红色石头
资深算法工程师
汽车之家 · 3年经验
日薪：
￥1000/8h
地点：
北京 全区
时间：
下班后周六周日
信用行为
0
接单数
0
评价数
1
收藏数
技术能力
*掌握机器学习常用的算法如逻辑回归,神经网络，决
策树，随机森林，knn，svm，kmeans等以及深度学习，强化学习原理
*掌握对数据进行feature selection,combination等feature engineering的一般方法
*掌握常见数据结构和算法，用java,python 独立完成核心算法架构和实现
*掌握Oracle,MySql,Mongodb等数据库使用
*掌握使用hadoop，Spark相关技术，如map-reduce,hive、hbase等以及redis,kafka等
*掌握python常用的框架，并开发部署服务，框架比如Flask,Django等，web服务如tomcat,nginx等
*掌握多进程多线程编程，并利用的实际优化效率
策树，随机森林，knn，svm，kmeans等以及深度学习，强化学习原理
*掌握对数据进行feature selection,combination等feature engineering的一般方法
*掌握常见数据结构和算法，用java,python 独立完成核心算法架构和实现
*掌握Oracle,MySql,Mongodb等数据库使用
*掌握使用hadoop，Spark相关技术，如map-reduce,hive、hbase等以及redis,kafka等
*掌握python常用的框架，并开发部署服务，框架比如Flask,Django等，web服务如tomcat,nginx等
*掌握多进程多线程编程，并利用的实际优化效率
项目经验
【项目一】
【项目名称】：用户信用模型评估系统
【项目描述】：通过App采集用户数据，包括性别，年龄，收入等，结合第三方数据获取用户的信息比如京东，淘宝，人行征信，社保卡等数据，建立机器学习模型，对用户信用进行评估，实现机器放款，提高放款效率，降低逾期率
【职责】：
>>特征工程：
行业专家提供一系列规则，编码抽取对模型可能有用的特征，合成样本，对样本进行Exploratory Data Analysis，对缺失数据，异常点数据进行处理，合成新的特征，用卡方检验，信息增益，相关系数等方法进行特征选择
>>模型选择：采用LR，svm，随机森林三种算法，用roc,auc,选出最优模型部署到生产环境中去
>>参数调优：
1.对模型参数进行交叉验证，绘制mse或mae图，选择最优参数
2.通过 Data Analysis，引入新的特征，检验其与标签的的相关系数
【项目二】
2.短文本挖掘:短信分类
>>模型建立：对用户短信进行分字，去掉停止词，把文本转换成tf-idf词向量形式，出现不均衡数据集的情况，用Bootstrapping算法对样本进行重抽样,用nbc，svm，决策树算法进行训练.
vvvvv>>模型调优:
1.画出词云，对词频最高的词，字进行观察
2.对分类不准确的样本分词后进行Data Analysis，人工引入一些规则
3.用网格搜索来进行高效的参数调优
4.CRM统计报表:用户数据统计
>>用Es+kabana建立CRM数据统计报表，为上层业务决策提供数据支持
【项目名称】：用户信用模型评估系统
【项目描述】：通过App采集用户数据，包括性别，年龄，收入等，结合第三方数据获取用户的信息比如京东，淘宝，人行征信，社保卡等数据，建立机器学习模型，对用户信用进行评估，实现机器放款，提高放款效率，降低逾期率
【职责】：
>>特征工程：
行业专家提供一系列规则，编码抽取对模型可能有用的特征，合成样本，对样本进行Exploratory Data Analysis，对缺失数据，异常点数据进行处理，合成新的特征，用卡方检验，信息增益，相关系数等方法进行特征选择
>>模型选择：采用LR，svm，随机森林三种算法，用roc,auc,选出最优模型部署到生产环境中去
>>参数调优：
1.对模型参数进行交叉验证，绘制mse或mae图，选择最优参数
2.通过 Data Analysis，引入新的特征，检验其与标签的的相关系数
【项目二】
2.短文本挖掘:短信分类
>>模型建立：对用户短信进行分字，去掉停止词，把文本转换成tf-idf词向量形式，出现不均衡数据集的情况，用Bootstrapping算法对样本进行重抽样,用nbc，svm，决策树算法进行训练.
