язык B1 (Intermediate) и выше;
- умение искать информацию в интернете;
- коммуникабельность;
- желание учиться;
- нацеленность на результат.
Условия стажировки:
- офис или гибрид;
- руководитель практики и технический наставник;
- сроки реализации задач: 2 месяца, в рамках производственной практики;
- для студентов ЧелГУ — возможность претендовать на именную стипендию;
- возможность получить работу при позитивных результатах стажировки.
Рекомендации для стажеров
Дополнительные материалы помогут подготовиться к стажировке в Интерсвязь IT.
Рассказываем о нашем стеке и используемых инструментах и делимся полезными курсами.
Рассказываем о нашем стеке и используемых инструментах и делимся полезными курсами.
ML-инструменты
1. Основные библиотеки:
— NumPy,
— Pandas,
— Sklearn,
— PyTorch
и другие популярные.
2. PyTorch Lightning упрощает процесс написания кода для обучения моделей.
— Почитайте документацию (нужен VPN).
— Сделайте пару учебных проектов.
3. ClearML используем для отслеживания результатов экспериментов и удаленного запуска (последнее можно не изучать).
— Посмотрите видеоуроки.
— Выполните учебные задачи, например, на Kaggle.
Dev-инструменты
1. FastAPI нужен для написания backend API на Python.
— Достаточно знать основы.
— Напишите пару небольших pet-проектов.
2. Docker используем для контейнеризации и деплоя приложений.
— Важно уметь пользоваться и понимать задачи и принцип работы.
— В интернете много учебных материалов: документация, видеоуроки, статьи и пр.
3. Git используется в любой разработке.
— Для стажировки достаточно знать базовые вещи: как делать commit, как работать с ветками, что такое Pull Request или Merge Request.
— Мы используем gitlab, поэтому рекомендуем завести себе аккаунт и познакомиться с инструментом.
Курсы
В команде периодически проходим открытые курсы и рекомендуем их новичкам. Курсы повышают шансы кандидатов попасть на стажировку.
1. mlcourse.ai — курс по классическим алгоритмам машинного обучения.
Отлично подходит для новичков, которые раньше не занимались ML. Знакомит с основными инструментами: Pandas, NumPy, Sklearn, Matplotlib и Catboost.
2. dlcourse.ai — базовый курс по направлению Deep Learning.
Часть информации уже устарела, но все равно полезная. Курс знакомит с основными инструментами и алгоритмами в области нейронных сетей.
1. Основные библиотеки:
— NumPy,
— Pandas,
— Sklearn,
— PyTorch
и другие популярные.
2. PyTorch Lightning упрощает процесс написания кода для обучения моделей.
— Почитайте документацию (нужен VPN).
— Сделайте пару учебных проектов.
3. ClearML используем для отслеживания результатов экспериментов и удаленного запуска (последнее можно не изучать).
— Посмотрите видеоуроки.
— Выполните учебные задачи, например, на Kaggle.
Dev-инструменты
1. FastAPI нужен для написания backend API на Python.
— Достаточно знать основы.
— Напишите пару небольших pet-проектов.
2. Docker используем для контейнеризации и деплоя приложений.
— Важно уметь пользоваться и понимать задачи и принцип работы.
— В интернете много учебных материалов: документация, видеоуроки, статьи и пр.
3. Git используется в любой разработке.
— Для стажировки достаточно знать базовые вещи: как делать commit, как работать с ветками, что такое Pull Request или Merge Request.
— Мы используем gitlab, поэтому рекомендуем завести себе аккаунт и познакомиться с инструментом.
Курсы
В команде периодически проходим открытые курсы и рекомендуем их новичкам. Курсы повышают шансы кандидатов попасть на стажировку.
1. mlcourse.ai — курс по классическим алгоритмам машинного обучения.
Отлично подходит для новичков, которые раньше не занимались ML. Знакомит с основными инструментами: Pandas, NumPy, Sklearn, Matplotlib и Catboost.
2. dlcourse.ai — базовый курс по направлению Deep Learning.
Часть информации уже устарела, но все равно полезная. Курс знакомит с основными инструментами и алгоритмами в области нейронных сетей.
Присоединяйся!