Data Scientist

Estadística básica: media, moda, mediana, varianza, probabilidad, probabilidad condicionada.
Análisis exploratorio de datos, limpieza de datos, tratamiento de outliers.
Modelos no supervisados (e.g., PCA, Autoencoders, clustering, ) y supervisados (e.g., Random Forest, GBM, Regresión Logística, ).
Técnicas de evaluación de modelos: matrices de confusión, ROC, clases desbalanceadas.
Calibración de un modelo.
Métodos para testear hipótesis (contrastes de hipótesis, A/B testing).
Conocimiento sobre grafos (algunas métricas o algoritmos sobre grafos), NLP, NN.
Experiência en ML con python y (py)spark.
Operaciones con bases de datos: creación de consultas y procesos de extracción / modelado de información.
Uso de repositorios de código y buenas prácticas de desarrollo (test unitarios, PRs, ).
Conocimiento de TensorFlow.
Idioma: — —