个人信息

姓名：陈明
联系电话：138-xxxx-xxxx
邮箱：chenming.alg@xxx.com
GitHub：https://github.com/chenming-ml（Star 2.3k+，Contributor to 5 + 开源项目）
LinkedIn：linkedin.com/in/chenming-alg
地址：北京市海淀区

职业标签：算法专家 | 机器学习 / 深度学习 | 计算机视觉 / NLP | 技术管理（5 人团队） | 8 年经验

职业概述

8 年算法研发经验，专注机器学习与深度学习在计算机视觉、自然语言处理领域的落地，主导 10 + 核心项目从 0 到 1 上线，覆盖金融风控、智能推荐、自动驾驶等场景。擅长算法选型、工程化落地与团队管理，曾将某金融反欺诈模型准确率提升至 98.7%，年减少损失 1.2 亿元。熟悉 TensorFlow/PyTorch 等框架，发表 EI 论文 3 篇，申请发明专利 5 项，主导搭建企业级算法平台，支持日均 10 亿次推理请求。

核心技能

工作经历

某头部金融科技公司 | 算法专家 | 2020.03 – 至今

• 负责智能风控算法团队（5 人），主导信用卡反欺诈、信用评分等核心项目，支撑年交易额超 500 亿元
• 搭建企业级算法平台，集成特征工程、模型训练、在线推理模块，支持日均 10 亿次模型调用，推理延迟 < 50ms
• 创新应用联邦学习技术，联合 3 家银行构建跨机构风控模型，AUC 达 0.91，通过央行科技司验收

某自动驾驶初创公司 | 资深算法工程师 | 2017.06-2020.02

• 负责 L4 级自动驾驶决策规划算法研发，设计基于强化学习的行为预测模型，仿真测试通过率提升至 89%
• 优化感知算法工程化流程，将模型推理速度从 200ms 优化至 30ms，满足实时性要求
• 主导与某车企合作项目，完成算法部署与车规级验证，获 2019 年度 “技术突破奖”

某互联网大厂 | 算法工程师 | 2015.07-2017.05

• 参与电商推荐系统研发，设计多目标排序算法，CTR 提升 18%，GMV 增长 2.3 亿元 / 年
• 搭建 AB 测试平台，支持日均 50 + 算法实验，实验周期从 7 天缩短至 2 天
• 优化用户画像系统，新增 100 + 特征，用户留存率提升 12%

核心项目经验

项目一：信用卡实时反欺诈系统（2022.05-2023.03）
背景：某银行信用卡欺诈交易月均损失超 1000 万元，传统规则引擎漏检率达 15%
职责：项目负责人，主导算法设计、团队管理与上线交付
技术方案：

• 数据层：处理 3 年交易数据（10 亿 + 样本），构建 500 + 维度特征，使用 Spark 分布式训练
• 模型层：设计 “规则 + 模型” 混合架构，基础模型用 XGBoost（AUC 0.92），实时模型用 LightGBM（推理 10ms）
• 工程层：基于 K8s 部署模型，支持每秒 2000 + 请求，调用成功率 99.99%
  成果：
• 欺诈识别准确率 98.7%，漏检率降至 2.3%，年减少损失 1.2 亿元
• 获银行总行 “年度创新项目”，被 3 家分行复用
• 猫步简历优化点：使用 “AI 诊断” 补充 “特征重要性分析” 模块，突出 “特征交叉策略使召回率提升 25%”

项目二：工业质检图像识别系统（2021.08-2022.04）
背景：某电子厂人工质检效率低（500 件 / 天），误检率 10%，客诉率高
职责：算法负责人，负责模型研发与工程化落地
技术方案：

