数据挖掘算法工程师（26年应届毕业生）
上海
硕士及以上
计算机类·统计学类
使用简历深度优化功能，快速提升简历质量
职位介绍
1、业务驱动的数据挖掘： 深入供应链、人力资源（HR）、财务等核心业务场景，与业务方紧密沟通，精准识别并定义业务痛点，将其转化为可量化的数据挖掘和机器学习问题。
2、全流程模型构建： 负责从数据清洗、特征工程、模型设计、训练、评估到模型部署上线的完整算法生命周期，确保模型效果和稳定性。
3、核心算法研发： 运用机器学习（如分类、回归、聚类、时序预测）和深度学习（如NLP、CV、图神经网络等）技术，解决具体业务问题。
4、算法工程化与迭代： 参与或推动算法模型的工程化落地，与工程团队协作，构建高效、可复用的算法服务。
关注模型线上表现，持续进行监控、分析和优化迭代。
5、技术探索与创新： 跟踪数据挖掘、深度学习及相关领域（如MLOps）的前沿技术发展，探索并引入能为业务带来价值的新技术和新方法。
岗位要求：
1、学历与经验： 计算机、统计学、数学或相关专业本科及以上学历。
2、核心项目经验： 有成功将算法模型落地并产生业务价值的案例，拥有在供应链、HR或财务领域的数据挖掘项目经验优先。
3、数据挖掘能力： 具备扎实的数据挖掘和机器学习理论基础，精通至少一种主流编程语言（Python优先），熟练使用Pandas、NumPy、Scikit-learn、XGBoost/LightGBM等数据科学库。
4、深度学习能力： 在某一特定领域（如自然语言处理NLP、计算机视觉CV、推荐系统等）有深入研究和项目实践经验，熟练掌握PyTorch 等至少一种主流深度学习框架。
5、数据与工程基础： 了解SQL语言，有处理大规模数据的经验优先（如Spark、Hive等）。
具备良好的编程习惯和软件工程素养。
6、综合素质： 具备优秀的逻辑思维、问题分析和解决能力，良好的沟通表达和团队协作精神。
加分项：
1、熟悉云原生技术栈，有在Kubernetes (K8s) 和 Docker 环境下部署和管理模型的经验。
2、具备MLOps实践经验，了解CI/CD、模型监控、自动化部署等流程，熟悉 Kubeflow, MLflow 等工具者优先。
3、熟悉或有分布式计算框架 Ray 的使用经验，了解其在分布式训练和模型服务中的应用。
