BrainShells

ML-исследователь / научный сотрудник (Senior / Staff)

Коротко

ML-исследователь / научный сотрудник (Senior / Staff) для моделирования поведения участников в стохастической многоагентной среде с частичной наблюдаемостью на основе десятков миллионов исторических эпизодов. Компания — BrainShells, стек прототипирования Python и PyTorch, удалённая работа с полной занятостью. Требуется опыт от 6 лет, сильная математическая база и экспертиза в RL/POMDP, байесовском ML, многоагентных системах, Монте-Карло методах или алгоритмическом трейдинге, а также обязательны публикации или сильный опыт прикладных исследований.

ML-исследователь / научный сотрудник (Senior / Staff)
от 9 000 $ · Удалённо · Полная занятость
BrainShells ищет ML-исследователя для моделирования поведения участников в стохастической многоагентной среде с частичной наблюдаемостью на основе десятков миллионов исторических эпизодов. Предстоит разрабатывать и улучшать математические и ML-методы, строить прогнозы для принятия решений в условиях неопределённости и ограниченного бюджета инференса, сравнивать подходы с сильными базовыми решениями и проводить эксперименты. Есть данные, вычислительная инфраструктура и высокая исследовательская свобода. Стек прототипирования: Python, PyTorch.
Требования
•Опыт от 6 лет, сильная математическая база и самостоятельная разработка или существенное улучшение ML- и математических методов.
•Нужен опыт в одном или нескольких направлениях:
•обучение с подкреплением, последовательное принятие решений, POMDP, мировые модели;
•вероятностное и байесовское машинное обучение, модели со скрытыми переменными, оценка неопределённости;
•моделирование поведения и оппонентов, многоагентные системы;
•внестратегическая оценка, выборка по значимости, дважды робастное оценивание и снижение дисперсии;
•методы Монте-Карло, марковские модели, стохастическая оптимизация;
•алгоритмический трейдинг, высокочастотная торговля, ценообразование или системы принятия решений с ограничениями по задержке.
•Важно уметь обосновывать новый подход экспериментами и разбирать проекты по схеме «проблема — базовое решение — идея — альтернативы — эксперимент — измеримый результат».
•Публикации или сильный опыт прикладных исследований обязательны; PhD будет преимуществом.

Хватит откликаться.
Получите рекомендацию.

$10 стартовых кредитов

Всего 60 секунд, полностью на автопилоте — AI-агенты Eraldt читают ваше резюме, определяют подходящие роли, находят живые вакансии и людей, которые могут вас порекомендовать, пишут им личные письма и добиваются рекомендации.

Это не отклик на вакансию: резюме не уходит в компанию, а рекомендацию именно по этой роли мы не обещаем.

Посмотрите, кто ещё получает интервью на автопилоте