滴滴出行
27届秋招-算法工程师（用户平台部）
27届秋招-算法工程师（用户平台部）
发布于 大约 20 小时前普通员工/个人贡献者
全职员工仅现场办公算法优化工程师
算法优化工程师
大模型
异常检测
数据挖掘
时序算法
机器学习
深度学习
特征工程
值不值得投
78综合评分
综合评分 78
大厂校招算法岗，技术前沿、成长空间大，薪资有竞争力，但办公与WLB信息未明确。
从起薪待遇、成长路径、工作节奏和岗位方向综合评估，方便比较职业起点。
薪资怎么样
31K
比算法优化工程师中位数高
发布情况
新岗位 · 今天发布
公司情况
这家公司招聘很活跃
约 950 个在招 · 其中算法优化工程师 9 个
市场机会
选择面较广
北京 · 算法优化工程师 · 约 170 个在招
职位详情
关于这个职位
该职位负责多源时序信号的算法建模与挖掘，设计并落地时序数据的清洗、特征工程、异常检测、趋势预测等模型，并结合智能设备/IoT数据构建端到端的算法链路
适用于2027届应届毕业生，要求硕士及以上学历，具备扎实的时序算法和机器学习基础，并能将AI工具融入工作流以提升效率
最低要求
届应届毕业生，硕士及以上学历
扎实的时序算法功底：系统掌握时间序列分析与建模方法，熟悉平稳性 / 趋势 / 周期分解、ARIMA、状态空间模型、滤波（卡尔曼等）、信号处理、异常检测、变点检测等经典方法
数据 / 模型开发经验：有健康 / 体征类数据的处理与模型开发经验，熟悉生理信号或智能设备数据的建模落地
机器学习基础：熟练掌握经典机器学习方法（GBDT/XGBoost、聚类、回归、特征工程等）及主流时序深度模型（LSTM/TCN/Transformer 时序变体等）
工程能力：熟练使用 Python 及 NumPy / Pandas / SciPy / scikit-learn 等工具，具备良好的数据处理与代码工程素养
对 AI 提效有理解：理解并实践用大模型 / AI 工具提升数据分析与研发效率，能把 AI 融入日常工作流
工作职责
负责多源时序信号的算法建模与挖掘
设计并落地时序数据的清洗、特征工程、异常检测、趋势预测与风险评估模型
结合智能设备 / IoT 传感器数据，构建端到端的指标算法链路并持续迭代调优
与产品、硬件、工程团队协作，将算法能力落地为可上线、可解释、可运维的业务功能
善用 AI 工具与大模型能力为研发与数据流程提效，提升算法迭代效率
优先资格
加分项（Plus）：
有 大模型（LLM）相关研究（训练 / 微调 / 应用落地等），能将 LLM 能力与数据场景结合
有 IoT / 边缘端 / 流式数据实时处理经验
有数据可视化、A/B 实验或指标体系搭建经验
有顶会论文、专利或开源项目贡献
AI 洞察
优缺点分析
优点
- 技术栈前沿，涉及时序算法、大模型、IoT数据等热门方向，能快速积累前沿技术经验
- 大平台资源丰富，项目规模大、落地机会多，有利于职业初期视野拓展和能力提升
- 校招起点高，职业发展路径清晰，有明确的成长通道和导师资源
- 技术难度高，需要持续学习时序分析、深度学习和AI工程化等多领域知识
- 适合对时序数据和AI算法有浓厚兴趣，具备扎实编程和数学基础，希望在大平台通过实战快速成长的应届硕士毕业生
缺点 / 挑战
- 业务落地可能面临复杂的数据环境和工程化挑战，需平衡算法效果与可运维性
- 竞争压力较大，需保持技术敏锐度和持续产出，以适应快速迭代的团队节奏
角色解读
- 在算法领域深耕，成为时序数据分析或智能设备算法方面的高级专家
- 向AI架构师或技术负责人发展，主导复杂算法系统的设计与落地
- 转向技术管理岗位，带领团队完成大型AI项目，或专注于特定垂直领域（如健康数据AI）的创新应用
- 负责多源时序信号的算法建模与挖掘，解决时间序列分析中的核心问题
- 设计并落地时序数据的全流程处理模型，包括清洗、特征工程、异常检测和趋势预测
- 结合智能设备/IoT传感器数据，构建端到端的指标算法链路，确保模型可上线、可解释、可运维
- 与产品、硬件、工程团队紧密协作，将算法能力转化为实际业务功能，并利用AI工具提升研发效率
- 扎实的时序算法理论功底，熟悉经典方法如ARIMA、状态空间模型、卡尔曼滤波及异常检测
- 机器学习与深度学习基础，掌握GBDT/XGBoost等经典模型和LSTM/TCN/Transformer等时序深度模型
- 熟练使用Python及NumPy/Pandas/SciPy/scikit-learn等数据处理工具，具备良好的工程能力
- 对AI提效有实践理解，能够运用大模型/AI工具优化数据分析与研发流程
申请策略
- 深入研究滴滴出行的用户平台业务，理解智能设备/IoT数据在出行场景中的价值
- 准备算法笔试和面试的常见题型，如时序预测、异常检测等开放性问题
- 在面试中展示对智能设备数据的兴趣和理解，体现将技术与业务结合的思考
- 重点突出时序算法相关的项目经验或研究成果，包括具体方法、模型和业务成果
- 展示Python编程及数据处理工具链的熟练度，可列举具体项目中的代码贡献
- 如有顶会论文、专利或开源项目，务必在简历显要位置列出
- 强调对AI工具的实践应用，例如使用大模型辅助数据分析或自动化工作流的案例
- 深入学习时序深度学习模型，特别是Transformer在时序预测中的变体和应用
面试指南
- 使用STAR法则（情境-任务-行动-结果）结构化回答项目经历问题，突出个人贡献和量化成果
- 从问题定义、方法选择、实验对比、结果分析的角度回答技术方案问题，展示系统化思维
- 结合具体案例（如学校项目、实习经历）来阐述对技术应用的理解，避免空谈理论
- 请描述一个你处理时序数据的项目经历，遇到了哪些挑战，如何解决的？
- 如何将ARIMA、状态空间模型等经典时序方法与深度学习模型结合应用于实际业务？
- 你对大模型在时序数据分析或数据挖掘中的应用有什么理解和实践经验？
- 如何评估一个时序预测模型的性能，并确保其在生产环境中的可解释性和可运维性？
- 与产品、工程团队协作将算法落地时，你通常如何沟通和推进？
职位点评
薪资福利85
成长发展85
工作生活60
使命价值70
薪资福利
85较高
作为大厂校招算法岗，薪资在就业市场中具有较强竞争力，但JD未明确披露具体薪资和福利细节。
薪资信号未披露（AI估算：22K-40K/月）
成长发展
85较高
岗位核心涉及时序算法、大模型等前沿技术领域，对技术深度和工程实践要求高，能提供显著的技能成长空间。
技术前沿前沿/新兴技术
技术栈时序算法、Python、机器学习、深度学习、大模型、异常检测
业务类型ambiguous
工作生活
60中等
JD未明确提及工作模式、办公灵活性或工作生活平衡相关信息，无法判断具体的办公安排和工作强度。
工作模式未明确
办公地点未明确
加班情况未提及（无法判断）
使命价值
70中等
作为出行平台的技术岗位，间接服务于大众出行，具有一定的社会价值，但JD未强调具体的使命或社会影响力。
行业发展稳定成熟行业
社会影响中性/一般
创新程度积极采用新技术
Watch Jobs