Als Data Scientist treibst Du gemeinsam mit Deinem Projekt-Team herausfordernde Datenprojekte voran.
Sie möchten mehr über diese Stelle erfahren Scrollen Sie nach unten und finden Sie heraus, welche Fähigkeiten, Erfahrungen und Bildungsabschlüsse erforderlich sind.
Du arbeitest sofort auf realen Daten und kritischen Problemen unserer Kunden.
Typische Beispiele sind die Entwicklung von Recommendation Systems, Text Classification und Churn Prediction.
In Data-Projekten beweist Du Expertise f r die Entwicklung von Algorithmen, ETL-Pipelines oder Data Lakes.
Auf Augenh he arbeitest Du fach bergreifend gemeinsam mit unseren Kunden.
Folgende T tigkeiten liegen in Deinem Aufgabenbereich: Entwicklung von technischen L sungen f r fachliche Herausforderungen unserer Kunden Aufbau von ETL-Prozessen, Data Warehouses und Datenmodellen Visualisierung und Aufbereitung der Ergebnisse sowie Ableitung von Handlungsempfehlungen Entwicklung und Optimierung von Machine-Learning-Modellen Deployment in Cloud-Systemen und Begleitung von Praxis-Tests Bei uns bist Du richtig, wenn Du wissbegierig bist und Lust hast, Dich als Data Scientist anspruchsvollen Problemen zu stellen und innovative L sungen zu entwickeln.
Wir sind kein Fan von starren Profilen.
Um Dir trotzdem eine Idee zu geben, hier einige Skills, die Deine zuk nftigen Kolleg
*innen h ufig mitbringen: Studium oder Promotion in einer quantitativen Fachrichtung, z.B.
Informatik, Mathematik, Physik oder Data Science Analytische F higkeiten, Denken in Daten und Strukturen Erfahrung in Python oder anderen Programmiersprachen Erfahrung mit Machine-Learning-Frameworks und Cloud-Plattformen Die F higkeit, komplexe Probleme zu verstehen und L sungsans tze mit Daten und Algorithmen zu entwickeln Unternehmerische Denkweise Flie ende Deutschkenntnisse Unser Tech Stack: Hier findest Du einige der Technologien, mit denen Du nach Deinen ersten Projekten bei SCHICKLER in Ber hrung gekommen sein wirst: Programmiersprachen: Python, R, JavaScript, SQL ETL / Data-Modeling: dbt, Google Dataflow, Pandas Deployment: Docker, Google Kubernetes Engines, CI / CD Cloud Plattformen: Google Cloud Platform, Amazon Web Services Datenbanken: BigQuery, Google Firestore Datenvisualisierung: Tableau, PowerBI, Plotly, Matplotlib, Google Data Studio Machine Learning: SciKit, xgboost, NLTK / spaCy, Keras, PyTorch, Prophet