在大学期间，系统学习了数据结构、算法设计、数据库原理等专业课程，掌握了扎实的理论基础。积极参与学校组织的数据挖掘竞赛，通过实际项目锻炼了数据分析和建模能力。熟悉Python、R等编程语言，能够熟练运用相关工具进行数据处理和分析。

• 负责构建和优化风控模型，通过对海量用户数据的分析，挖掘潜在风险特征，降低公司坏账率。
• 运用机器学习算法（如随机森林、XGBoost等）进行模型训练和调优，模型准确率提升至90%以上。
• 与业务团队紧密合作，根据业务需求调整模型策略，为业务决策提供数据支持。
• 定期对模型进行评估和监控，及时发现并解决模型运行中出现的问题。

• 参与反欺诈系统的建设，通过分析用户行为数据、交易数据等，识别欺诈行为模式。
• 开发特征工程模块，提取有效的风险特征，提高反欺诈模型的性能。
• 利用深度学习技术（如神经网络）构建反欺诈模型，使欺诈识别准确率提高了20%。
• 与技术团队协作，完成模型的上线部署和运维工作，保障系统的稳定运行。

• 该项目旨在优化信用卡申请风控模型。首先对历史申请数据进行清洗和预处理，处理缺失值和异常值。
• 运用多种统计分析方法，探索数据中的潜在规律，筛选出关键风险特征。
• 采用集成学习算法（如随机森林、梯度提升树）构建模型，通过交叉验证和调参优化模型性能。
• 最终模型在测试集上的AUC值达到0.85，较之前模型提升了10%，有效降低了信用卡申请的风险。

• 负责搭建电商平台的用户信用评分系统项目。收集用户的交易记录、行为数据、信用历史等多维度数据。
• 进行特征工程，包括特征提取、特征转换和特征选择，构建高质量的特征集。
• 运用逻辑回归、决策树等算法训练信用评分模型，通过模型评估和比较，选择最优模型。
• 模型上线后，成功为平台筛选出高风险用户，减少了坏账损失，提升了平台的风险管理水平。