Machine Learning Engineer - Energy Forecasting
⚲ Warszawa, Mokotów
140–165 zł netto (+ VAT) / godz.
Wymagania
- Python
- Pandas
- numpy
- scikit-learn
- XGBoost
- LightGBM
Opis stanowiska
Nasze wymagania:
Minimum 3 lata doświadczenia w ML / data science
Doświadczenie w prognozowaniu szeregów czasowych
Bardzo dobra znajomość Pythona i pakietów pandas, numpy, scikit-learn
Praktyczne doświadczenie z modelami regresyjnymi
Znajomość modeli drzewiastych i boostingowych (XGBoost, LightGBM)
Dobór i projektowanie zmiennych (feature engineering) dla szeregów czasowych
Walidacja szeregów czasowych i eliminacja przecieku informacji
Samodzielność i odpowiedzialność za proces prognostyczny
Mile widziane:
Doświadczenie w energetyce / OZE / tradingu energii
Dane pogodowe i sezonowe w modelach prognostycznych
Regresja kwantylowa (quantile regression), modele probabilistyczne, łączenie prognoz z wielu modeli (ensemble forecasting)
Doświadczenie we wdrażaniu utrzymaniu stabilnych modeli w środowisku produkcyjnym
O projekcie:
Stack technologiczny:
• Python (pandas, numpy, scikit-learn)
• XGBoost / LightGBM
• GitLab, Confluence, Slack
Zakres obowiązków:
Rozwój komercyjnych modeli prognostycznych dla danych energetycznych: ceny, generacja, zużycie
Budowa i integracja modeli prognostycznych w środowisku produkcyjnym
Nacisk na stabilność, powtarzalność i jakość prognoz (nie POC)
Parametryzacja modeli prognostycznych w oparciu o szeregi czasowe
Dobór zmiennych, projektowanie cech (feature engineering): opóźnienia, statystyki kroczące, sezonowość, kalendarz, pogoda
Implementacja modeli: regresja wieloraka, drzewa decyzyjne, inne podejścia
Walidacja modeli (backtesting)
Eliminacja przecieku informacji (data leakage)
Integracja modelu z ETL przez API (dedykowany pakiet Pythona)
Budowa procesu trenowania (pipeline) i okresowej aktualizacji modeli (retraining)
Monitoring jakości i stabilności modeli
Oferujemy:
Realny wpływ na utworzenie nowej usługi
Pracę nad systemem produkcyjnym
Autonomię technologiczną
Elastyczne godziny pracy
Długoterminową współpracę
Minimum 3 lata doświadczenia w ML / data science
Doświadczenie w prognozowaniu szeregów czasowych
Bardzo dobra znajomość Pythona i pakietów pandas, numpy, scikit-learn
Praktyczne doświadczenie z modelami regresyjnymi
Znajomość modeli drzewiastych i boostingowych (XGBoost, LightGBM)
Dobór i projektowanie zmiennych (feature engineering) dla szeregów czasowych
Walidacja szeregów czasowych i eliminacja przecieku informacji
Samodzielność i odpowiedzialność za proces prognostyczny
Mile widziane:
Doświadczenie w energetyce / OZE / tradingu energii
Dane pogodowe i sezonowe w modelach prognostycznych
Regresja kwantylowa (quantile regression), modele probabilistyczne, łączenie prognoz z wielu modeli (ensemble forecasting)
Doświadczenie we wdrażaniu utrzymaniu stabilnych modeli w środowisku produkcyjnym
O projekcie:
Stack technologiczny:
• Python (pandas, numpy, scikit-learn)
• XGBoost / LightGBM
• GitLab, Confluence, Slack
Zakres obowiązków:
Rozwój komercyjnych modeli prognostycznych dla danych energetycznych: ceny, generacja, zużycie
Budowa i integracja modeli prognostycznych w środowisku produkcyjnym
Nacisk na stabilność, powtarzalność i jakość prognoz (nie POC)
Parametryzacja modeli prognostycznych w oparciu o szeregi czasowe
Dobór zmiennych, projektowanie cech (feature engineering): opóźnienia, statystyki kroczące, sezonowość, kalendarz, pogoda
Implementacja modeli: regresja wieloraka, drzewa decyzyjne, inne podejścia
Walidacja modeli (backtesting)
Eliminacja przecieku informacji (data leakage)
Integracja modelu z ETL przez API (dedykowany pakiet Pythona)
Budowa procesu trenowania (pipeline) i okresowej aktualizacji modeli (retraining)
Monitoring jakości i stabilności modeli
Oferujemy:
Realny wpływ na utworzenie nowej usługi
Pracę nad systemem produkcyjnym
Autonomię technologiczną
Elastyczne godziny pracy
Długoterminową współpracę
🔍 Dekoder Ogłoszenia
🔴
Samodzielność i odpowiedzialność za proces prognostyczny
Oczekuje się, że będziesz w stanie samodzielnie prowadzić cały cykl tworzenia i utrzymania modelu, od analizy po wdrożenie.
🟡
Nacisk na stabilność, powtarzalność i jakość prognoz (nie POC)
Oczekuje się, że dostarczane modele będą gotowe do produkcji i będą działać niezawodnie, a nie tylko jako prototypy.
🟡
Dobór i projektowanie zmiennych (feature engineering) dla szeregów czasowych
To kluczowy element pracy, który wymaga głębokiego zrozumienia danych i umiejętności tworzenia nowych, informatywnych cech.
🔴
Doświadczenie we wdrażaniu i utrzymaniu stabilnych modeli w środowisku produkcyjnym
Oznacza to, że będziesz odpowiedzialny nie tylko za tworzenie modeli, ale także za ich praktyczne uruchomienie i zapewnienie ich ciągłego działania.