BH 17563 - Scientifique de données

Systematix

Montreal, Québec, Canada

Montreal, Québec, Canada

Trouver des emplois similaires

À propos

BH 17563 - Scientifique de données Systematix est à la recherche d’un Scientifique de données pour l’un de ses clients. Le candidat idéel possède les habiletés et expériences suivantes : Détenteur d’un baccalauréat en sciences des données ou une formation équivalente Détenteur d’un diplôme d’études supérieures en sciences des données (maîtrise, doctorat) Expérience professionnelle pertinente d’au minimum 3 années Excellent esprit d’analyse et de synthèse Excellente capacité à apprendre, grande curiosité intellectuelle Habileté à travailler en équipe et sur des projets collaboratifs multisectoriels Proactivité, faire preuve d’autonomie, capacité d’innovation et créativité Habileté à visualiser les données, ainsi que les résultats, et ce, de manière à contribuer au «storytelling» Capacité à produire des rapports synthétisant les différentes étapes et conclusions d’un projet. Atouts Familiarité avec les méthodologies agiles (Scrum, Kanban, …) Familiarité avec l’informatique théorique et les bonnes pratiques de programmation (POO, structures de données, recherche binaire, programmation récursive, optimisation, benchmarking, …) Familiarité avec les bonnes pratiques de développement logiciel (versionnage du code source, git, réutilisation du code, peer review, docstrings, …) Familiarité de base avec les technologies et plateformes DevOps (Azure DevOps, GitHub, GitLab, …) Familiarité avec l’inférence statistiques (test d’hypothèses, intervalle de confiance, p-valeur) Familiarité avec la statistique descriptive (mesure de tendance centrale, mesure de dispersion, identification des valeurs aberrantes, mesures de corrélation, …) Familiarité avec les algorithmes de science des données et d’apprentissage machine (modèles linéaires généralisés, boosting, NLP, clustering, chaînes de Markov, …) Familiarité avec la recherche et l’innovation appliquée en science des données Familiarité avec les bonnes pratiques de modélisation prédictive (partitionnement des données, leakage, données débalancées, validation croisées, hyper optimisation, sélection des attributs prédictifs, métriques de performances, model fairness, model drift, …) Familiarité avec les méthodes d’optimisation numérique (méthode de Newton, algorithmes génétiques, Simplex, VNS, …) Excellente familiarité avec la programmation Python (sklearn, numpy, pandas, …) Familiarité avec les techniques d’intelligence artificielle (réseaux de neurones, apprentissage par renforcement, …) Familiarité avec la programmation SQL (queries, stored proc, …) Familiarité avec le développement web (django, html, css, javascript/jquery, …) Familiarité avec Azure Databricks et Azure ML Familiarité avec le markdown, LaTeX, LyX. Responsabilités du mandat : Exploration, modélisation et développement de solutions prédictives dans un mode collaboratif? avec intervenants multiples (affaires, TI, légal, …); Participer aux communautés de pratique; Partager des connaissances et contribution à la montée en compétences de l’équipe; Accompagnement des équipes analytiques sectorielles (meilleures pratiques, peer review, configuration du dépôt de code, stratégie de gestion des branches, …); Participer à la mise en production des modèles prédictifs avec les ingénieurs DevOps et MLOps; Contribuer à la maintenance et au support étendue des modèles prédictifs en production (monitoring, model drift, piste d’amélioration, …); Participer à produire la documentation, les rapports ainsi qu’à la communication des résultats des analyses aux partenaires; Être à l’affût des nouvelles tendances en lien avec l’analytique avancée. Si des opportunités dans le domaine de la consultation vous intéressent, Systematix pourrait aussi vous offrir un poste permanent. Contactez-nous! * Seules les candidatures retenues seront contactées. Merci de votre intérêt!

Montreal, Québec, Canada

Compétences linguistiques

French

Avis aux utilisateurs

Cette offre a été publiée par l’un de nos partenaires. Vous pouvez consulter l’offre originale ici.

Trouver des emplois similaires