متدرب عالم بيانات

الأدوار والمسؤوليات

إجراء تحليلات حول فعالية عروض المنتجات من خلال فحص التأثيرات الواقعية لاستخدام العملاء. على سبيل المثال، هل تعاني البنوك التي تقيم المخاطر الإلكترونية قبل الشراكة مع التاجر من الاحتيال في مجرى النهر بشكل أقل؟ كم من المال يمكن للتاجر توفيره، في خروقات البيانات التي يتم تجنبها، من خلال الاشتراك في منتج مراقبة الإنترنت من ماستركارد؟

اكتساب المعرفة الموضوعية حول أفضل ممارسات الأمن السيبراني وأنواع الاحتيال الشائعة. تقديم المشورة للفرق الفنية وفقًا لمعرفة الموضوع والمشاركة في المبادرات التعليمية. التعامل بكفاءة مع مجموعات البيانات الكبيرة، وغربلة الأنماط والاتجاهات وترجمة هذه الأفكار إلى حلول تقنية ومواد تعليمية.

العمل بشكل وثيق مع التسويق والمنتج لترجمة التحليل إلى مواد ترويجية.

الشراكة مع فرق أخرى (شبكة الأمان، والمصادقة الذكية، واستراتيجية البيانات) للجمع بين مصادر متعددة للبيانات بطرق جديدة وعميقة.

ما ستحتاجه

أن تكون متاحًا للعمل بدوام كامل بين 26 مايو/2 يونيو 2025 إلى 9 أغسطس أو أواخر يونيو إلى أواخر أغسطس 2025
أن تكون طالب ماجستير/بكالوريوس قبل الأخير، ومن المقرر تخرجك في موعد لا يتجاوز عام 2026
يفضل أن تكون مسجلاً في برنامج درجة البكالوريوس/الماجستير في علوم الكمبيوتر أو مجال ذي صلة
يفضل أن تركز على مجال البيانات مثل الرياضيات أو الإحصاء أو الاقتصاد
حل المشكلات بذكاء، وقادر على جمع المدخلات من مصادر متعددة متباينة، والتركيز على أي مشاكل أو فجوات، واقتراح حلول فعالة.
ملم بالبيانات: العمل بشكل مريح مع مجموعات البيانات ذات الأحجام المختلفة، وقادر على إنشاء إحصاءات وصفية وإيجاد أنماط بسيطة. المكافأة: معرفة وخبرة بنماذج التعلم الآلي.

الملف الشخصي المرغوب للمرشح

. مهارات البرمجة
Python: هذه هي اللغة الأكثر شيوعًا المستخدمة في علم البيانات، وخاصة لمعالجة البيانات وتحليلها والتعلم الآلي. تشمل المكتبات الرئيسية:
Pandas: لمعالجة البيانات.
NumPy: للعمليات العددية.
Matplotlib/Seaborn: لتصور البيانات.
Scikit-learn: لتنفيذ خوارزميات التعلم الآلي.
R: لغة شائعة للتحليل الإحصائي والتصور.
SQL: الكفاءة في استعلام قواعد البيانات لاستخراج البيانات ومعالجتها وتحليلها.
2. تحليل البيانات ومعالجتها مسبقًا
تنظيف البيانات وترتيبها: غالبًا ما تكون البيانات في العالم الحقيقي فوضوية وتتطلب تنظيفًا كبيرًا، وهو جانب مهم من الوظيفة.
تحليل البيانات الاستكشافي (EDA): يتضمن ذلك فهم البيانات وتصورها لاكتشاف الأنماط أو العلاقات أو الشذوذ التي يمكن أن توجه التحليل الإضافي.
هندسة الميزات: إنشاء ميزات جديدة من البيانات الخام لتحسين أداء النموذج.
3. التعلم الآلي
التعلم الخاضع للإشراف: التعرف على الخوارزميات مثل الانحدار الخطي وأشجار القرار والغابات العشوائية وآلات المتجهات الداعمة (SVM).
التعلم غير الخاضع للإشراف: معرفة تقنيات التجميع مثل k-means وDBSCAN وتحليل المكونات الأساسية (PCA).
تقييم النموذج: فهم كيفية تقييم النماذج باستخدام مقاييس مثل الدقة والدقة والتذكر ودرجة F1 ومنحنيات AUC-ROC.