职场资讯
正在查看应届生算法工程师明快简历模板文字版
陈小湾
求职意向
工作经历
XXX智能科技是专注于计算机视觉与工业质检领域的AI解决方案公司，团队规模约XXX人，核心产品为基于深度学习的表面缺陷检测系统，已服务于超过XXX家制造企业，与多家行业头部客户建立了标杆案例合作。
工作概述：
1.数据清洗：为提升模型训练数据质量，与产线工程师共同制定数据标注规则；负责对采集的XXX万张原始图像进行筛选，手动剔除模糊、过曝等无效图片，处理标签错误与类别不平衡问题；建立数据质量检查清单，将后续数据交付准确率提升至XXX%。
2.特征工程：针对PCB板缺陷种类多的特点，通过统计分析与可视化定位关键图像区域；利用OpenCV提取纹理、轮廓等传统视觉特征，与深度学习特征进行融合对比；构建特征有效性评估流程，辅助模型选择，使得在部分类别上的AUC指标提升XXX%。
3.模型调优：参与ResNet与YOLO系列模型在自有数据集的复现与训练；使用网格搜索与随机搜索调整超参数，重点关注学习率与批次大小对收敛速度的影响；记录每次实验的损失曲线与评估指标，形成调优报告，将模型在验证集上的平均F1值提升XXX%。
4.算法部署：协助算法工程师将训练好的模型转换为ONNX格式，并测试在不同推理引擎下的性能；编写简单的Python脚本，用于批量处理测试图片并生成可视化结果报告；参与编写模型部署说明文档，明确输入输出格式与硬件要求。
工作业绩：
1.独立完成超过XXX万张工业图像的数据清洗与预处理工作，支撑了X个核心缺陷检测模型的训练。
2.通过特征工程与模型调优，将负责的X类缺陷识别的准确率从X
X.X%提升至X
X.X%，误报率降低XXX%。
3.协助完成X个模型的部署测试环节，输出测试用例XXX条，确保模型转换后的精度损失小于X%。
4.参与建立的实验记录与数据管理流程，被团队采纳为标准规范，提高了算法研发的协作效率。
主动离职，希望有更多的工作挑战和涨薪机会。
项目经历
公司为XXX大型钢铁集团打造的实时质检项目，原有依赖人工目视抽检的方式漏检率高，且无法满足高速生产线的实时性要求。项目需在XXX毫秒内对每帧图像完成分类与定位，初期模型在复杂背景干扰下误检严重，特定类型划痕的召回率长期低于XX%，同时面临产线环境光照不均、钢板反光等实际挑战。
项目职责：
1.数据预处理：负责针对产线采集的XXX万张带钢图像，设计并实施光照归一化与对比度增强方案，有效抑制反光区域干扰。
2.模型训练支持：协助搭建与训练基于Faster R-CNN的缺陷检测模型，负责准备训练数据、监控训练过程并记录关键指标。
3.结果分析：对模型预测结果进行详细分析，统计各类缺陷的混淆矩阵，定位模型在细小划痕与污渍类别上的识别短板。
4.辅助优化：根据分析结果，提议并实施了针对难例样本的数据增强策略，增加了随机遮挡与仿射变换，扩充了训练样本。
项目业绩：
1.系统上线后，实现了对XXX毫米宽钢带的7*24小时在线检测，单张图像处理时间稳定在XXX毫秒以内。
2.核心缺陷类别的平均召回率从XX%提升至X
X.X%，误报率降低至
X.X%以下，超过客户合同指标。
3.项目帮助客户将质检人力成本降低了约XXX%，年预计减少因漏检导致的质量索赔XXX万元。
4.该项目成为公司在钢铁行业的首个标杆案例，助力团队后续签约X家同类客户。
教育背景
GPA X.XX/X.X（专业前XX%），主修机器学习、计算机视觉与数据结构等核心课程。独立完成基于PyTorch的垃圾分类图像识别课程项目，负责数据采集、CNN模型（VGG）训练与测试，在自建数据集上达到XX%的准确率。熟练使用Python进行数据分析与算法实现，掌握Pandas、NumPy及OpenCV基础操作。
自我评价
培训经历
