【#数据简历范文#】一份专业且吸引人的简历是众多求职者中脱颖而出的关键。那么，简历该怎么写呢？以下是1篇数据挖掘工程师简历模板，同时，幻主简历网还提供精美简历模板以及简历在线制作工具，欢迎大家阅读参考。

求职意向

求职类型：全职

意向岗位：数据挖掘工程师

意向城市：广东广州

薪资要求：面议

求职状态：随时到岗

教育背景

时间：20xx.9-20xx.7 学校名称：幻主简历大学 专业名称：电子商务 学校描述：主修课程包括高等数学、线性代数、概率论与数理统计、运筹学、C语言、Java、数据库系统概念、网页设计与制作等，成绩优异，多次获得校级奖学金。

工作经历

时间：20xx.3-至今 公司名称：幻主简历工作经验案例1职位名称：数据挖掘工程师、服务端开发工程师

广告系统（DSP）设计与开发：

架构设计：负责设计了广告系统的整体架构，提高了系统的可扩展性和稳定性。

CTR/CVR预估：通过机器学习算法，提高了广告点击率（CTR）和转化率（CVR）的预估准确率，CTR提升了15%，CVR提升了10%。

系统开发：领导团队完成了广告系统的核心功能开发，包括广告投放、效果跟踪和数据分析等模块。

性能优化：通过优化数据库查询和缓存机制，减少了系统响应时间，提高了广告服务的性能。

推荐系统设计与开发：

架构设计：构建了高效、可扩展的推荐系统架构，支持亿级用户量和百亿级数据量的处理。

召回与排序算法：调研并实现了多种召回和排序算法，包括协同过滤、内容推荐和深度学习等，提高了推荐的准确性和用户满意度。

算法优化：通过A/B测试和用户反馈，不断优化推荐算法，使得用户点击率提升了20%，用户留存率提升了15%。

时间：20xx.10-20xx.11 公司名称：幻主简历工作经验案例2职位名称：Java开发工程师

CAS单点登录项目开发：参与了CAS单点登录项目的开发，实现了多系统间的统一身份验证，提高了用户体验和系统安全性。项目上线后，用户登录成功率提升了10%，同时减少了用户因多次登录不同系统而产生的烦恼。

权限管理项目开发：负责设计和开发了权限管理系统，实现了细粒度的权限控制，保障了系统数据的安全性。通过该系统，企业能够更灵活地管理用户权限，降低了因权限泄露而引发的风险。

门户项目技术支持：为公司的门户项目提供技术支持，解决了在项目开发过程中遇到的技术难题。通过优化代码和数据库性能，提升了门户网站的访问速度和稳定性。在项目期间，网站访问量增加了20%，用户满意度也相应提升。

项目经验

时间：20xx.5-至今 项目名称：幻主简历xxx项目案例项目角色：DSP广告平台（算法负责人、服务端架构设计开发） 项目描述：DSP广告平台是一个面向广告主的广告投放平台，目标是为了提升流量变现效率，增加公司广告营收。DSP广告平台的主要功能包括广告主的注册、添加广告计划、添加广告创意，配置广告投放的定向条件、支持多种类型的结算方式（CPM、CPC、oCPM等）、实时计费、以及最重要的流量优化功能。广告算法的主要目的就是提升流量利用效率。在以CPC结算形式的广告投放中，为了使得每次广告投放的收益最大，需要对下发广告的CTR进行预估预估，并结合广告的CPC出价，计算本次广告投放的ecpm值，按照ecpm从大到小排序，选择ecpm较高的广告下发。在oCPM结算的广告投放中，除了需要预估广告下发的CTR外，还需要预估广告的CVR，然后结合广告的转化出价计算ecpm，选择ecpm收益较大的广告下发。广告算法的主要工作在于CTR预估和CVR预估。工作内容：

广告CTR预估的调研实现及优化：在算法方面，调研并测试业内CTR预估解决方案，比如逻辑回归（FTRL）、Wide&Deep、DeepFM等算法，在通过离线测试之后，进行工程化设计并部署上线；在特征工程方面，根据实际业务场景，探索并测试可能提升模型能力的特征，除了基础的用户特征，物品特征，上下文特征之外，尝试使用各种统计类特征来提升模型能力，经过诸多特征工程的测试后，CTR预估模型的AUC指标提升18%；在模型训练方面，采用负采样的方式，大幅降低模型训练时长，且提升了模型效果和AUC指标的稳定性；在CTR校准方面，探索预估CTR存在偏差的原因、CTR偏差衡量指标（ctr_ratio，Q曲线）、及CTR偏差的解决方案（基于模型预估结果的正负样本分布的方法，基于公式的校准，基于保序回归的校准），在加入CTR预估校准的逻辑后，预估的偏差明显缓解，ctr_ratio指标在1附近小幅波动，Q曲线基本拟合y=x直线；在工程方面，封装算法SDK，提供简便易用的模型调用方法，减少服务端对接模型的开发工作，降低因模型对接而产生bug的可能。

广告CVR预估的调研实现及优化：在算法方面，调研并实现了Yahoo CVR预估算法，测试了阿里ESMM模型；在工程方面，封装CVR预估模型SDK，方便服务端调用，减少模型对接产生的bug；在具体实现上，解决了不同广告主转化标准不一致的问题（使用不同转化标准的数据训练模型，会导致模型预估准确率不高）

服务端的重构设计及开发：快速梳理广告业务逻辑，提出合理的广告平台架构，实现模块之间实现耦合，业务逻辑清晰，易于扩展迭代，并且落地实现。重构后的DSP广告平台对外开放，运行稳定，相比将流量卖给广点通、广告联盟，收入增长翻倍。

