Ekspert AI oraz Data

DRX Technologies poszukuje doświadczonej osoby z obszaru sztucznej inteligencji, uczenia maszynowego i inżynierii danych, która chciałaby dzielić się wiedzą oraz aktywnie rozwijać kompetencje przyszłych specjalistów.

Tworzymy kompleksowy, praktyczny program szkoleniowy obejmujący pełny cykl pracy z danymi i rozwiązaniami AI: od dobrych praktyk inżynierii oprogramowania, przez budowę potoków danych i modeli analitycznych, aż po wdrażanie oraz monitorowanie rozwiązań w środowiskach produkcyjnych.

Szukamy eksperta, który potrafi łączyć doświadczenie technologiczne z umiejętnością przystępnego przekazywania wiedzy. Program będzie realizowany przede wszystkim w formule warsztatowej, na podstawie rzeczywistych przypadków użycia, pracy z kodem oraz projektów odwzorowujących środowisko komercyjne.

Zakres roli

Do głównych zadań osoby prowadzącej należeć będzie:

    •    prowadzenie zajęć praktycznych, warsztatów oraz sesji mentoringowych,

    •    wspieranie uczestników o różnym poziomie doświadczenia technicznego,

    •    przygotowywanie i rozwijanie autorskich materiałów, ćwiczeń oraz projektów praktycznych,

    •    przegląd kodu i przekazywanie konstruktywnego feedbacku,

    •    promowanie dobrych praktyk w zakresie jakości kodu, testowania i dokumentacji,

    •    wyjaśnianie architektury nowoczesnych platform danych i AI,

    •    prezentowanie pełnego cyklu życia modeli, od przygotowania danych i eksperymentów po wdrożenie oraz monitoring,

    •    współtworzenie standardów merytorycznych i dydaktycznych programu.

Kogo szukamy

Poszukujemy osoby, która:

    •    posiada rozległe doświadczenie komercyjne w realizacji projektów z obszaru AI, Machine Learning lub Data Engineering,

    •    pracowała przy złożonych rozwiązaniach wykorzystywanych w środowiskach produkcyjnych,

    •    swobodnie porusza się w pracy z danymi, modelami uczenia maszynowego i nowoczesnym stosem technologicznym,

    •    potrafi wyjaśniać złożone zagadnienia w jasny, uporządkowany i angażujący sposób,

    •    umie dostosować sposób prowadzenia zajęć do poziomu wiedzy uczestników,

    •    posiada rozwinięte umiejętności komunikacyjne i mentoringowe,

    •    potrafi formułować rzeczowy feedback oraz budować partnerskie relacje z uczestnikami,

    •    przykłada dużą wagę do jakości kodu, dobrych praktyk inżynierskich i praktycznego zastosowania przekazywanej wiedzy.

Doświadczenie w prowadzeniu szkoleń, warsztatów, mentoringu technicznego lub wystąpień branżowych będzie dodatkowym atutem.

Co oferujemy

    •    możliwość współtworzenia kompleksowego programu rozwoju kompetencji w obszarze danych i sztucznej inteligencji,

    •    realny wpływ na zakres merytoryczny, metodykę oraz standardy prowadzenia kursu,

    •    współpracę opartą na praktycznych projektach i aktualnych technologiach,

    •    elastyczny model zaangażowania, dopasowany do dostępności oraz zakresu odpowiedzialności,

    •    konkurencyjny, indywidualnie ustalany model wynagrodzenia,

    •    możliwość długofalowej współpracy przy kolejnych edycjach i inicjatywach edukacyjnych.

Zakres merytoryczny programu

Program prowadzi uczestników przez spójną ścieżkę rozwoju kompetencji: od fundamentów inżynierii oprogramowania i pracy z danymi po zaawansowane rozwiązania Machine Learning oraz wdrażanie modeli.

