مهارت های تخصصی
1. زبان برنامهنویسی پایتون:
- تسلط کامل بر Python
- آشنایی با نسخههای مختلف Python و تفاوتهای آنها
- آشنایی با Package Management (مثل Poetry/Conda)
- آشنایی با سیستم عامل Linux
- آشنایی با Rest API / Micro Services
2. کتابخانهها و فریمورکهای یادگیری ماشین و هوش مصنوعی :
- تجربه کار با مدل های Hugging Face
- آشنایی با الگوریتم کلاس بندی ) Classifications Algorithms (
- آشنایی با الگوریتم های خوشه بندی ( Clustering Algorithms )
- آشنایی با الگوریتم های پردازش زبان طبیعی ) NLP Algorithms (
- آشنایی با چت بات ها ( Chat Bots )
3. مدلسازی و آموزش مدلها
- طراحی و پیادهسازی مدلهای یادگیری ماشین
- آموزش مدلها با استفاده از دادههای واقعی
- ارزیابی و بهینهسازی مدلها
- تنظیم هایپرپارامترها Hyperparameter Tuning
4. پیشپردازش دادهها و کار با دیتاستها:
- پاکسازی و آمادهسازی دادهها
- ویژگیسازی Feature Engineering
- استفاده از ابزارهایی مانند Pandas و NumPy برای کار با دادهها
- مدیریت و پردازش دادههای بزرگ با استفاده از Dask یا Apache Spark
5. مدیریت و استفاده از دیتابیسها:
- کار با پایگاههای داده SQL و NoSQL
- توانایی استفاده از ابزارهایی مانند SQLite، PostgreSQL، MongoDB ( مزیت )
6. آزمون و ارزیابی مدلها:
- استفاده از متریکهای ارزیابی مانند صحت Accuracy ، بازیایی ( Recall )، دقت پیشبینی ( Precision )، و امتیاز F1
- استفاده از تکنیکهای اعتبارسنجی متقابل ( Cross-Validation )
- آشنایی با مانیتورینگ و داشبورد ارزیابی مدل های هوش مصنوعی
7. مدیریت مدلها و سیستمهای تولید:
- پیادهسازی مدلها در محیطهای تولید
- آشنایی با سیستمهای مدیریت مدل مانند MLflow
8. آشنایی با مفاهیم پیشرفته:
- یادگیری عمیق ( Deep Learning ) ( مزیت )
- شبکههای عصبی کانولوشن ( CNNs ) ( مزیت )
- شبکههای عصبی بازگشتی ( RNNs ) ( مزیت )
- یادگیری تقویتی ( Reinforcement Learning ) ( مزیت )
- کوانتیزه کردن مدلها ( Quantization )
- AI Agent
- RAG (Retrieval Augmented Generation)
9. ابزارهای توسعه و تست:
- Git برای کنترل نسخه
- Jupyter Notebook و JupyterLab برای تحلیل دادهها و توسعه مدلها
- استفاده از ابزارهای تست مانند PyTest
10. تسلط بر استفاده از انواع API های مدل های LLM
11. مهارتهای نرم و ارتباطی:
- توانایی کار در تیمهای چند تخصصی
- ارتباط مؤثر با تیمهای داده، تحقیق و مدیریت محصول
- مهارتهای ارائه و دفاع از مدلها
- مسئولیت پذیر و نتیجه محور
ابزارها و سرویسهای مورد نیاز:
1. کتابخانهها و فریمورکها:
- Scikit-learn
- XGBoost
- LightGBM
- word2vec
- tfidf
- embeddings
- TensorFlow (مزیت)
- Keras (مزیت)
- PyTorch (مزیت)
2. ابزارهای پیشپردازش دادهها:
- Pandas
- NumPy
- Dask
- Apache Spark
3. پایگاههای داده:
4. ابزارهای تست و ارزیابی:
- PyTest
- Jupyter Notebook
- JupyterLab
5. ابزارهای مدیریت مدلها:
· MLflow
6. ابزارهای توسعه و Deploy :
ساعت کاری و مزایا:
- از شنبه تا چهارشنبه از ساعت 8:00 تا 17:15
- پنجشنبه ها تعطیل
- پرداخت منظم حقوق
- بیمه درمان تکمیلی
- صبحانه
- کمک هزینه نهار
- بسته ها و هدایای مناسبتی
- صندوق وام
- پاداش عملکرد