猿急送>

北京产品经理兼职程序员

ID：409816

nanashi

数据分析

公司信息：
学而思

工作经验：
2年

兼职日薪：
500元/8小时

兼职时间：
下班后
周六
周日

所在区域：
北京
海淀

技术能力

编程 & 数据分析

Python（熟练）：Pandas、NumPy、Scikit-Learn、XGBoost、Optuna、SHAP、FastAPI、MoviePy、FFmpeg 自动化

R（熟练）：LMM（lme4/nlme）、多层中介（lavaan）、ANOVA 效应量（effectsize）、数据清洗可视化

SQL：Hive SQL 批处理、分区表调度、窗口函数

机器学习：随机森林/梯度提升、排序模型（RankNet、LambdaRank、XGBRanker）、嵌入向量检索

大模型与评测

熟悉 LLM 三大排序训练范式：Pointwise / Pairwise / Listwise

能独立构建排序评测数据集（正例/负例/难例），设计 query-document 对

能评测：RAG 效果、召回率评估、embedding 聚类、向量相似度对齐

熟悉 prompt 质量管理、自动化评测脚本、采样评估、打标体系、pairwise 人工偏好对齐

后端与自动化

Docker / Docker Compose（熟练）：多服务栈编排、端口映射、卷挂载、资源限制、日志排障

熟悉 Nginx 反向代理、Cloudflare Tunnel 隧道

FastAPI/Flask 服务开发

Webhook / Feishu Bot / 微信小程序后端（NAS 自建服务）

系统搭建能力（企业级实践）

构建能量值系统：行为外显可视化、指标计算、自动化报表生成

搭建人才标签系统：向量库、相似度匹配、FYI38 标签抽取与聚合

自动化数据管道：n8n、Python 任务、定时调度、多文件批处理、日志监控

云与部署

AutoDL、NAS、OpenClash、旁路由策略、反代、远程桌面（MeshCentral/Guacamole/RustDesk）

模型服务部署（TTS: Fish-Speech、ASR：SenseVoiceSmall）

项目经验

1. 企业级行为数据分析平台

技术方向：Python、R、LMM、SQL、自动化系统

负责系统整体数据结构设计、行为指标模型构建、变换/归一化策略

使用 LMM 重复测量模型 + 链式中介（X→M1→M2→Y）构建系统干预效应检验

自动生成统计报告：ANOVA、效应量 η²/ω²、事后检验（Tukey/GH）

基于 Hive SQL + R/Python 构建全自动分析流水线（清洗→建模→图表→报告导出）

**2. LLM 搜索排序与评测体系（个人研究/Side Project）

技术方向：Pairwise/Listwise、XGBRanker、数据样例构建

构建搜索排序训练数据：query、doc、点击/阅读/点赞等行为特征

使用 pairwise（A > B）、listwise（NDCG 优化）构建排序训练集

用 XGBRanker + 特征工程提升排序效果（CTR/NDCG@k）

构建自动评测脚本：召回率、MRR、精排效果对比

研究 LLM 在“不确定性问题”“文档排序解释”中的偏差类型

**3. 人才标签系统（内部 HR 大模型应用）

技术方向：Embedding、向量库、标签聚合、Docker 自建服务

将 360 反馈、绩效述职、周报等文本向量化，进行聚类与相似度检索

构建自动标签抽取 pipeline：embedding → 聚类 → 匹配 → 投票

设计“按人头计数”“top-3 标签筛选”“跨周期合并”等规则

使用 Docker + FastAPI 自建内部服务，支持 HRBP 查询与可视化

**4. 多端自动化媒体流水线（短视频生产系统）

技术方向：Python、FFmpeg、MoviePy、TTS、自动化脚本

将字幕、音频、火柴人图层与背景图自动合成

设计无字幕/有字幕 pipeline、视频批处理、素材自动匹配

构建 TTS（Fish-Speech）+ ASR 校对的自动化口播生成

全流程自动输出：SRT → 音频 → 视频 → 上传包

**5. 微信小程序后端 + NAS 运行环境

技术方向：Node.js、Python 服务、数据库、Docker 部署

开发“雅思记单词”小程序后台服务

在 NAS 上部署后端服务、数据库、自动化报告生成脚本

构建安全访问方案：OpenClash、VPN、隧道、域名绑定

📊 数据分析案例（精选）

行为外显性 → 信任领导 → 组织认同 → 敬业度链式中介模型（大样本 10,000+）

随机森林用于组织行为预测（特征重要性 + SHAP 分析）

多时间点差异分析（LMM vs RM-ANOVA 对比）

样本量极不均衡（1:9）条件下的稳健推断与 bootstrap 重抽样