挖工程師

㈠ 專利挖掘工程師有前途嗎

機械工程師企業需要很多，專門的專利工程師很少；若該企業是高科技企業，專利較多，專利工程師提肯定有前途，升空間肯定也大，如果是普通的機械企業，專利很少，還是做機械工程師好，關鍵看企業的性質和自己的能力了。

㈡ 有哪位工作了的數據挖掘工程師可以回答

1. 數據挖掘從業人員工作分析：數據挖掘從業人員的願景：數據挖掘就業的途徑從我看來有以下幾種，(注意：本文所說的數據挖掘不包括數據倉庫或資料庫管理員的角色)。

2. A：做科研(在高校、科研單位以及大型企業，主要研究演算法、應用等)

3. B：演算法工程師(在企業做數據挖掘及其相關程序演算法的實現等)C：數據分析師(在存在海量數據的企事業單位做咨詢、分析等)

4. 數據挖掘從業人員切入點：根據上面的從業方向來說說需要掌握的技能。A：做科研：這里的科研相對來說比較概括，屬於技術型的相對高級級別，需要對開發、數據分析的必備基礎知識。

5. B：演算法工程師：主要是實現數據挖掘現有的演算法和研發新的演算法以及根據實際需要結合核心演算法做一些程序開發實現工作。要想扮演好這個角色，你不但需要熟悉至少一門編程語言如(C,C++,Java,Delphi等)和資料庫原理和操作，對數據挖掘基礎課程有所了解，讀過《數據挖掘概念與技術》(韓家煒著)、《人工智慧及其應用》。有一點了解以後，如果對程序比較熟悉的話並且時間允許，可以尋找一些開源的數據挖掘軟體研究分析，也可以參考如《數據挖掘：實用機器學習技術及Java實現》等一些教程。

6. C：數據分析師：需要有深厚的數理統計基礎，可以不知道人工智慧和計算機編程等相關技術，但是需要熟練使用主流的數據挖掘(或統計分析)工具。從這個方面切入數據挖掘領域的話你需要學習《數理統計》、《概率論》、《統計學習基礎：數據挖掘、推理與預測》、《金融數據挖掘》,《業務建模與數據挖掘》、《數據挖掘實踐 》等，當然也少不了你使用的工具的對應說明書了，如SPSS、SAS等廠商的《SAS數據挖掘與分析》、《數據挖掘Clementine應用實務》、《EXCEL 2007數據挖掘完全手冊》等，如果多看一些如《數據挖掘原理》 等書籍那就更好了。

㈢ 數據挖掘工程師是干什麼的

數據挖掘指的是在長期積累的數據中分析和挖掘有價值的信息以供決策。
這個概念主要還是因為ERP（企業資源計劃）和OA(辦公自動化)軟體系統的廣泛使用和發展的基礎上出現的一個概念。因為企業在使用這些軟體系統的過程中，雖然運營的狀態和管理以及成本有很大的節約，大大提高了企業的運營效率，可是這些系統卻只能對企業的狀態和管理進行一個狀態性的記錄，對長期記錄下來的這些數據的分析和在挖掘能力是非常有限的，雖然眾多軟體供應商想出各種辦法來利用其這些數據，比如出各種報表甚至自定義的報表，可是仍然受制於ERP和OA本身設計的缺陷，因為它們原本就不是設計來做數據分析的。

㈣ 數據挖掘工程師的工作是什麼

1、根據自己對行業，以及公司業務的了解，獨自承擔復雜分析任務，並形成分析報告；
2、相關分析方向包括：用戶行為分析、廣告點擊分析，業務邏輯相關以及競爭環境相關；
3、根據業務邏輯變化，設計相應分析模型並支持業務分析工作開展。
4、利用數據挖掘工具進行用戶細分，用戶偏好，用戶網上行為等的研究；
5、進行用戶調研，數據分析，商業分析，並基於業務需求，提供用戶研究及數據挖掘解決方案，實施應用項目；
6、將數據挖掘演算法及用戶研究成果固化成數據產品；

