Ревьюер на курс «ML-инженер»

Мы ищем эксперта, который будет делиться опытом со студентами и вносить вклад в развитие индустрии

ML-engineer

О вакансии

Можно совмещать с основной работой

Яндекс Практикум — это сервис онлайн-образования, где каждый может получить навыки для работы в современных цифровых компаниях. Наша миссия — помогать получать онлайн востребованные профессии тем, кто решился.

2‑3 часа в день

вознаграждение по итогам отбора

Что делает ревьюер?

Проверяет работы студентов и решает, зачесть задание или нет.

Дает обратную связь простыми словами в письменном виде: отмечает неточности, указывает на ошибки и дает советы по улучшению.

Отвечает на вопросы в чате, если студент что-то не понял в комментариях по ревью.

При проверке опирается на гайды и чек‑листы — наши инструкции помогут вам учесть must критерии, но глубина и наполненность обратной связи будут зависеть от вас и вашего профессионализма.

Что мы ожидаем от вас?

Профессиональный бэкграунд: опыт в Data Science или Machine Learning от 2–3 лет. Вы реализовали не один проект полного цикла: от анализа бизнес-задачи и EDA до внедрения и мониторинга моделей в продакшене.

Хороший Python и SQL: пишете чистый код с применением ООП и инструментов разработки (Git, любая IDE). Свободно владеете стеком Pandas/NumPy, умеете составлять сложные SQL-запросы (CTE, оконные функции).

Экспертиза в ML: глубоко понимаете классические алгоритмы, ансамбли (XGBoost, LightGBM, CatBoost), продвинутый Feature Engineering и методы отбора признаков. Умеете подбирать гиперпараметры (Optuna), интерпретировать результаты (SHAP) и работать с дисбалансом классов.

Инженерный стек и MLOps: имеете практический опыт работы с Docker, Airflow, MLflow и DVC. Умеете разворачивать модели на FastAPI, понимаете принципы CI/CD и мониторинга (Prometheus, Grafana).

Deep Learning и NLP: разрабатывали на PyTorch. Понимаете архитектуру трансформеров и умеете работать с современными LLM. Знаете, как строить RAG-системы (FAISS, LangChain, OpenSearch) и проводить дообучение моделей (SFT, LoRA, DPO).

Большие данными и мультимодальность: понимаете принципы распределенной обработки и имеете опыт на PySpark. Рабатали с мультимодальными моделями (CLIP, SigLIP, VLM и VQA).

Что мы предлагаем?

Удаленное сотрудничество: можете делиться экспертизой со студентам из любой точки мира.

Возможность освежить знания, реализовать свой потенциал и влиять на качество образования в индустрии.

Развитие мягких навыков: прокачаете умение давать обратную связь, поймете как объяснять сложные вещи простыми словами и формировать безопасную образовательную среду.

Бесплатное обучение в Школе ревьюеров и плавное погружение в сотрудничество.

Пополнение портфолио: мы выдаем нашим экспертам сертификаты о социально‑полезной деятельности.

Возможность писать статьи и участвовать в конференциях, мероприятиях и подкастах Яндекс Практикума.