Что должен уметь Junior }

Понимает базовую сложность алгоритмов O(n), O(n log n), O(n²). Знает основные алгоритмы сортировки и поиска. Применяет знания при выборе структур данных для feature engineering.

Пишет читаемый Python-код для ML. Следует PEP 8 и использует black/ruff для форматирования. Пишет docstrings для функций. Понимает важность воспроизводимости в ML.

Понимает базовые концепции ООП в Python: классы, наследование, абстрактные базовые классы, инкапсуляция. Применяет простые принципы SOLID при структурировании кода ML-пайплайнов. Следует командным паттернам классов-обёрток моделей и организации модулей обработки данных.

Знает основные структуры данных: массивы, словари, множества. Использует pandas DataFrame и numpy arrays. Понимает разницу между list и numpy array для ML-задач.

Использует FastAPI/Flask для создания простых ML API endpoints. Понимает request/response lifecycle. Реализует predict endpoint для ML-модели.

Создаёт CRUD endpoints для ML-сервисов. Использует правильные HTTP-методы и статус-коды. Понимает JSON request/response для ML API. Реализует /predict endpoint.

Пишет Dockerfile для ML-проектов. Устанавливает ML-зависимости (PyTorch, scikit-learn) в Docker. Использует docker-compose для локальной ML-разработки. Понимает multi-stage builds.

Понимает базовые концепции Kubernetes для деплоя ML-задач обучения и эндпоинтов сервинга моделей. Следует командам kubectl для проверки статуса подов обучения и выделения GPU-ресурсов. Использует предоставленные командой манифесты для деплоя inference-сервисов с KServe или Seldon.

Пишет unit-тесты для ML-кода: data processing, feature engineering. Использует тестовые инструменты. для ML-проектов. Тестирует input/output shapes и types.

Понимает основы Apache Spark для ML-инженерии: пайплайны Spark MLlib, трансформеры признаков и распределённое обучение/инференс моделей. Следует командным паттернам для PySpark ML workflow'ов, сериализации моделей и интеграции с MLflow tracking.

Понимает важность data quality для ML. Выполняет базовые проверки: null values, duplicates, distribution shifts. Использует pandas profiling для EDA.

Эффективно использует pandas для ML: загрузка данных, EDA, feature engineering. Знает основные операции: groupby, merge, pivot. Понимает dtypes для оптимизации памяти.

Пишет SQL для извлечения training данных. Понимает ETL для ML: extract features, transform, load в training format. Использует pandas.read_sql для загрузки данных.

Понимает concept model monitoring: prediction quality, data drift, latency. Настраивает базовые метрики модели (accuracy, latency). Визуализирует model performance.

Логирует ML эксперименты: параметры, метрики, модели. Использует MLflow или W&B для сравнения экспериментов. Понимает важность воспроизводимости.

Обучает baseline модели с scikit-learn: Linear Regression, Logistic Regression, Random Forest. Выполняет cross-validation и train/test split. Использует Pipeline для preprocessing + model.

Понимает concept feature store: online vs offline store, feature reuse. Читает features из Feast для training. Понимает feature freshness и consistency.

Обучает модели XGBoost/LightGBM/CatBoost с дефолтными параметрами. Понимает concept of gradient boosting. Использует feature importance для анализа модели.

Понимает concept ML pipeline: data → features → training → evaluation → deployment. Пишет простые pipeline скрипты. Использует Airflow DAG для basic ML workflow.

Использует MLflow для логирования экспериментов: параметры, метрики, артефакты. Сравнивает эксперименты в MLflow UI. Сохраняет модели через mlflow.log_model.

Деплоит ML-модель как REST API через веб-фреймворк/Flask. Понимает inference pipeline: preprocessing -> prediction -> postprocessing. Использует pickle/joblib для сериализации моделей.

Обучает нейронные сети в PyTorch с использованием nn.Module. Пишет циклы обучения с DataLoader, вычислением loss, backpropagation и шагами оптимизатора. Понимает формы тензоров, управление устройствами (CPU/GPU) и чекпоинтинг моделей. Использует torchmetrics для оценки.

Добавляет логи в код (info, warning, error). Использует logging framework (logging/winston/logback). Логирует ошибки с traceback/stacktrace.

Участвует в code review как ревьюи. Понимает feedback от senior разработчиков. Учится писать код по стандартам команды.

Использует Git для ML-проектов: branching, committing, PRs. Знает .gitignore для ML-артефактов (models, data). Понимает basics DVC для data versioning.