vvvvv>>模型调优:
1.画出词云，对词频最高的词，字进行观察
2.对分类不准确的样本分词后进行Data Analysis，人工引入一些规则
3.用网格搜索来进行高效的参数调优
4.CRM统计报表:用户数据统计
>>用Es+kabana建立CRM数据统计报表，为上层业务决策提供数据支持
红色石头
资深算法工程师 · 3年经验 · 汽车之家
0
累计接单
0
用户评价
1
被收藏
信用行为
0
接单数
0
评价数
1
收藏数
技术能力
*掌握机器学习常用的算法如逻辑回归,神经网络，决
策树，随机森林，knn，svm，kmeans等以及深度学习，强化学习原理
*掌握对数据进行feature selection,combination等feature engineering的一般方法
*掌握常见数据结构和算法，用java,python 独立完成核心算法架构和实现
*掌握Oracle,MySql,Mongodb等数据库使用
*掌握使用hadoop，Spark相关技术，如map-reduce,hive、hbase等以及redis,kafka等
*掌握python常用的框架，并开发部署服务，框架比如Flask,Django等，web服务如tomcat,nginx等
*掌握多进程多线程编程，并利用的实际优化效率
策树，随机森林，knn，svm，kmeans等以及深度学习，强化学习原理
*掌握对数据进行feature selection,combination等feature engineering的一般方法
*掌握常见数据结构和算法，用java,python 独立完成核心算法架构和实现
*掌握Oracle,MySql,Mongodb等数据库使用
*掌握使用hadoop，Spark相关技术，如map-reduce,hive、hbase等以及redis,kafka等
*掌握python常用的框架，并开发部署服务，框架比如Flask,Django等，web服务如tomcat,nginx等
*掌握多进程多线程编程，并利用的实际优化效率
项目经验
【项目一】
【项目名称】：用户信用模型评估系统
【项目描述】：通过App采集用户数据，包括性别，年龄，收入等，结合第三方数据获取用户的信息比如京东，淘宝，人行征信，社保卡等数据，建立机器学习模型，对用户信用进行评估，实现机器放款，提高放款效率，降低逾期率
【职责】：
>>特征工程：
行业专家提供一系列规则，编码抽取对模型可能有用的特征，合成样本，对样本进行Exploratory Data Analysis，对缺失数据，异常点数据进行处理，合成新的特征，用卡方检验，信息增益，相关系数等方法进行特征选择
>>模型选择：采用LR，svm，随机森林三种算法，用roc,auc,选出最优模型部署到生产环境中去
>>参数调优：
1.对模型参数进行交叉验证，绘制mse或mae图，选择最优参数
2.通过 Data Analysis，引入新的特征，检验其与标签的的相关系数
【项目二】
2.短文本挖掘:短信分类
>>模型建立：对用户短信进行分字，去掉停止词，把文本转换成tf-idf词向量形式，出现不均衡数据集的情况，用Bootstrapping算法对样本进行重抽样,用nbc，svm，决策树算法进行训练.
vvvvv>>模型调优:
1.画出词云，对词频最高的词，字进行观察
2.对分类不准确的样本分词后进行Data Analysis，人工引入一些规则
3.用网格搜索来进行高效的参数调优
4.CRM统计报表:用户数据统计
>>用Es+kabana建立CRM数据统计报表，为上层业务决策提供数据支持
【项目名称】：用户信用模型评估系统
【项目描述】：通过App采集用户数据，包括性别，年龄，收入等，结合第三方数据获取用户的信息比如京东，淘宝，人行征信，社保卡等数据，建立机器学习模型，对用户信用进行评估，实现机器放款，提高放款效率，降低逾期率
【职责】：
>>特征工程：
行业专家提供一系列规则，编码抽取对模型可能有用的特征，合成样本，对样本进行Exploratory Data Analysis，对缺失数据，异常点数据进行处理，合成新的特征，用卡方检验，信息增益，相关系数等方法进行特征选择
>>模型选择：采用LR，svm，随机森林三种算法，用roc,auc,选出最优模型部署到生产环境中去
>>参数调优：
1.对模型参数进行交叉验证，绘制mse或mae图，选择最优参数
2.通过 Data Analysis，引入新的特征，检验其与标签的的相关系数
【项目二】
2.短文本挖掘:短信分类
>>模型建立：对用户短信进行分字，去掉停止词，把文本转换成tf-idf词向量形式，出现不均衡数据集的情况，用Bootstrapping算法对样本进行重抽样,用nbc，svm，决策树算法进行训练.
vvvvv>>模型调优:
1.画出词云，对词频最高的词，字进行观察
2.对分类不准确的样本分词后进行Data Analysis，人工引入一些规则
3.用网格搜索来进行高效的参数调优
4.CRM统计报表:用户数据统计
>>用Es+kabana建立CRM数据统计报表，为上层业务决策提供数据支持
立即沟通
