Data Scientist (Kỹ Sư Khoa Học Dữ Liệu)

Đề xuất bài toán cho các đơn vị, nghiệp vụ, kinh doanh để khai thác tối đa "giá trị" từ dữ liệu.
Nghiên cứu, thiết kế, cài đặt và tối ưu các thuật toán, công nghệ học máy.
Thiết kế và triển khai các giải pháp phân lớp/dự báo đáp ứng mục tiêu kinh doanh.
Lựa chọn phương pháp tối ưu, xây dựng thuật toán, kiểm tra và triển khai các mô hình để đáp ứng được các mục tiêu kinh doanh.
Sử dụng các kĩ thuật học máy (cluster analysis, decision trees, random forest, neural networks, logistics regression) để xây dựng các mô hình toán học phục vụ các bài toán kinh doanh.
Xác định các phương pháp phù hợp để xây dựng nguồn cung cấp dữ liệu cho các bài toán học máy bao gồm các phương pháp mô phỏng (bootstrap, monte carlo, bagging methods), học máy và xác suất thống kê.
Kiểm tra hiệu năng, độ chính xác của các mô hình học máy dựa trên các kĩ thuật: RMSE, RMSEA, MAE, MSE, MAPE, Accuracy, Recall, Precision, ...
Xây dựng, phát triển các công cụ biến đổi dữ liệu, làm sạch dữ liệu.
Xây dựng báo cáo tổng quan về xu thế dữ liệu, dữ liệu Exception, dữ liệu bất thường (outlier).

Tối thiểu 1 năm kinh nghiệm ở vị trí tương đương.
Kiến thức về mô hình học máy decision trees, linear regression, ensemble (randomforest, boosting tree), k-means, SVM, PCA...
Kiến thức về học sâu, mạng neural nhân tạo, các kiểu mạng MLP, CNN, LSTM, RNN...
Kiến thức về xác suất thống kê, đại số tuyến tính, giải tích, lập trình, cấu trúc dữ liệu &giải thuật, lý thuyết đồ thị, cơ sở dữ liệu.
Kiến thức về phân tích khám phá dữ liệu (Exploratory Data Analysis - EDA).
Kỹ năng sử dụng thành thạo một trong các package học máy (scikit-learn, TensorFlow,Keras, PyTorch, Pyspark MLlib, Caffe, Theano, Pylearn2, DeepPy, H2O, v.v).
Kỹ năng sử dụng ngôn ngữ lập trình (R, Python, Java, Scala, v.v), SQL.
Kỹ năng sử dụng các công cụ trực quan hóa dữ liệu, đánh giá mô hình.
Có kiến thức về xử lý dữ liệu phân tán, xử lý dữ liệu lớn (Hadoop, Spark, ...) là một lợithế.