Fundamenty i inżynieria oprogramowania

    •    praca z repozytorium i Git: branching, pull requesty oraz code review,

    •    organizacja pracy w zespołowym środowisku projektowym,

    •    Python w analizie danych: typy danych, funkcje i struktury programu,

    •    praca w środowiskach Jupyter oraz Visual Studio Code,

    •    dobre praktyki tworzenia, testowania i dokumentowania kodu.

Praca z danymi i potoki przetwarzania

    •    pozyskiwanie danych z plików CSV, Excel oraz interfejsów API,

    •    projektowanie warstwy raw i procesów ingestion,

    •    czyszczenie danych z wykorzystaniem biblioteki pandas,

    •    obsługa brakujących danych, wartości odstających i typów danych,

    •    transformacje danych: merge, groupby oraz pivot,

    •    budowa warstwy clean,

    •    eksploracyjna analiza danych i wizualizacja,

    •    formułowanie wniosków analitycznych oraz biznesowych.

SQL i modelowanie danych

    •    SQL na poziomie podstawowym i zaawansowanym,

    •    JOIN, CTE oraz funkcje okienkowe,

    •    optymalizacja zapytań, indeksy i plany wykonania,

    •    projektowanie schematów danych,

    •    modelowanie typu Star Schema,

    •    fakty, wymiary i relacje pomiędzy danymi,

    •    kontrola jakości danych,

    •    walidacje, reguły jakościowe i automatyczne testy danych.

Big Data i architektura platform danych

    •    przetwarzanie dużych zbiorów danych z użyciem Spark i PySpark,

    •    projektowanie architektury warstwowej raw, silver i gold,

    •    podstawy przetwarzania strumieniowego,

    •    micro-batch, incremental load oraz watermarking,

    •    wykorzystanie usług Azure: ADLS, Data Factory, Synapse i Power BI,

    •    projekt końcowy obejmujący kompletny potok danych, proces CI/CD oraz dokumentację techniczną.

Machine Learning: fundamenty

    •    cykl życia projektu Machine Learning,

    •    budowa modelu bazowego, walidacja i prowadzenie eksperymentów,

    •    podział danych na zbiory treningowe, walidacyjne i testowe,

    •    dobór oraz interpretacja metryk,

    •    tworzenie pipeline'ów preprocessingowych,

    •    encoding, scaling oraz ColumnTransformer,

    •    feature engineering,

    •    agregacje, interakcje pomiędzy cechami i PCA,

    •    identyfikowanie oraz eliminowanie data leakage,

    •    prawidłowa walidacja modeli.

Machine Learning: modele i ewaluacja

    •    modele regresyjne: Linear Regression, Ridge i Lasso,

    •    modele klasyfikacyjne: Logistic Regression, drzewa decyzyjne i Random Forest,

    •    Support Vector Machines,

    •    metody ensemble: boosting i bagging,

    •    analiza oraz porównywanie wyników modeli,

    •    analiza błędów,

    •    interpretowalność modeli,

    •    SHAP, feature importance oraz model cards,

    •    optymalizacja hiperparametrów,

    •    Grid Search, Random Search i cross-validation.

Machine Learning: zagadnienia zaawansowane

    •    uczenie nienadzorowane,

    •    clustering z wykorzystaniem K-Means i metod hierarchicznych,

    •    wykrywanie anomalii, między innymi z użyciem Isolation Forest,

    •    monitorowanie jakości danych i data drift,

    •    prognozowanie szeregów czasowych,

    •    ARIMA, exponential smoothing i backtesting,

    •    podstawy Deep Learning,

    •    sieci neuronowe, CNN, RNN, LSTM oraz architektury Transformer,

    •    Azure Machine Learning,

    •    AutoML, wdrażanie endpointów oraz monitoring modeli.

Szukamy osoby, która chce nie tylko przekazywać wiedzę, lecz także współtworzyć wysokiej jakości program edukacyjny oparty na rzeczywistych wyzwaniach technologicznych i standardach pracy stosowanych w branży. Grafik zajęć jest elastyczny i można go dopasować do swoich obowiązków.