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.