个人简历

一、基本信息

二、求职意向

三、教育背景

清华大学（2018 – 2021）

• 硕士学位，计算机科学与技术：
  在清华大学攻读硕士学位期间，深入研习了计算机科学与技术领域的前沿知识，聚焦于机器学习、深度学习、数据结构与算法、高性能计算等重点课程。通过系统且深入的理论学习，不仅掌握了扎实的专业基础知识，更培养了严谨的科研思维与创新能力，为从事算法工程领域的高级工作奠定了坚实的学术基石。

北京大学（2014 – 2021）

• 学士学位，软件工程：
  于北京大学完成本科学业，主修软件工程专业，期间凭借优异的学业表现，取得了 GPA 3.8/4.0 的成绩，专业排名位列前 10%。本科阶段系统学习了软件工程的全流程知识体系，涵盖软件需求分析、设计、开发、测试以及维护等各个环节，同时也对计算机科学相关基础课程进行了深入学习，如数据结构、算法、操作系统等。

四、工作经历

字节跳动（2021 年 7 月至今） – 算法工程师

• 推荐系统算法优化与模型迭代核心负责：
  全面负责推荐系统的算法优化与模型迭代工作，旨在通过引入先进的深度学习技术，显著提升用户内容匹配的准确率。深入研究推荐系统的业务逻辑、用户行为模式以及现有算法模型的性能瓶颈，结合深度学习领域的最新研究成果，如卷积神经网络（CNN）、循环神经网络（RNN）及其变体等，对推荐算法进行了深度优化与创新。

• 特征工程优化与预测性能提升：
  主导实现特征工程的优化工作，致力于从海量的用户行为数据中提取更具价值、更有效的用户行为特征，以提升模型的预测性能。深入分析用户行为数据的特点与内在规律，运用数据挖掘技术与统计学方法，对原始数据进行了多层次、多维度的特征提取与转换操作。

• 跨团队协作与推荐策略调整：
  与数据分析师紧密合作，共同开展对用户行为数据的深度分析工作，以此为依据不断调整推荐策略，实现推荐系统的持续优化。在合作过程中，充分发挥算法工程师在数据建模与算法优化方面的专业优势，与数据分析师在数据处理、统计分析方面的专长相互配合。

• 实时数据处理平台构建与性能优化：
  积极参与构建实时数据处理平台，肩负着降低系统延迟、提高处理效率的重要任务。在平台构建初期，深入调研市场上各类实时数据处理技术与框架，结合公司业务需求与数据规模特点，选型并引入了适合的技术方案，如 Apache Kafka 用于数据传输、Apache Flink 用于实时流处理等。

腾讯科技（2018 年 7 月至 2021 年 6 月） – 算法研发工程师

• 自然语言处理项目参与与模块研发：
  深度参与自然语言处理项目，负责文本分类和情感分析模块的研发工作。在项目启动阶段，深入研究项目的业务需求、文本数据特点以及预期的性能指标，结合自然语言处理领域的经典算法与前沿技术，制定了详细的研发方案。

• 技术文档编写与代码库维护：
  负责编写详细且规范的技术文档，涵盖项目概述、算法原理、模块设计、接口说明、数据结构等各个方面。通过清晰、准确的文字表述和规范的格式，为团队成员提供了全面、易懂的技术参考资料，便于新成员快速上手项目，也为后续的项目维护和升级提供了有力的依据。

五、实习经历

百度（2017 年 7 月至 2017 年 9 月） – 算法工程师实习生

• 搜索引擎优化项目协助与算法开发：
  积极参与搜索引擎优化项目，协助开发高效的网页爬取算法。在项目中，深入学习搜索引擎的工作原理、网页索引机制以及爬取策略等相关知识，结合已有算法的优缺点以及项目的实际需求，协助团队开发了一种基于多线程和分布式架构的网页爬取算法。

• 数据集分析与处理及数据清洗协助：
  完成对特定数据集的分析和处理工作，为模型训练提供准备工作。深入分析数据集的结构、数据类型、分布规律以及数据质量等方面的情况，运用数据分析工具和统计学方法，对数据进行了预处理操作，如数据归一化、缺失值处理、异常值处理等。

六、技能特长

• 编程语言精通：
  精通 Python、C++ 和 Java 编程语言，具备扎实的编程基础和丰富的实践经验。在 Python 方面，深入理解其简洁的语法、丰富的库函数（如 NumPy、Pandas、Matplotlib 等）以及强大的数据分析与机器学习能力，能够运用 Python 快速实现各种复杂的算法模型、数据分析任务以及自动化脚本编写。

• 机器学习框架熟悉：
  熟悉常用的机器学习框架，如 TensorFlow 和 PyTorch。在 TensorFlow 方面，深入理解其计算图原理、张量操作、模型训练与评估机制以及分布式训练功能等，能够运用 TensorFlow 快速搭建、训练和优化各种机器学习模型，如神经网络、卷积神经网络、循环神经网络等。

• 算法领域掌握：
  掌握深度学习、自然语言处理、推荐系统等算法领域的核心知识与技术。在深度学习方面，精通各种神经网络架构，如卷积神经网络（CNN）用于图像识别、循环神经网络（RNN）及其变体（如 LSTM、GRU）用于序列数据处理、生成对抗网络（GAN）用于生成式任务等，能够根据不同的业务需求和数据特点，设计并实现相应的深度学习模型。

• 数据结构与算法基础扎实：
  具备良好的数据结构与算法基础，深入理解各种数据结构（如数组、链表、栈、队列、树、图等）的特点、操作方法以及适用场景，能够根据不同的问题需求，灵活选择合适的数据结构来存储和处理数据。

• Linux 环境与数据分析工具熟练：
  熟练使用 Linux 环境和常用的数据分析工具。在 Linux 环境方面，能够熟练运用 Linux 的命令行工具进行文件管理、进程监控、网络配置等日常操作，如使用ls、cd、mkdir等命令进行文件和目录操作，使用ps、top、htop等命令进行进程监控。

• 英文读写能力良好：
  具有良好的英文读写能力，能够阅读和理解专业英文文献。在当今全球化的科技环境下，许多前沿的算法研究成果、技术文档以及学术论文都以英文发表，良好的英文读写能力使我能够及时获取最新的技术信息、学习国外先进的技术经验以及了解国际上最新的行业动态，为自身的技术提升和项目开发提供了有力的支持。

七、自我评价

乐千宜简历模板免费下载