• 机器学习/分析用例的工作范围：与客户合作，理解他们的需求，并设计量化解决方案，以满足这些需求，无论是通过机器学习、分析、数据管道和可视化，还是其他方法
• 获取、清洗和评估数据集的完整性：老实说，这是工作中复杂而令人满意的25%。我们在机器学习工作流程的许多组件中使用Google云平台。
• 探索数据及其来源：寻找数据中的模式和信号，识别重要字段，获取见解，并判断机器学习是否能应用于问题
• 开发和评估机器学习模型：特征工程、尝试不同的模型类型、选择正确的性能衡量标准、分析模型性能和结果（例如，特征重要性、模型稳定性、在不同组中的性能等）。
• 理解模型设计和决策：解释模型如何在后台工作以及模型是如何得出某个预测的，选择正确的模型家族，并为更快的性能证明准确性权衡。
• 实施策略和应用：建议客户如何在业务中使用模型输出，通常需与客户和其他Thinking Machines团队（例如，战略师、商业智能分析师）协作。
• 研究并跟上技术领域的最新动向：阅读已发表的机器学习论文，并在新领域实施改进后的模型版本
  
  

• 熟悉机器学习模型 - 你对分类和回归的经典机器学习模型（例如，决策树、集成模型、支持向量机等）有展示性的理解。寻求更高级职位的申请者必须在至少一个特定领域具有高级知识。以下是一些大致类别：
• 顺序预测模型（如时间序列预测、LSTM等）
• 计算机视觉（例如CNN、SSD等）
• 地理空间建模（例如GeoPandas、GIS、Clay、UNet等）
• LaGenAI或语言模型（例如GPT、Gemini、Claude、提示工程、RAG、词嵌入、文本表示等）
• 熟悉编码 - 你可以使用本地计算机抓取、加载和解析中等大小的数据集，而无需太多帮助。
• 清晰的沟通 - 我们帮助客户充分利用他们的数据，因此我们有效地诊断他们的需求，正确进行分析，并以促进理解和行动的方式沟通我们的发现。至少，你需要能够逻辑清晰地表达你的观点，并且愿意在与我们共同成长的过程中学习这项技能。
• 以应用为中心的解决方案方法 - 你应该能够设计和开发出在客户工作中具有明确潜在影响的解决方案，并对他们在现实应用中如何使用这些方案具备愿景。
• 具有建设性好奇心 - 你会提出许多正确的问题。发现了意外的相关性？深入原始数据以验证。
• 喜欢教与学 - 我们相信，数据科学是当今一个令人振奋的领域。我们有大量的新材料要学习，我们都想学习，并且我们正在寻找愿意为每个人的成长做出贡献的人。作为我们面试的一部分，我们会要求你为我们读一篇机器学习论文并总结。
• 强烈的主动性 - 你总是寻找有用的方式，并且厌恶无所事事。
• 社交智力 - 与他人相处融洽并在需要大量团队合作和人际互动的环境中茁壮成长极为重要。

• 至少2年数据科学、分析或其他相关领域的工作经验
• 如果你在该领域的经验少于两年，请准备展示机器学习项目的作品集！
• 计算机科学、物理、数学、统计学或任何相关领域的本科学位/研究生学位
• 扎实的基础统计技能，并能处理线性代数
• 强大的定量分析能力
• 熟悉Python或R等统计编程语言
• 加分项（你并不需要具备以下所有资格，但竞争力候选人至少具备两项）：
• 熟悉科学Python工具包和深度学习框架（例如PyTorch、TensorFlow、Keras等）
• 在同行评审的期刊和会议上发表的论文
• 熟悉云平台（AWS、GCP或Azure）在>10GB数据集上训练机器学习模型的能力
• 在使用像Tableau、Power BI、Looker、Matplotlib或Seaborn等工具创建引人注目的数据可视化和仪表板方面的经验，以便向利益相关者传达见解
• 在非技术领域的专业知识。你在能源、金融、保险方面是专家吗？带来我们还没有的东西！
• 熟练掌握开源框架并具备良好的软件工程实践
  

• 具有竞争力的薪资——薪酬数量与工作的难度、相关经验、适配度和技能因素正相关。
• 混合办公模式——混合远程意味着员工需要每周平均进办公室两天，进行客户接待以及内部面对面协作、社交和战略规划。
• 个人专业发展预算——有年预算用于会议、培训课程、书籍和软件，帮助你提升技能并构建新技能，以助你在角色中成长。
• 完整的健康福利——在雇用后提供丰厚的健康保险套餐，可选择将受抚养人纳入。
• 与领导团队的学徒培训和年度绩效评审，讨论职业和个人目标、工作进展及任何问题和关注点。

请参考职位描述。