数据科学工程师

优缺点分析

角色解读

• 从数据科学工程师逐步成长为高级数据科学家或技术专家
• 可向AI产品经理或技术管理方向发展，主导更大规模的数据产品
• 深入大模型领域，成为AI前沿技术的实践者和研究者
• 运用统计分析和机器学习算法，构建预测与决策模型，解决业务问题
• 负责AI模型的评估、调优与可解释性分析，确保模型性能与业务目标对齐
• 与数据工程团队协作，参与数据清洗、特征工程和ETL流程建设
• 推动跨部门项目，将AI解决方案落地到实际业务场景
• 扎实掌握Python/R/SQL，熟悉TensorFlow/PyTorch等主流框架
• 熟悉常用机器学习算法原理，如决策树、神经网络、时间序列分析
• 具备数据建模全流程实操经验，了解大模型技术趋势
• 具备逻辑思维与跨团队沟通能力，能够推动项目落地

申请策略

• 关注联想在AI和数据方面的业务布局，如智能设备、智能制造等
• 在简历中体现你对商业数据敏感度，能通过数据洞察业务机会
• 突出机器学习项目经验，特别是完整的数据建模流程
• 强调编程能力（Python/SQL）和框架使用经验
• 展示数据治理或自动化工具开发相关的实习或项目经历
• 学习并了解大模型技术基础，如LLM应用、Prompt工程等
• 加强SQL和ETL技能，熟悉数据工程常见工具
• 练习逻辑表达和跨团队沟通能力，准备项目落地案例

面试指南

• 使用STAR法则（情境、任务、行动、结果）结构化回答项目经验
• 针对技术问题，先讲原理再结合案例，突出思考过程
• 展示团队协作时，强调沟通方法和协调能力
• 请介绍一个你构建过的预测模型，从数据预处理到评估优化的完整过程？
• 如何处理缺失值和异常值？常用哪些方法？
• 机器学习中，如何判断模型是否过拟合？如何解决？
• 你了解哪些数据治理方法？如何保证数据质量？
• 如何与业务部门沟通数据需求？举例说明