珏
算法工程师
广州趣丸 · 3年经验
日薪：
￥500/8h
地点：
广州 天河
时间：
下班后周六周日可工作日远程
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
熟练掌握Python核心编程技术，精通Python基础语法与迭代器、生成器、装饰器等进阶特性，深入理解Python内存管理、垃圾回收机制与GIL锁原理，可基于多线程、多进程、asyncio协程完成高并发场景的代码开发、性能调优与问题排查。熟练运用NumPy、Pandas完成千万级结构化数据的清洗、特征工程与分析处理，掌握Matplotlib、Seaborn实现多维度数据可视化，可基于Scikit-learn框架完成机器学习全流程建模与落地。算法层面，熟练掌握数组、链表、哈希表、树、图等核心数据结构，精通排序、二分查找、贪心、动态规划、回溯、BFS/DFS等经典算法，可独立完成中等及以上难度的算法题解，熟练开展时间与空间复杂度分析，能针对业务场景完成算法选型、原生复现与性能优化；同时深入理解线性回归、逻辑回归、决策树、集成学习等经典机器学习算法的底层原理，可基于Python手动实现核心算法逻辑，完成模型调优与效果迭代。
项目经验
电商用户流失预警与个性化挽留策略系统
项目周期3个月，核心负责数据全流程处理、算法建模与效果优化，基于Python完成全链路开发落地。本项目针对电商平台用户流失率高的业务痛点，搭建智能化的流失预警模型与个性化挽留体系。项目中，我首先通过Pandas、NumPy完成平台120万+用户近6个月的行为、交易、属性数据的清洗治理，解决数据缺失、异常值、样本分布不均等问题；结合业务认知提取用户活跃度、消费频次、复购间隔、品类偏好等28个核心特征，通过特征重要性筛选与降维完成特征工程优化。算法层面，采用SMOTE算法处理样本不平衡问题，分别搭建逻辑回归、随机森林、XGBoost等多组二分类预警模型，通过网格搜索与5折交叉验证完成超参数调优，最终最优模型线上AUC达0.89，高流失风险用户识别准确率达85%。同时基于用户分群结果，结合协同过滤算法设计差异化挽留策略，策略落地后，平台30天用户留存率提升8.7%，高风险用户召回率提升11.3%。
项目周期3个月，核心负责数据全流程处理、算法建模与效果优化，基于Python完成全链路开发落地。本项目针对电商平台用户流失率高的业务痛点，搭建智能化的流失预警模型与个性化挽留体系。项目中，我首先通过Pandas、NumPy完成平台120万+用户近6个月的行为、交易、属性数据的清洗治理，解决数据缺失、异常值、样本分布不均等问题；结合业务认知提取用户活跃度、消费频次、复购间隔、品类偏好等28个核心特征，通过特征重要性筛选与降维完成特征工程优化。算法层面，采用SMOTE算法处理样本不平衡问题，分别搭建逻辑回归、随机森林、XGBoost等多组二分类预警模型，通过网格搜索与5折交叉验证完成超参数调优，最终最优模型线上AUC达0.89，高流失风险用户识别准确率达85%。同时基于用户分群结果，结合协同过滤算法设计差异化挽留策略，策略落地后，平台30天用户留存率提升8.7%，高风险用户召回率提升11.3%。
珏
算法工程师 · 3年经验 · 广州趣丸
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
熟练掌握Python核心编程技术，精通Python基础语法与迭代器、生成器、装饰器等进阶特性，深入理解Python内存管理、垃圾回收机制与GIL锁原理，可基于多线程、多进程、asyncio协程完成高并发场景的代码开发、性能调优与问题排查。熟练运用NumPy、Pandas完成千万级结构化数据的清洗、特征工程与分析处理，掌握Matplotlib、Seaborn实现多维度数据可视化，可基于Scikit-learn框架完成机器学习全流程建模与落地。算法层面，熟练掌握数组、链表、哈希表、树、图等核心数据结构，精通排序、二分查找、贪心、动态规划、回溯、BFS/DFS等经典算法，可独立完成中等及以上难度的算法题解，熟练开展时间与空间复杂度分析，能针对业务场景完成算法选型、原生复现与性能优化；同时深入理解线性回归、逻辑回归、决策树、集成学习等经典机器学习算法的底层原理，可基于Python手动实现核心算法逻辑，完成模型调优与效果迭代。
项目经验
电商用户流失预警与个性化挽留策略系统
项目周期3个月，核心负责数据全流程处理、算法建模与效果优化，基于Python完成全链路开发落地。本项目针对电商平台用户流失率高的业务痛点，搭建智能化的流失预警模型与个性化挽留体系。项目中，我首先通过Pandas、NumPy完成平台120万+用户近6个月的行为、交易、属性数据的清洗治理，解决数据缺失、异常值、样本分布不均等问题；结合业务认知提取用户活跃度、消费频次、复购间隔、品类偏好等28个核心特征，通过特征重要性筛选与降维完成特征工程优化。算法层面，采用SMOTE算法处理样本不平衡问题，分别搭建逻辑回归、随机森林、XGBoost等多组二分类预警模型，通过网格搜索与5折交叉验证完成超参数调优，最终最优模型线上AUC达0.89，高流失风险用户识别准确率达85%。同时基于用户分群结果，结合协同过滤算法设计差异化挽留策略，策略落地后，平台30天用户留存率提升8.7%，高风险用户召回率提升11.3%。
项目周期3个月，核心负责数据全流程处理、算法建模与效果优化，基于Python完成全链路开发落地。本项目针对电商平台用户流失率高的业务痛点，搭建智能化的流失预警模型与个性化挽留体系。项目中，我首先通过Pandas、NumPy完成平台120万+用户近6个月的行为、交易、属性数据的清洗治理，解决数据缺失、异常值、样本分布不均等问题；结合业务认知提取用户活跃度、消费频次、复购间隔、品类偏好等28个核心特征，通过特征重要性筛选与降维完成特征工程优化。算法层面，采用SMOTE算法处理样本不平衡问题，分别搭建逻辑回归、随机森林、XGBoost等多组二分类预警模型，通过网格搜索与5折交叉验证完成超参数调优，最终最优模型线上AUC达0.89，高流失风险用户识别准确率达85%。同时基于用户分群结果，结合协同过滤算法设计差异化挽留策略，策略落地后，平台30天用户留存率提升8.7%，高风险用户召回率提升11.3%。
立即沟通
