算法工程师（数据方向）

1. 特征工程方向：能针对工业多参数、大时滞场景，设计特征提取策略（如时域 / 频域特征、滑动窗口特征、交叉特征等），通过特征选择算法（如递归特征消除、SHAP 值分析）优化特征集，提升模型输入质量; 2. 质量趋势预测建模方向：基于非线性、多参数耦合、大时滞等复杂特性，研发高质量预测模型。具体包括：使用 LSTM/GRU/Transformer 等时序模型处理动态时序数据；通过 GNN（图神经网络）建模参数间关联关系；结合 XGBoost、LightGBM 等树模型解决非线性拟合问题；优化模型在小样本、强噪声场景下的鲁棒性; 3. 动态参数寻优方向：设计基于智能优化算法的参数寻优框架，如通过遗传算法、粒子群优化、模拟退火算法等，在工艺参数约束条件下，实现多目标（质量最优、安全参数波动小，能耗最低等）动态寻优；结合预测模型输出，动态调整寻优策略; 4. 算法落地与迭代：与数据处理、控制集成团队协作，将算法模型部署至工业环境，通过实际数据反馈优化模型参数与结构，解决模型漂移问题。

1. 硕士及以上学历，计算机科学、应用数学、自动化、数据科学等专业，3 年以上工业算法研发经验（时序预测、智能优化方向优先）; 2. 核心算法能力： ● 精通时序预测模型：深入理解 LSTM、Transformer 等模型的原理与调优方法，有处理大时滞、多变量时序预测项目经验； ● 掌握机器学习与深度学习工具：熟练使用 Python（Scikit - learn、TensorFlow/PyTorch） 等工具，能独立搭建、训练与部署复杂模型； ● 熟悉智能优化算法：深入理解遗传算法、粒子群优化、差分进化等算法的参数调优与场景适配，有工业参数寻优落地案例者优先。 1. 数学基础扎实：精通概率论与数理统计（如贝叶斯推断、假设检验）、线性代数（矩阵运算、特征分解），能推导算法核心公式，解决模型理论问题。 2. 工业场景适配能力：了解工业工艺特性（如温场变化，化学反应、机械加工等），能将业务问题转化为算法问题，设计符合实际约束的解决方案。 3. 具备良好的创新思维与工程落地能力，有算法从 0 到 1 研发及工业部署经验者优先。

七险一金、晋升空间