Cientista De Dados

CIENTISTA DE DADOS - MODELAGEM ESPACIAL

Você deve preencher o formulário disponível no link abaixo

https://striped-owner-101.Notion.Site/1ee1d5630e8e807d8cabdaf14e485a7e?pvs=105

SOMENTE SERÃO AVALIADOS(AS) CANDIDATOS(AS) QUE ENVIAREM SUAS INFORMAÇÕES NESTE NO LINK INFORMADO

CONTRATAÇÃO

* Tipo de Bolsa: Bolsa de Desenvolvimento Tecnológico DT-I — R$ 5.200,00 (Valores fixos conforme edital FAPEMIG;
sem negociação.

* Contratação como pessoa física, sem vínculo CLT, MEI ou PJ.)

* Local de Trabalho 100 % home-office, obrigatoriamente residente em Minas Gerais

* Formação: Graduação e experiência equivalente (≥6 anos) em ciência de dados, modelagem espacial de dados ambientais ou áreas correlatas ou Doutorado na área.

IMPORTANTE: Estes requisitos são exigência da FAPEMIG, não sendo possível alterar qualquer ponto.

Descrição Geral

O Cientista de Dados será responsável pelo desenvolvimento de modelos preditivos segmentados de risco de acidentes rodoviários, utilizando dados geoespaciais, telemática veicular e infraestrutura viária. O foco será a criação de algoritmos robustos para identificar, prever e priorizar áreas de alto risco nas estradas brasileiras, bem como atuar em ambiente multidisciplinar colaborando com engenheiros de dados, especialistas em GIS e biólogos.

Principais Atividades

Modelagem Preditiva Segmentada

- Desenvolver modelos independentes (R1-R5) usando XGBoost, RandomForest, entre outros.
- Criar modelo agregador integrando os outputs especializados.
- Incorporar transfer learning e telemática (velocidade, frenagem, etc).

Feature Engineering & Dados Geoespaciais

- Selecionar e transformar features críticas (curvatura, gradiente, faixas, clima, tipo veículo...).
- Clean, integrar e tratar grandes bases heterogêneas (rodovias, clima, fauna, acidentes).
- Operar agregação espacial com H3, imputação por vizinhança e filtros para outliers.

Validação Avançada & Transferência

- Implementar validação Leave-One-Corridor Out (LOCO).
- Justificar o uso de gates de extrapolação e calibração Platt scaling.
- Calibrar thresholds por tipo de acidente visando sensibilidade/precisão.

Interpretabilidade & Comunicação

- Gerar explicabilidade de modelos usando SHAP (top features, dependências).
- Elaborar relatórios mensais e dashboards técnicos.
- Recomendar intervenções específicas baseadas em outputs analíticos.

Integração com Engenharia de Dados & Deploy

- Colaborar em API REST, exportação de modelos e integração com bancos PostGIS/H3.
- Apoiar design de ETL e operacionalização (on-premise/nuvem).

Requisitos Obrigatórios

- Formação superior (ciências exatas). Necessário doutorado ou 6 anos de conclusão de graduação.
- Forte experiência em machine learning aplicado (mínimo 2 anos prática, 3 anos Python).
- Experiência comprovada com dados geoespaciais (Geopandas, Shapely, PostGIS).
- Proficiência em pandas, scikit-learn, XGBoost, SHAP.
- Sólida base de estatística, inferência, validação cruzada e métricas.
- Experiência com bancos GIS;
manuseio eficiente de dados espaciais.
- Inglês técnico para compreensão de documentação e papers.

Diferenciais (Desejáveis)

- Experiência com transfer learning, multi-task learning.
- Domínio de deploy de modelos via API (FastAPI, Flask) e cloud (GCP, AWS).
- Vivência com telemática (dados GPS, séries temporais, LSTM, CNN).
- Familiaridade com MLOps, MLflow, detecção e monitoramento de drift.
- Experiência quantitativa em análise de segurança viária ou ecologia de estradas.
- Proatividade no uso de IA generativa (ChatGPT, Copilot).

Soft Skills

- Pensamento crítico, solução de problemas e autonomia analítica.
- Capacidade de comunicação clara para equipes técnicas e não técnicas.
- Facilidade para ambientes multidisciplinares (dados, GIS, fauna, engenharia).