1.Python数据处理模块开发： •使用 Python 开发可复用、可维护的数据清洗、转换、特征处理模块/函数/工具包。 •利用 Pandas, NumPy 等库高效处理结构化/半结构化数据，解决实际业务场景中的数据问题。 •优化现有Python数据处理脚本的性能（速度、内存效率）。 2.数据处理管道构建与集成： •参与设计和实现基于Python的数据预处理流水线，确保其模块化、可配置、易扩展。 •将开发的数据处理模块集成到模型训练、评估或部署的自动化流程中。 •编写清晰易懂的API或工具接口，供算法工程师或下游系统调用。 3.数据集构建与管理 (Python实现)： •开发Python脚本进行数据集的自动化拆分（训练/验证/测试集）、采样、版本管理。 •实现或维护数据集的加载、缓存机制，提升模型训练效率。 4.模型支持数据工程： •开发工具/脚本处理模型预测结果，进行基础统计、格式化或持久化。 •构建Python工具收集、汇总模型评估所需的指标数据。 1.教育背景： •计算机科学、软件工程、数据科学或相关专业的本科高年级或研究生在校学生。 2.核心技能与知识 (Python工程能力是重点)： •精通Python编程： 扎实的Python语言基础（OOP, 常用数据结构，函数式编程概念），这是核心要求。有≥2个使用Python完成的项目经验（课程项目、个人项目、竞赛等）。 •Python数据处理库精通： 熟练掌握 Pandas 进行复杂数据操作（索引、分组聚合、合并、透视表、高效处理缺失值/异常值等）。熟悉 NumPy 进行数组操作和数值计算。 •工程化思维： •理解模块化、可复用性、可维护性的代码设计原则。 •了解基础的软件测试概念（单元测试、集成测试） •熟悉版本控制工具 (分支管理、Pull Request流程)。 •基础数据结构与算法： 了解常见数据结构（列表、字典、集合）和算法（排序、搜索）的时间/空间复杂度。 •操作系统与环境： 熟悉Linux命令行操作，能配置Python虚拟环境（如venv, conda），管理依赖。 3.对算法模型的理解与应用场景： •基本概念： 了解机器学习的基本流程（数据->特征->模型->评估）和常见任务（分类、回归）。了解常用评估指标（准确率、召回率、AUC等）的含义。 •兴趣驱动： 对人工智能领域有浓厚兴趣，渴望了解模型背后的数据工程挑战。 4.软技能： •极强的学习能力与主动性： 能快速学习新技术并应用于实践。 •严谨细致： 对代码质量和数据准确性有高要求，注重细节。 •良好的沟通协作： 能清晰表达技术问题和解决方案，积极融入团队。 •解决问题能力： 具备独立调试代码、分析解决技术问题的能力。 •责任心与自驱力： 能按时交付高质量的工作成果。

微信扫一扫，及时了解投递状态

您目前还没有登录：立即登录