• 数据层：构建 10 万 + 缺陷样本库，使用 StyleGAN 数据增强，样本多样性提升 3 倍
• 模型层：改进 YOLOv5，加入注意力机制，小目标检测准确率提升 18%
• 部署层：模型量化压缩至 1/5 大小，部署在边缘设备，单张图片检测时间 < 200ms
  成果：
• 质检效率提升至 5000 件 / 天，误检率 < 0.1%，年节省人力成本 300 万元
• 申请发明专利 2 项（《一种电子元件缺陷检测方法》《基于注意力机制的小目标识别模型》）
• 猫步功能应用：通过 “插入任意模块” 添加 “模型压缩对比表”，可视化模型优化过程

项目三：自动驾驶决策规划系统（2018.10-2019.07）
背景：自动驾驶车辆在复杂路口（无保护左转）通过率仅 60%，易发生剐蹭
职责：核心算法工程师，负责行为预测与路径规划模块
技术方案：

• 预测层：用 Graph Neural Network 预测周围车辆轨迹，准确率 85%（3 秒内）
• 决策层：基于 PPO 强化学习算法，训练 10 万 + 仿真场景，复杂路口通过率提升至 92%
• 工程层：C++ 重构核心模块，计算耗时从 500ms 降至 50ms
  成果：
• 实车测试通过复杂路口 98 次 / 100 次，无碰撞记录
• 支撑公司获得自动驾驶路测牌照，与某车企达成 2000 万元合作
• 猫步优化：AI 润色将 “模型训练” 转化为 “构建多场景仿真平台，模型泛化能力提升 40%”

学术成果与荣誉

1. 论文发表：
2. 专利发明：
3. 荣誉奖项：

教育背景

清华大学 | 计算机科学与技术 | 硕士 | 2013.09-2015.06

• 研究方向：机器学习与计算机视觉
• thesis：《基于深度学习的图像分割算法研究》（优秀毕业论文）
• 课程：高级机器学习（95）、模式识别（92）、神经网络（90）

哈尔滨工业大学 | 计算机科学与技术 | 本科 | 2009.09-2013.06

• GPA：3.8/4.0（专业前 5%）
• 获奖：国家奖学金（2 次）、校级优秀毕业生

附加信息

• 开源贡献：为 PyTorch 官方仓库提交 3 次 PR（已合并），维护个人开源项目《工业质检算法库》（GitHub Star 1.2k）
• 技术博客：知乎专栏《算法落地实战》（粉丝 5k+，单篇最高阅读 10 万 +）
• 技能证书：TensorFlow Developer Certificate、AWS Certified Machine Learning – Specialty
• 语言能力：英语（CET-6，熟练阅读英文论文 / 技术文档）

猫步简历优化指南（算法工程师专属）

1. 技术栈可视化：使用 “技能雷达图” 模块，突出 “算法理论 + 工程能力 + 业务落地” 三维度平衡
2. 项目成果量化：通过 “数据看板” 模块，插入模型指标对比图（如 AUC / 准确率提升曲线）
3. 开源经验展示：在 GitHub 链接旁添加 “贡献统计”，如 “提交 PR 23 次，参与 5 个开源项目”
4. AI 诊断应用：上传简历后，系统会提示补充 “模型部署细节”，如 “TensorRT 加速使推理速度提升 3 倍”
5. 多格式导出：技术面试附 “模型架构图.PPT”，HR 面试用 “成果量化.PDF”，代码面试带 “核心算法.JSON”

简历亮点说明

• 技术深度：覆盖算法理论、工程落地、团队管理全链条，体现 “专家 + 管理者” 双重能力
• 业务价值：每个项目均附具体业务指标（损失减少 / 效率提升 / 成本节省），避免纯技术堆砌
• 行业适配：兼顾金融 / 自动驾驶 / 互联网多领域，展示算法跨场景迁移能力
• 持续学习：学术成果 + 开源贡献 + 技术博客，体现行业影响力

（注：本模板严格遵循猫步简历 “算法工程师专属模板” 规范，支持 AI 润色、模块化重组、多格式导出，可通过官网https://maobucv.com获取完整模板及优化工具）