技术研发中心-算法实习生

优缺点分析

角色解读

• 实习后可争取转正成为正式算法工程师，在电力智能、碳中和等垂直领域深耕
• 积累大型互联网公司算法研发经验后，可向通用算法、推荐、搜索等方向发展，或选择在能源AI领域成为专家
• 具备扎实的工程化能力和业务理解后，可向算法架构师、技术负责人等方向发展
• 参与电力市场价格预测模型的研发，具体负责电价、价差等时序数据的预测算法实现与优化
• 应用机器学习、深度学习模型（如LSTM、Transformer等）解决实际的电力业务预测问题
• 完成从数据处理、特征工程、模型训练到评估调参的完整算法开发流程
• 扎实的机器学习和深度学习理论基础，特别是时序预测领域的模型和算法
• 熟练的编程能力，能使用Python及相关科学计算库（如Pandas, NumPy）和机器学习框架（如Scikit-learn, PyTorch/TensorFlow）
• 良好的数据分析与处理能力，理解特征工程和模型评估指标
• 快速学习能力，能够理解并应用新的算法模型到具体的业务场景中

申请策略

• 在投递前，可以简单了解电力市场、电价形成机制等基础知识，在面试中展现你的主动性和业务理解潜力
• 确保邮件咨询和简历投递的专业性，展现出良好的沟通态度
• 突出与机器学习、深度学习，特别是时序预测相关的课程项目、科研经历或竞赛经历（如Kaggle、天池）
• 详细描述你使用过的技术栈（Python, PyTorch/TensorFlow, SQL等）和解决过的具体算法问题
• 如有任何与电力、能源、金融量化等时序数据相关的项目经验，务必重点展示
• 复习并实践ARIMA、Prophet、XGBoost、LSTM、Transformer等时序预测模型的原理与代码实现
• 在Kaggle等平台寻找时序预测相关的比赛或数据集进行练习，积累实战经验

面试指南

• 使用STAR法则（情境、任务、行动、结果）来结构化描述你的项目经历，突出你的个人贡献和算法应用
• 回答技术问题时，先阐述基本原理，再对比不同方法的适用场景，可以结合你项目中的实践来举例
• 回答业务场景问题时，可以从数据特点（如周期性、趋势性）、预测目标（短期/长期）、影响因素（天气、政策）等角度进行有条理的分析
• 请介绍一个你做过的机器学习/深度学习项目，重点说明你遇到的挑战和如何解决的
• LSTM和Transformer在处理时序预测任务时各有什么优缺点？
• 如何评估一个回归预测模型的性能？请解释RMSE和MAPE
• 如何对时序数据进行特征工程？
• 你对电价预测这个业务场景有什么初步的理解或想法？