㈤ 數據挖掘工程師有前途嗎

1.城建專業助理工程師任職資格證書說明取得相應的任職資格。

㈥ 數據挖掘工程師怎麼考

數據挖掘領域是一個獨特的行業，通常的招聘面試方法可能不大適用於本行業的特點。在招聘一個合格的數據挖掘工程師時，公司一般關注以下三個方面：

他聰明嗎？聰明意味著能透過復雜的信息建構問題並以正確的方式加以解決。聰明人還能從失敗中獲取經驗。

他能否專注於項目？專注意味著在各種困難的環境內，仍能獨立或合作完成項目。

他是否能與團隊一起工作。團隊合作需要很好的溝通能力，工作中涉及到的概念、問題、模型、結論等都需要成員之間正確的溝通方能加以明確。

為了解候選人是否具有數據挖掘工程師的潛質，需要一小時的面試，主要通過以下五個環節：

1、簡介

如同交談之初的寒暄一樣，簡介是使候選人放鬆下來。可以先介紹一下公司本身的情況，再回答對方的一些疑問。如果問題很復雜，可以將回答放到面試的最後階段再處理。

2、關於數據挖掘項目

這是最為重要且耗時的面試階段，詢問候選人最近接手的數據挖掘項目的情況和處理方式。要提問的方麵包括：

他一開始是如何描述這個項目的

項目持續了多長時間

這個項目的關鍵問題是什麼

問題是如何得到解決的

在數據挖掘項目中最為困難的階段是什麼

最有趣的階段又是什麼

在他眼裡，客戶是怎麼樣的

團隊的其他成員又是如何表現的

從中獲得了什麼樣的經驗

在這個面試階段，不僅要提問關於「what」的問題，還要很多關於「why」的問題。因為優秀的數據挖掘工程師要能面對客戶，清晰的論證並支持其提出的觀點。

3、關於數據挖掘的流程

考察候選人對於工作流程的認識是必要的，如果他談到了跨行業數據挖掘流程規范（CRISP-DM）意味著好兆頭。有很多時候，候選人對這些規范不以為然。雖然說從不同的角度來看待問題是一種創新，但是創新也需要建立在堅實在流程標准之上。因為它可以保證我們不會出現大的紕漏。

必要的時候，可以用白板讓候選人畫出流程圖。並讓他評價這些工作中最為重要或需要反思的地方。因為建模工作不可能一次完成，反復的提煉問題、建立模型的情況是經常遇到的。

另外可以在某個挖掘流程進行深入考查，例如詢問對方如何避免過度擬合，如何從大量的候選變數中進行篩選，如何評價或比較模型的效果。

4、解決問題

軟體公司的面試一般會包括「編碼測試」，考查數據挖掘工程師也應該如此。一種可以參考的作法是提供一份存在缺陷的分析報告。讓候選人對報告進行研究，表達報告中結論的意義，提出其中所存在的問題或不足，提出改進或補救的方法。

5、收尾

在面試的最後階段，需要回答候選人的其它提問，並使之相信本公司在本行業中的優勢地位，以及在職業生涯中的作用。在完成面試後，需要立即將面試記錄進行整理存檔。

㈦ 數據挖掘工程師一般都做什麼

數據挖掘工程師是做什麼的？

數據挖掘，從字面上理解，就是在數據中找到有用的東西，哪些東西有用就要看具體的業務目標了。最簡單的就是統計應用了，比如電商數據，如淘寶統計過哪個省購買泳衣最多、哪個省的女生胸罩最大等，進一步，可以基於用戶的瀏覽、點擊、收藏、購買等行為推斷用戶的年齡、性別、購買能力、愛好等能表示一個人的畫像，就相當於用這些挖掘出來的屬性來刻畫一個人，這些還是最簡單的東西，更深層次的比如預測（股票預測），但是比較難。

數據挖掘往往與機器學習離不開。比如分類、聚類、關聯規則挖掘、個性化推薦、預測、神經網路、深度學習等。

數據挖掘 = 業務知識 + 自然語言處理技術（ NLP ） + 計算機視覺技術（ CV ） + 機器學習 / 深度學習（ ML/DL ）

（ 1 ）其中業務知識具體指的是個性化推薦，計算廣告，搜索，互聯網金融等； NLP ， CV 分別是處理文本，圖像視頻數據的領域技術，可以理解為是將非結構化數據提取轉換成結構化數據；最後的ml/dl 技術則是屬於模型學習理論；

