Bist du ein fähiger Data Science Engineer, bleib zu Hause, wir haben ein Projekt für dich, das deine Hand braucht.
TECHNOLOGIEN:
Python
SQL
AWS
Projektinformationen
Projektumfang und Verantwortlichkeiten
Hallo,
für unseren Kunden suchen wir einen erfahrenen Data Science Engineer, der unser internationales Team verstärkt und uns dabei hilft, weiter zu wachsen.
Wir suchen jemanden, für den die Arbeit mit Daten eine Berufung und ein Vergnügen ist. Als Data Science Engineer mit Schwerpunkt auf Datenpipelines spielst du eine Schlüsselrolle bei der Entwicklung, Einführung und Optimierung von Cloud-Lösungen, die geschäftlichen Mehrwert schaffen und das Nutzererlebnis verbessern.
Was erwartet dich im Laufe des Tages?
- Daten-Engineering: Steuerung des Data Mining, der Erfassung und Verarbeitung großer Datenmengen sowie Erstellung geeigneter Datenmodelle.
- NLP und maschinelles Lernen: Erforschung, Förderung und Implementierung semantischer Fähigkeiten durch Natural Language Processing, Textanalyse und ML-Techniken.
- Analyse und Business-Insights: Definition der Anforderungen und des Umfangs von Analysen sowie Präsentation und Berichterstattung der Geschäftsergebnisse an das Management mithilfe von Visualisierungstools.
- Modelloptimierung: Bewertung und Forschung im Bereich der Optimierung von Datenmodellen und Algorithmen zur Steigerung der Analysegenauigkeit.
- Problemlösung: Identifizierung der Grundursachen organisatorischer Probleme und Vorschlag alternativer Lösungen.
Was erwarten wir von dir?
- Mindestens 4 Jahre Berufserfahrung in einer Position in der Branche.
- Englischkenntnisse mindestens auf Niveau B2 (Upper Intermediate).
- Ausgeprägtes analytisches Denkvermögen und die Fähigkeit, komplexe technische Konzepte verschiedenen Zielgruppen klar zu vermitteln.
- Fähigkeit, in einem dynamischen und kooperativen internationalen Umfeld zu arbeiten.
Technische Fähigkeiten und Kenntnisse
- Programmierung und Daten: Nachgewiesene Erfahrung mit Python (NumPy, SciPy, Pandas usw.) und SQL.
- Cloud und ETL: Erfahrung mit AWS-Diensten, Cloud-ELT/ETL und Snowflake.
- Maschinelles Lernen: Praktische Anwendungen von ML-Techniken (Clustering, logistische Regression, Random Forests, SVM, neuronale Netze).
- Architektur und Lebenszyklus: Fundierte Kenntnisse des End-to-End-Datenlebenszyklus (traditionelle Data Warehouses, Datenbanken, Data Lakes, Data Mesh, Data Fabric).
- Data Governance: Fundiertes Verständnis von Datenverwaltung, Datenqualität, Metadaten, Modellierung und Architektur.
Projektanforderungen
