"Знание математики", "классический ML" ... Основы статистики, ито для галочки, немного алгебры. Python и несколько пакетов: pandas, numpy, sklearn, xgboost, bokeh. Иногда что-нибудь специфическое данным в задаче. Все. Тупик профессионального развития. 95% таких задач почти полностью автоматизируются. Причем велосипед изобретают все компании и потом продают его под видом "прорывного решения". Сделать это может аккуратный студент - стажер. Некоторое время назад, основным победителем ml - конкурсов (по содержанию похожих на такие кейсы) был офис менеджер, который просто автоматизировал основные этапы обработки данных и собирал по 100-500 моделей в композицию. Чтобы провести реально глубокую экспертизу и разработать хорошее решение нужна команда и время, а это дорого. И не везде это умеют. Особенно, когда "штат за год удваивать" надо.