小米数据挖掘实习生
任职要求
1. 计算机科学、人工智能等相关专业在读本科生或研究生，具备优秀的编码能力和扎实的数据结构和算法功底，熟练使用Python或C++，熟悉Linux系统操作； 2. 熟悉常用的机器学习、深度学习等算法，熟悉常用算法框架的使用，在某个算法方向上具备一定的问题分析和解决能力；有MMOE、uplift实验经验者优先； 3. 有高水平论文发表经验者优先，有acm/icpc等大型算法竞赛获奖者优先，熟悉大数据开发技术者优先，熟悉大语言模型技术者优先； 4. 至少实习4个月，每周至少到岗4天。
工作职责
1. 参与小米用户画像数据体系建设和数据挖掘工作，与产品、运营团队紧密合作，持续提升产品体验； 2. 运用离线/实时大数据处理技术和机器学习/深度学习算法，深入挖掘数据价值； 3. 根据项目需求，完成数据分析，算法建模等工作；
岗位职责： 1.数据收集与处理：负责从多个数据源收集原始数据。进行数据清洗和预处理，包括缺失值填充、异常值检测和处理。 2.数据探索与分析：利用统计学方法和数据可视化工具对数据进行探索性分析。识别数据中的模式、趋势和关联。 3.特征工程：设计和提取有助于模型训练的特征。进行特征选择，以简化模型并减少过拟合的风险。 4.模型构建与评估：应用合适的机器学习算法（如决策树、支持向量机、神经网络等）来构建数据挖掘模型。对模型进行训练、验证和测试，以评估其性能。 5.结果解释与应用：将数据分析结果转化为业务洞察，并向非技术团队成员解释。与团队合作，将分析结果应用于实际业务问题。 6.报告撰写：编写清晰、结构化的分析报告，包括方法论、发现、图表和推荐行动方案。
岗位职责： 1.数据收集与处理：负责从多个数据源收集原始数据。进行数据清洗和预处理，包括缺失值填充、异常值检测和处理。 2.数据探索与分析：利用统计学方法和数据可视化工具对数据进行探索性分析。识别数据中的模式、趋势和关联。 3.特征工程：设计和提取有助于模型训练的特征。进行特征选择，以简化模型并减少过拟合的风险。 4.模型构建与评估：应用合适的机器学习算法（如决策树、支持向量机、神经网络等）来构建数据挖掘模型。对模型进行训练、验证和测试，以评估其性能。 5.结果解释与应用：将数据分析结果转化为业务洞察，并向非技术团队成员解释。与团队合作，将分析结果应用于实际业务问题。 6.报告撰写：编写清晰、结构化的分析报告，包括方法论、发现、图表和推荐行动方案。
岗位职责： 1.数据收集与处理：负责从多个数据源收集原始数据。进行数据清洗和预处理，包括缺失值填充、异常值检测和处理。 2.数据探索与分析：利用统计学方法和数据可视化工具对数据进行探索性分析。识别数据中的模式、趋势和关联。 3.特征工程：设计和提取有助于模型训练的特征。进行特征选择，以简化模型并减少过拟合的风险。 4.模型构建与评估：应用合适的机器学习算法（如决策树、支持向量机、神经网络等）来构建数据挖掘模型。对模型进行训练、验证和测试，以评估其性能。 5.结果解释与应用：将数据分析结果转化为业务洞察，并向非技术团队成员解释。与团队合作，将分析结果应用于实际业务问题。 6.报告撰写：编写清晰、结构化的分析报告，包括方法论、发现、图表和推荐行动方案。
岗位职责： 1.数据收集与处理：负责从多个数据源收集原始数据。进行数据清洗和预处理，包括缺失值填充、异常值检测和处理。 2.数据探索与分析：利用统计学方法和数据可视化工具对数据进行探索性分析。识别数据中的模式、趋势和关联。 3.特征工程：设计和提取有助于模型训练的特征。进行特征选择，以简化模型并减少过拟合的风险。 4.模型构建与评估：应用合适的机器学习算法（如决策树、支持向量机、神经网络等）来构建数据挖掘模型。对模型进行训练、验证和测试，以评估其性能。 5.结果解释与应用：将数据分析结果转化为业务洞察，并向非技术团队成员解释。与团队合作，将分析结果应用于实际业务问题。 6.报告撰写：编写清晰、结构化的分析报告，包括方法论、发现、图表和推荐行动方案。