متدرب في التعلم الآلي

الأدوار والمسؤوليات

بصفتك متدربًا في مجال التعلم الآلي، ستشارك في مشاريع مثيرة تغطي دورة حياة علم البيانات من البداية إلى النهاية - من تنظيف البيانات الخام واستكشافها باستخدام أنظمة أساسية وأخرى تابعة لجهات خارجية، من خلال التصور المتقدم للبيانات وتطوير التعلم الآلي.

ستعمل في بيئة تخزين بيانات حديثة قائمة على السحابة تستضيف نماذج التعلم الآلي جنبًا إلى جنب مع فريق من زملاء العمل المتنوعين والمكثفين والمثيرين للاهتمام. ستتواصل مع الأقسام الأخرى - مثل المنتجات والتكنولوجيا، والقطاعات التجارية الأساسية، والثقة والسلامة، والتمويل وغيرها - لتمكينهم من النجاح.

في هذا الدور، ستقوم بما يلي:

استعلام مجموعات البيانات الكبيرة باستخدام SQL وتغذية نماذج ML

إجراء استكشاف البيانات للعثور على أنماط في البيانات وفهم حالة وجودة البيانات المتاحة

استخدام كود Python لتحليل البيانات وبناء نماذج إحصائية لحل مشاكل الأعمال المحددة

تقييم نماذج ML وضبط معلمات النموذج مع مراعاة المشكلة التجارية الكامنة وراءها

التعاون مع الزملاء الكبار لنشر نماذج ML في الإنتاج

بناء أدوات إعداد التقارير التي تواجه العملاء لتوفير رؤى ومقاييس تتبع أداء النظام
أن تكون جزءًا ومساهمًا في ثقافة فريق قوية وطموح لتكون على أحدث طراز من البيانات الضخمة

المشاركة في تناوب الاستقرار خارج ساعات العمل لدعم نماذج ML الحية

المتطلبات

درجة البكالوريوس في الذكاء الاصطناعي أو الإحصاء أو الرياضيات أو بحوث العمليات أو الهندسة أو علوم الكمبيوتر أو مجال كمي ذي صلة
النمذجة الإحصائية والرياضيات
المعرفة الأساسية بخوارزميات التعلم الآلي
المعرفة الأساسية بـ SQL
المعرفة الأساسية بأدوات التصور مثل Periscope
مهارات تواصل شفهية وكتابية ممتازة
مهارات قوية في حل المشكلات

الملف الشخصي المرغوب للمرشح

1. إعداد البيانات ومعالجتها مسبقًا
تنظيف البيانات: المساعدة في إعداد البيانات وتنظيفها لنماذج التعلم الآلي. يمكن أن يشمل ذلك التعامل مع القيم المفقودة وإزالة القيم المتطرفة وتحويل البيانات إلى تنسيقات مناسبة.
هندسة الميزات: المساعدة في إنشاء ميزات جديدة أو تحويل البيانات الموجودة لتحسين أداء خوارزميات التعلم الآلي.
استكشاف البيانات: إجراء تحليل استكشافي للبيانات (EDA) لفهم توزيعات البيانات وتحديد الاتجاهات وتصور العلاقات في البيانات.
2. بناء النموذج وتقييمه
تنفيذ النموذج: المساعدة في تنفيذ نماذج التعلم الآلي مثل الانحدار الخطي وأشجار القرار وآلات المتجهات الداعمة والشبكات العصبية، باستخدام أدوات مثل scikit-learn أو TensorFlow أو PyTorch.
تدريب النموذج: المساعدة في تدريب النماذج باستخدام مجموعات بيانات مختلفة وضبط المعلمات الفائقة لتحسين الأداء.
تقييم النموذج: تقييم أداء النموذج باستخدام مقاييس مناسبة مثل الدقة والدقة والاستدعاء ودرجة F1 أو AUC-ROC، والمساعدة في تفسير النتائج.
3. البحث عن الخوارزميات واختبارها
مراجعة الأدبيات: إجراء بحث حول أحدث خوارزميات وأساليب التعلم الآلي. قد يُطلب منك مراجعة أوراق البحث والتجارب للمساعدة في تنفيذ الأساليب المتطورة في الممارسة العملية.
التجريب: إجراء تجارب لاختبار خوارزميات التعلم الآلي المختلفة وتقييم أدائها وفهم كيفية تأثير الأساليب المختلفة على النتائج.
4. التعاون وإعداد التقارير
التعاون الجماعي: العمل بشكل وثيق مع كبار علماء البيانات ومهندسي التعلم الآلي وأعضاء الفريق الآخرين لتطوير نماذج التعلم الآلي أو المساهمة في المشاريع القائمة على البيانات.
التوثيق: توثيق عملك، بما في ذلك التعليمات البرمجية والنتائج والشروحات لاختيارات النموذج والنتائج، بحيث يمكن تفسير النتائج وإعادة إنتاجها بسهولة من قبل الآخرين.
العرض التقديمي: تقديم النتائج إلى الفريق، غالبًا من خلال التقارير أو العروض التقديمية القصيرة، لمشاركة الأفكار أو التقدم المحرز في المشاريع الجارية.
5. استخدام الأدوات والبرامج
مكتبات التعلم الآلي: اكتسب الخبرة في استخدام المكتبات والأطر مثل scikit-learn وTensorFlow وKeras وPyTorch وXGBoost لتنفيذ نماذج التعلم الآلي وضبطها.
التلاعب بالبيانات: استخدم أدوات مثل Pandas للتلاعب بالبيانات، وNumPy للحسابات العددية، وMatplotlib أو Seaborn لتصور البيانات.
التحكم في الإصدار: استخدم Git وGitHub للتحكم في إصدار الكود، مما يساعد في ضمان إمكانية تتبع عملك ومشاركته بكفاءة مع أعضاء الفريق.