蔚来
校招提前批-算法工程师
上海/武汉 · 校招 · 2027 届 · 硕士
长期有效
任职要求
- 学历背景：统计学、数学、计算机科学、数据科学、工业工程、运筹学等相关专业，硕士及以上学历
- 理论基础：扎实的概率论与数理统计基础，熟悉常见的统计检验方法（假设检验、回归分析、时间序列分析等）；理解主流机器学习算法（决策树、随机森林、XGBoost、聚类等）的原理与适用场景
- 工程能力：熟练使用 Python 及其数据分析栈（NumPy、Pandas、Scikit-learn、Matplotlib/Seaborn）；具备 SQL 数据提取与处理能力；了解至少一种深度学习框架（PyTorch 或 TensorFlow）
- 分析思维：有完整的数据分析项目经验（含课程项目、竞赛或实习），能够从原始数据出发，定义分析目标、执行分析流程、得出可复现的结论
- 加分项：
- 有时序预测、用户画像、定价优化、因果推断等相关项目经验
- 有数据产品化经验——将分析脚本转化为自动化运行的数据Pipeline
- 熟悉 A/B 测试设计与实验结果分析
- 有运筹优化或仿真建模相关背景
- 在KDD、WWW、ICDM等数据科学领域会议/期刊发表过论文，或 Kaggle 竞赛取得过优异成绩
- 了解数据可视化工具（Tableau、PowerBI、ECharts 等）
岗位描述
数据分析与洞察提取
从原始运营数据和结构化数据中提取关键洞察，回答业务提出的分析问题
构建可复用的数据分析工作流，形成标准化的分析范式
撰写分析报告，清晰呈现数据发现与业务建议
建模与算法开发
参与统计建模与机器学习算法的设计、开发与验证
方向包括但不限于：用户行为预测、时序需求预测、定价优化模型、用户画像分析、异常检测
建立模型性能评估体系，监控模型在生产环境中的表现
数据产品化
将分析方法和模型封装为可持续运行的数据产品
与仿真工程师协作，为仿真系统提供数据输入与验证基准
在资源受限的生产环境中部署轻量化数据模型
跨团队协作
与产品、运营、仿真等角色密切配合，理解业务需求并转化为数据任务
主动汇报分析目标、方法与进展，确保数据工作与业务方向对齐
参与分析方法论的讨论与评审，逐步建立独立的技术判断力
你的简历匹配这个岗位吗？
上传简历，AI 会对照这份 JD 指出你的差距和需要补强的地方
该岗位可能会问的问题
基于 算法 岗位的常见面试问题整理
请解释 Transformer 模型的自注意力机制（Self-Attention）
查看答题思路
1. Self-Attention = 序列中每个 token 与所有 token 计算相关性权重 2. Q=Wq·x, K=Wk·x, V=Wv·x; Attention(Q,K,V)=softmax(QK^T/√d_k)V 3. 除以 √d_k 防止点积过大导致 softmax 梯度消失 4. 多头注意力：多组 QKV 并行，拼接后线性变换，捕获不同子空间特征 5. 对比 RNN：可并行计算，捕获长距离依赖
你做过的最有深度的算法/模型项目是什么
查看答题思路
1. 一句话说清任务：分类/生成/检索/推荐 2. 模型选型：为什么选这个而非那个 3. 数据：数据量、来源、清洗策略 4. 创新点：你做的改进是什么（不是调参） 5. 结果：核心指标提升（准确率/召回/延迟）
过拟合是什么？怎么判断和解决
查看答题思路
1. 过拟合=训练集表现好、验证集表现差，模型记住了噪声 2. 判断：train loss 持续下降而 val loss 上升 3. 解决：更多数据 / 正则化(L1/L2) / Dropout / 早停 / 数据增强 / 降低模型复杂度
解释梯度下降的原理，SGD 和 Adam 的区别
查看答题思路
1. 梯度下降：沿负梯度方向更新参数，使损失降低 2. SGD：每次用随机小批量估算梯度，引入随机性帮助跳出局部最优 3. Adam = Momentum + RMSProp：自适应学习率 + 动量加速 4. Adam 收敛快但可能泛化不如 SGD；CV 常用 SGD，NLP 多用 Adam
给你 10 万条未标注的文本数据，如何找出其中 10 个主题
查看答题思路
1. 预处理：分词、去停用词 2. 向量化：TF-IDF 或 Sentence Embedding 3. 聚类：K-Means（需指定 K=10）或 HDBSCAN（自动确定类数） 4. 或 LDA 主题模型直接输出主题-词分布 5. 评估：看每个簇的高频词判断主题合理性，迭代调整
更多面试题库功能即将上线
信息来源：企业官方招聘页。投递前请以官网信息为准。