（ 2 ）在選擇崗位時，各個公司都沒有一套標準的稱呼，但是所做的事情無非 2 個大方向，一種是主要鑽研某個領域的技術，比如自然語言處理工程師，計算機視覺工程師，機器學習工程師等；一種是將各種領域技術應用到業務場景中去解決業務需求，比如數據挖掘工程師，推薦系統工程師等；具體的稱呼不重要，重要的是平時的工作內容；

PS ：在互聯網行業，數據挖掘相關技術應用比較成功的主要是推薦以及計算廣告領域，而其中涉及到的數據主要也是文本，所以 NLP 技術相對來講比較重要，至於 CV 技術主要還是在人工智慧領域（無人車，人臉識別等）應用較多，本人了解有限，相關的描述會較少；

數據挖掘崗位需要具備的3 種基本能力

1. 工程能力

（ 1 ）編程基礎：需要掌握一大一小兩門語言，大的指 C++ 或者 Java ，小的指 Python 或者 shell 腳本；需要掌握基本的資料庫語言；

建議： MySQL + python + C++ ；語言只是一種工具，看看語法就好；

推薦書籍：《 C++ primer plus 》

（ 2 ）開發平台： Linux ；

建議：掌握常見的命令，掌握 Linux 下的源碼編譯原理；

推薦書籍：《 Linux 私房菜》

（ 3 ）數據結構與演算法分析基礎：掌握常見的數據結構以及操作（線性表，隊，列，字元串，樹，圖等），掌握常見的計算機演算法（排序演算法，查找演算法，動態規劃，遞歸等）；

建議：多敲代碼，多上 OJ 平台刷題；

推薦書籍：《大話數據結構》《劍指 offer 》

（ 4 ）海量數據處理平台： Hadoop （ mr 計算模型， java 開發）或者 Spark （ rdd 計算模型， scala開發），重點推薦後者；

建議：主要是會使用，有精力的話可以看看源碼了解集群調度機制之類的；

推薦書籍：《大數據 spark 企業級實戰》

2. 演算法能力

（ 1 ）數學基礎：概率論，數理統計，線性代數，隨機過程，最優化理論

建議：這些是必須要了解的，即使沒法做到基礎扎實，起碼也要掌握每門學科的理論體系，涉及到相應知識點時通過查閱資料可以做到無障礙理解；

（ 2 ）機器學習 / 深度學習：掌握 常見的機器學習模型（線性回歸，邏輯回歸， SVM ，感知機；決策樹，隨機森林， GBDT ， XGBoost ；貝葉斯， KNN ， K-means ， EM 等）；掌握常見的機器學習理論（過擬合問題，交叉驗證問題，模型選擇問題，模型融合問題等）；掌握常見的深度學習模型（ CNN ，RNN 等）；

