数据科学家

北京/广州/杭州/上海 · 校招 · 2027 届 · 本科

长期有效

前往官方投递页 →

任职要求

1. 本科及以上学历，计算机、统计学、数学等专业；
2. 具备扎实的专业基础，熟悉一门数据科学语言，如Python、R、SQL、Java等；
3. 具备较强的动手能力和学习能力，具备良好的沟通能力和团队合作，主动积极，乐于面对挑战；
4. 理解传统机器学习算法概念，熟悉深度学习核心框架、了解Attention机制等大模型基础原理。
【加分项】
1. 有参与过数据科学、分析、数据挖掘、算法等相关项目优先；
2. 有大数据操作的实际经验优先；
3. 具备大模型实践经历：至少参与过LLM微调、提示工程、模型压缩等任一环节优先。

岗位描述

1. 参与构建下一代AI驱动的数据科学体系，参与构建行业领先的决策智能系统，融合因果推断与大模型推理能力，突破传统AB实验边界；
2. 站在数据科学与生成式AI的交叉前沿，开发基于大模型的自动化分析工具链；
3. 探索RAG在商业分析中的创新应用，实现数据洞察的自然语言交互式挖掘；
4. 接应用先进的机器学习框架和统计方法，设计并实施方案，解决前所未有的业务挑战；
5. 通过Python/R等流行语言编写高效的机器学习算法，产出新颖实用的分析图表；
6. 沉浸在阿里海量的数据中，发挥你的商业敏感度，发现足以改变商业决策的关键洞察，创造性地提出切实可行的营销策略，并通过科学的实验设计来验证其商业效果。
1. 本科及以上学历，计算机、统计学、数学等专业；
2. 具备扎实的专业基础，熟悉一门数据科学语言，如Python、R、SQL、Java等；
3. 具备较强的动手能力和学习能力，具备良好的沟通能力和团队合作，主动积极，乐于面对挑战；
4. 理解传统机器学习算法概念，熟悉深度学习核心框架、了解Attention机制等大模型基础原理。

【加分项】

1. 有参与过数据科学、分析、数据挖掘、算法等相关项目优先；
2. 有大数据操作的实际经验优先；
3. 具备大模型实践经历：至少参与过LLM微调、提示工程、模型压缩等任一环节优先。

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

登录后分析我的简历

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）

类型专业能力·难度困难

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

类型项目经历·难度中等

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

类型专业能力·难度简单

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

类型专业能力·难度中等

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

类型情景/案例·难度中等

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。

前往官方投递页 →