项目成果：广告CTR预估模型的上线，平台整体广告点击率提升50+%，CPM提升50+%，大幅提升了平台的流量利用效率。CVR预估模型的上线，使广告平具备以oCPM结算的能力，降低了广告主的广告投放风险，提升广告平台在市场上的竞争能力。项目技术：Python，Spark，Tensorflow，Java，Redis，Hive，Storm时间：20xx.10-20xx.10 项目名称：幻主简历xxx项目案例项目角色：推荐系统（算法调研优化、服务端架构设计开发） 项目描述：推荐系统主要目的是提升用户的产品体验，增加用户粘性，进而提高用户留存和用户活跃时长。信息流推荐的主要功能是为用户提供个性化的内容。从工程的角度来看，信息流推荐系统分为推荐算法和推荐引擎两部分，推荐算法部分是为推荐引擎提供召回列表、用户特征、物品特征及模型等数据，推荐引擎部分则负责读取算法数据，并对内容进行排序，在极短的时间内响应用户的请求。从推荐算法的角度来看，信息流推荐分为两个阶段，第一阶段是召回阶段，该阶段中通过一些召回算法，比如基于规则的召回、协同过滤、用户画像、基于社交关系的召回及基于Embedding类算法的召回等算法，从不同的角度获取到用户可能感兴趣的物品，并将物品存入高速缓存；第二阶段是排序阶段，排序阶段通过使用排序模型，输入用户特征、物品特征、上下文特征等信息，对每个召回的物品输出一个用于排序的分数，推荐引擎按照排序分数从高到底对物品进行排序，再经过一些规则调整之后，取出topK的物品，返回给用户。工作内容：

召回算法的调研实现及优化：包括协同过滤算法（用户协同、物品协同、基于模型的协同）、基于内容主题的召回算法、 基于内容关键词的画像召回算法、基于规则的算法（热榜、新榜等）、基于社交关系的推荐（好友在看）、探索利用类算法（e-greedy、汤普森采样、UCB）、 Embedding类算法（item2vec、deepwalk）

排序算法的调研实现：FTRL算法的调研上线及特征工程，fm及ffm算法的调研测试，深度排序模型的调研测试，如：wide&deep、deepFM、NFM、FNN、PNN、DCN等算法

推荐引擎的重构设计及开发：梳理推荐业务逻辑，将推荐模块从其他业务中剥离，成立独立的推荐服务，并根据推荐业务的具体情况， 加入了日志模块（便于追踪每一次用户请求的处理过程，方便追踪推荐结果及分析推荐结果产生的原因）， 流量配置模块（对于特定的流量，配置推荐逻辑，为推荐算法的优化迭代、AB测试提供极大的便利）， 重构后的推荐引擎采用大量并行处理逻辑，大幅降低了相应延迟，响应时长100ms内的请求由原来的90%提升到99.9%

推荐效果的监控：在召回阶段，监控各召回算法的召回条目数、点击率，阅读时长、召回内容的多样性等指标；在排序阶段，监控最终排序结果的多样性（包括推荐内容的种类数，推荐内容的信息熵）； 分时段的监控请求量，曝光量，点击量，ctr、各召回算法占比以及响应时长等指标。推荐指标的监控对于推荐业务中一些现象的分析， 提供了极大的便利，对于算法的调优有很大的指导作用。

项目成果：整体来看，召回算法的添加，以及排序算法的优化和特征工程等工作，将图文信息流的ctr提升18%。 对于推荐内容的多样性，从用户问卷调查的结果来看，有明显的改善项目技术：Python，Spark，Tensorflow，Java，Redis，Hive

自我评价

善于思考总结，发现问题分析问题，并能给出合理的解决方案，且能落地实现（比如梳理广告业务逻辑，给出清晰的架构设计并落地实现；梳理推荐系统的业务逻辑，并给出合理的架构设计并落地实现；广告CTR预估、CVR预估模型的调研、实现、优化；推荐算法的调研实现、及算法的封装、算法计算效率上的优化等）

有较强的自学能力，自学机器学习、深度学习等算法

有较强的工程化能力，对于项目的设计、开发、部署运维轻车熟路

数学基础扎实，高数、线性代数、概率论基础比较扎实，了解泛函分析、随机过程中的一些概念。对于常见的机器学习模型（比如相对简单的线性回归、逻辑回归算法，相对比较复杂的SVM、EM算法等）、深度学习模型都做过数学推导

英语六级，能够阅读英文文献、做英文文献的技术调研

个人技能

熟悉Linux开发环境，熟练使用python、Java、SQL语言

熟悉常见的传统机器学习算法，如k近邻、朴素贝叶斯、逻辑回归、支撑向量机、决策树、提升方法、EM算法、HMM算法、K-means、SVD等；了解深度学习算法，如MLP、CNN、RNN、Transformer等

熟悉信息流推荐业务及常见的推荐算法，如协同过滤、基于规则推荐、基于社交关系的推荐、探索利用（E&E）算法，Embedding（item2vec、DeepWalk）类算法、FTRL、wide&deep、DeepFM、NFM等

熟悉广告业务及广告相关的算法，对广告CTR预估、特征工程、Calibration、广告CVR预估有丰富的实战经验

熟悉Hadoop生态，对于Spark、Hive、Impala、Storm等大数据组件，有丰富的实际使用经验

熟悉Java服务端开发，有亿级流量服务的设计、开发、部署经验

熟悉常用的python数据分析库、数据可视化库、机器学习库，如numpy、scipy、pandas、matplotlib、scikit-learn、xgboost、gensim、Tensorflow等

数学基础扎实，对于大部分传统的机器学习算法、深度学习算法都做过数学推导

良好的英文阅读能力，能够独立的进行算法调研，并且实现落地。