YW
算法工程师 · 9年经验 · 京东商城
0
累计接单
0
用户评价
0
被收藏
技术能力
个人公众号：WayneData 智能世界
•5年数据分析，3年数据挖掘经验。
•熟悉常用数据分析方法论，熟悉机器学习建模，多次算法竞赛成绩 top 。
•在时间序列预测方向有丰富的经验。
•较为优秀的编程能力，熟悉 Python，SQL 等开发语言。
•熟悉机器学习相关算法，掌握 GBDT类（xgboost，lightgbm），逻辑回归 LR,SVM 等算法原理及使用；了解推荐领域的一些算法原理，诸如 usercf、itemcf、transformer、seq2seq等
•5年数据分析，3年数据挖掘经验。
•熟悉常用数据分析方法论，熟悉机器学习建模，多次算法竞赛成绩 top 。
•在时间序列预测方向有丰富的经验。
•较为优秀的编程能力，熟悉 Python，SQL 等开发语言。
•熟悉机器学习相关算法，掌握 GBDT类（xgboost，lightgbm），逻辑回归 LR,SVM 等算法原理及使用；了解推荐领域的一些算法原理，诸如 usercf、itemcf、transformer、seq2seq等
项目经验
销量预测
● 为10+平台品牌商家构建门店下商品未来每天销量预测模型，准确率达到89%（smape），帮助商家更加合理的进行餐品采购来降低缺货与冗余；
模型应用多种机器学习算法，多种特征构建思路以及验证迭代方式，利用 python 语言进行搭建；算法、特征及验证包括但不限于如下：
1.tsfresh 提取历史销量特征；
2.时序形态分类与排序，如趋势度周期度排序，形状聚类。将模式相同的序列聚合一起构建模型；
3.未来潜在值与趋势度量特征；如不同期移动平均/指数平均/holt 移动平均/短期序列线性模型滑窗，未来预测值、未来上扬下跌度量；使基于树模型的集成算法在特征对子集划分时更加准确；
4.使用通过对销量之外的用户细分群体，门店详情，天气，日期，活动等数据构建交叉衍生特征。
5.设计不同验证结构。如每日单独预测与全量预测的 time-split-validation；
● 构建用户忠诚度预测模型，准确率达到82%（smape），模型帮助商家更加精准有效的开展营销活动；
1.模型采用多种特征构建思路：利用外部评分数据和 hive 数据仓库的内部用户行为数据和消费数据构建特征，如小程序行为序列文本（word2vec），商家用户 top 消费商品文本（tfidf），常规统计特征等；
2.模型采用多种算法：lightgbm、xgboost、catboost等
● 为10+平台品牌商家构建门店下商品未来每天销量预测模型，准确率达到89%（smape），帮助商家更加合理的进行餐品采购来降低缺货与冗余；
模型应用多种机器学习算法，多种特征构建思路以及验证迭代方式，利用 python 语言进行搭建；算法、特征及验证包括但不限于如下：
1.tsfresh 提取历史销量特征；
2.时序形态分类与排序，如趋势度周期度排序，形状聚类。将模式相同的序列聚合一起构建模型；
3.未来潜在值与趋势度量特征；如不同期移动平均/指数平均/holt 移动平均/短期序列线性模型滑窗，未来预测值、未来上扬下跌度量；使基于树模型的集成算法在特征对子集划分时更加准确；
4.使用通过对销量之外的用户细分群体，门店详情，天气，日期，活动等数据构建交叉衍生特征。
5.设计不同验证结构。如每日单独预测与全量预测的 time-split-validation；
● 构建用户忠诚度预测模型，准确率达到82%（smape），模型帮助商家更加精准有效的开展营销活动；
1.模型采用多种特征构建思路：利用外部评分数据和 hive 数据仓库的内部用户行为数据和消费数据构建特征，如小程序行为序列文本（word2vec），商家用户 top 消费商品文本（tfidf），常规统计特征等；
2.模型采用多种算法：lightgbm、xgboost、catboost等
立即沟通