系统学习了云计算与大数据基础，理解AI模型在云上的训练与部署流程。在课程实践中，使用阿里云PAI平台完成了一个简单的商品识别模型训练任务，熟悉了OSS对象存储、ECS等基础服务的使用，为理解算法产品的云端落地提供了知识框架。
应届生算法工程师明快简历模板
594人使用适用人群: #算法工程师 #应届生[<1年]
[基本信息]
姓名：陈小湾
性别：男
年龄：26
学历：本科
婚姻：未婚
年限：4年
面貌：党员
邮箱：xiaowan@gangwan.com
电话：18600001654
[求职意向]
工作性质：全职
应聘职位：算法工程师
期望城市：北京
期望薪资：8000-10000
求职状态：离职-随时到岗
[工作经历]
北京XX科技有限公司 | 算法工程师
2024-09 - 2025-12
XXX智能科技是专注于计算机视觉与工业质检领域的AI解决方案公司，团队规模约XXX人，核心产品为基于深度学习的表面缺陷检测系统，已服务于超过XXX家制造企业，与多家行业头部客户建立了标杆案例合作。
工作概述：
1.数据清洗：为提升模型训练数据质量，与产线工程师共同制定数据标注规则；负责对采集的XXX万张原始图像进行筛选，手动剔除模糊、过曝等无效图片，处理标签错误与类别不平衡问题；建立数据质量检查清单，将后续数据交付准确率提升至XXX%。
2.特征工程：针对PCB板缺陷种类多的特点，通过统计分析与可视化定位关键图像区域；利用OpenCV提取纹理、轮廓等传统视觉特征，与深度学习特征进行融合对比；构建特征有效性评估流程，辅助模型选择，使得在部分类别上的AUC指标提升XXX%。
3.模型调优：参与ResNet与YOLO系列模型在自有数据集的复现与训练；使用网格搜索与随机搜索调整超参数，重点关注学习率与批次大小对收敛速度的影响；记录每次实验的损失曲线与评估指标，形成调优报告，将模型在验证集上的平均F1值提升XXX%。
4.算法部署：协助算法工程师将训练好的模型转换为ONNX格式，并测试在不同推理引擎下的性能；编写简单的Python脚本，用于批量处理测试图片并生成可视化结果报告；参与编写模型部署说明文档，明确输入输出格式与硬件要求。
工作业绩：
1.独立完成超过XXX万张工业图像的数据清洗与预处理工作，支撑了X个核心缺陷检测模型的训练。
2.通过特征工程与模型调优，将负责的X类缺陷识别的准确率从X
X.X%提升至X
X.X%，误报率降低XXX%。
3.协助完成X个模型的部署测试环节，输出测试用例XXX条，确保模型转换后的精度损失小于X%。
4.参与建立的实验记录与数据管理流程，被团队采纳为标准规范，提高了算法研发的协作效率。
[项目经历]
项目名称：钢材表面缺陷在线检测系统
担任角色：项目负责人
公司为XXX大型钢铁集团打造的实时质检项目，原有依赖人工目视抽检的方式漏检率高，且无法满足高速生产线的实时性要求。项目需在XXX毫秒内对每帧图像完成分类与定位，初期模型在复杂背景干扰下误检严重，特定类型划痕的召回率长期低于XX%，同时面临产线环境光照不均、钢板反光等实际挑战。
项目业绩：
1.系统上线后，实现了对XXX毫米宽钢带的7*24小时在线检测，单张图像处理时间稳定在XXX毫秒以内。
2.核心缺陷类别的平均召回率从XX%提升至X
X.X%，误报率降低至
X.X%以下，超过客户合同指标。
3.项目帮助客户将质检人力成本降低了约XXX%，年预计减少因漏检导致的质量索赔XXX万元。
4.该项目成为公司在钢铁行业的首个标杆案例，助力团队后续签约X家同类客户。
[教育背景]
杭州电子科技大学
计算机科学与技术 | 本科
GPA X.XX/X.X（专业前XX%），主修机器学习、计算机视觉与数据结构等核心课程。独立完成基于PyTorch的垃圾分类图像识别课程项目，负责数据采集、CNN模型（VGG）训练与测试，在自建数据集上达到XX%的准确率。熟练使用Python进行数据分析与算法实现，掌握Pandas、NumPy及OpenCV基础操作。