Technical Fundamentals

Advanced mastery of Python as the primary and sole development language.

Solid knowledge of data science and ML libraries: Scikit-Learn , XGBoost , 

LightGBM , Pandas , Polars , Statsmodels , SciPy .

Experience with deep learning models ( TensorFlow or PyTorch ) when the

problem justifies it.

Ability to work with data at scale: advanced SQL, PySpark for exploration

and transformation.

Access to and handling of data in cloud environments (GCS, Azure Blob

Storage).

Statistical Rigor

Experimental design and hypothesis testing applied to business problems.

Understanding of causality: not just correlation but the ability to distinguish and

apply appropriate techniques.

Robust model validation: beyond accuracy, business metrics, bias analysis, and

subgroup behavior.

Development Discipline

Professional use of Git as part of the usual workflow, not as a formality at

delivery time.

Organized and modular Python code: the candidate must produce deliverable

code, not just exploration notebooks.

Familiarity with experiment tracking tools (MLflow or equivalent) for

experiment traceability.

Ability to document models in a structured way: what it&