机器学习数据挖掘工程师简历范文

• 主导用户行为序列挖掘与推荐模型迭代，推荐点击率提升18%，人均使用时长增长12%。
• 搭建基于Spark的特征工程流水线，特征生产时效从T+1缩短至小时级，支撑20+模型实验。
• 设计A/B实验框架与评估指标体系，年支撑实验150+，推动3个核心策略全量上线。

• 负责用户分群与流失预警模型开发，流失召回率提升22%，年度留存率提升5个百分点。
• 构建ETL数据管道与指标体系，报表产出效率提升60%，支撑运营决策日均查询300+次。

• 设计双塔召回与多路融合策略，召回覆盖率提升15%，线上AUC提升0.06。
• 优化样本与特征口径，训练效率提升35%，模型迭代周期由2周缩短至5天。

• 基于XGBoost构建流失预警模型，准确率85%，召回率78%，提前7天识别高风险用户。
• 落地分层挽留策略，挽回用户月均3.2万，带动月度GMV增长约6%。

研究方向：数据挖掘与机器学习；核心课程：数据挖掘、机器学习、统计学。

主修数据库系统、数据结构与算法，获校级一等奖学金。