Cambridge, MA
Stage PhD en ML/CS Appliqué (6+ mois)
Original : Applied ML/CS PhD Internship (6+ months)Salaire : inconnuJuniorPhD
Applied ML/CS PhD Internship (6+ months) est une offre ouverte chez Cartesian Systems, une entreprise du secteur e-commerce et distribution. Lieu du poste : États-Unis. Nous le classons en data et machine learning. Cartesian Systems a 5 postes ouverts sur ce site, dont 2 en IT et ingénierie.
Publiée il y a 17 jours · Dernière vérification 2026-10-25
À propos de Cartesian Systems
E-commerce et distribution Entreprise non tech avec une équipe IT 5 postes ouverts, dont 40 % en IT et ingénierie. Métiers les plus ouverts : Data et machine learning (2), Finance et juridique (1), Opérations et administration (1).
Offres similaires
Ingénieur/e AIOriginal : AI EngineerMomentic · San FranciscoUSD 175K–250K / anSr. Data AnalystOriginal : Sr. Data AnalystCenterfield · Remote, United StatesUSD 95K–115K / anStagiaire Été 2027, MS/PhD, Machine Learning, Fondations du Raffinement des DriversOriginal : 2027 Summer Intern, MS/PhD, Machine Learning, Driver Refinement FoundationsWaymo · San Francisco, CA, USAUSD 70 / heureStagiaire en Ingénierie AI/MLOriginal : AI/ML Engineering InternAmperesand · Sunnyvale, California, United StatesIngénieur/e AI Associé/eOriginal : Associate AI EngineerFuel Cycle · Los Angeles OfficeUSD 90K–110K / anMachine Learning Engineer Staff, Recherche & CiblageOriginal : Staff Machine Learning Engineer, Retrieval & TargetingReddit · Remote - United StatesUSD 230K–322K / anIngénieur/e Analytique SeniorOriginal : Senior Analytics EngineerRocket Money · San Francisco, CA, Washington, D.C., New York City, N.Y., Detroit, MI, Phoenix, AZ, Miami, FL, Denver, CO., Remote (USA)USD 150K–190K / anData Engineer SeniorOriginal : Senior Data EngineerSoFi · Cottonwood Heights, Utah, United StatesUSD 124,8K–156K / an
| Mode de travail | Mode de travail non indiqué |
| Niveau d’expérience | Junior |
| Métier | Data et machine learning |
| Pays | États-Unis |
La description complète se trouve sur l’offre d’origine. Les étiquettes sont attribuées automatiquement et peuvent être erronées. À propos des données