建議：這里的掌握指的是能夠熟悉推導公式並能知道模型的適用場景；

推薦書籍：《統計學習方法》《機器學習》《機器學習實戰》《 UFLDL 》

（ 3 ）自然語言處理：掌握常見的方法（ tf-idf ， word2vec ， LDA ）；

3. 業務經驗

（ 1 ）了解推薦以及計算廣告相關知識；

推薦書籍：《推薦系統實踐》《計算廣告》

（ 2 ）通過參加數據挖掘競賽熟悉相關業務場景，常見的比賽有 Kaggle ，阿里天池， datacastle 等。

想要學習數據挖掘的話可以看一下這篇文章《AI時代就業指南：數據挖掘入門與求職》

㈧ 挖掘工程師好找工作嗎

數據挖掘從業人員工作分析：數據挖掘從業人員的願景：數據挖掘就業的途徑從我看來有以下幾種，(注意：本文所說的數據挖掘不包括數據倉庫或資料庫管理員的角色)。
A：做科研(在高校、科研單位以及大型，主要研究演算法、應用等)
B：演算法工程師(在做數據挖掘及其相關程序演算法的實現等)C：數據分析師(在存在海量數據的企事業單位做咨詢、分析等)
數據挖掘從業人員切入點：根據上面的從業方向來說說需要掌握的技能。A：做科研：這里的科研相對來說比較概括，屬於技術型的相對高級級別，需要對開發、數據分析的必備基礎知識。
B：演算法工程師：主要是實現數據挖掘現有的演算法和研發新的演算法以及根據實際需要結合核心演算法做一些程序開發實現工作。要想扮演好這個角色，你不但需要熟悉至少一門編程語言如(C,C++,Java,Delphi等)和資料庫原理和操作，對數據挖掘基礎課程有所了解，讀過《數據挖掘概念與技術》(韓家煒著)、《人工智慧及其應用》。有一點了解以後，如果對程序比較熟悉的話並且時間允許，可以尋找一些開源的數據挖掘研究分析，也可以參考如《數據挖掘：實用機器學習技術及Java實現》等一些教程。
C：數據分析師：需要有深厚的數理統計基礎，可以不知道人工智慧和計算機編程等相關技術，但是需要熟練使用主流的數據挖掘(或統計分析)工具。從這個方面切入數據挖掘領域的話你需要學習《數理統計》、《概率論》、《統計學習基礎：數據挖掘、推理與預測》、《金融數據挖掘》,《業務建模與數據挖掘》、《數據挖掘實踐 》等，當然也少不了你使用的工具的對應說明書了，如SPSS、SAS等廠商的《SAS數據挖掘與分析》、《數據挖掘Clementine應用實務》、《EXCEL 2007數據挖掘完全手冊》等，如果多看一些如《數據挖掘原理》 等書籍那就更好了。</ol>

㈨ 工程機械挖掘機工程師

應該這樣說，工程機械工程師，挖掘機技師，推土機技師！

發布挖掘機，工程機械，等方面的信息請上「中國挖掘機網」

網路查詢「wjjw」可以找到！

㈩ 數據挖掘工程師怎麼考

數據挖掘領域是一個獨特的行業，通常的招聘面試方法可能不大適用於本行業的特點。在招聘一個合格的數據挖掘工程師時，公司一般關注以下三個方面：
他聰明嗎？聰明意味著能透過復雜的信息建構問題並以正確的方式加以解決。聰明人還能從失敗中獲取經驗。
他能否專注於項目？專注意味著在各種困難的環境內，仍能獨立或合作完成項目。
他是否能與團隊一起工作。團隊合作需要很好的溝通能力，工作中涉及到的概念、問題、模型、結論等都需要成員之間正確的溝通方能加以明確。
為了解候選人是否具有數據挖掘工程師的潛質，需要一小時的面試，主要通過以下五個環節：
1、簡介
如同交談之初的寒暄一樣，簡介是使候選人放鬆下來。可以先介紹一下公司本身的情況，再回答對方的一些疑問。如果問題很復雜，可以將回答放到面試的最後階段再處理。
2、關於數據挖掘項目
這是最為重要且耗時的面試階段，詢問候選人最近接手的數據挖掘項目的情況和處理方式。要提問的方麵包括：
他一開始是如何描述這個項目的
項目持續了多長時間
這個項目的關鍵問題是什麼
問題是如何得到解決的
在數據挖掘項目中最為困難的階段是什麼
最有趣的階段又是什麼
在他眼裡，客戶是怎麼樣的
團隊的其他成員又是如何表現的
從中獲得了什麼樣的經驗
在這個面試階段，不僅要提問關於「what」的問題，還要很多關於「why」的問題。因為優秀的數據挖掘工程師要能面對客戶，清晰的論證並支持其提出的觀點。
3、關於數據挖掘的流程
考察候選人對於工作流程的認識是必要的，如果他談到了跨行業數據挖掘流程規范（CRISP-DM）意味著好兆頭。有很多時候，候選人對這些規范不以為然。雖然說從不同的角度來看待問題是一種創新，但是創新也需要建立在堅實在流程標准之上。因為它可以保證我們不會出現大的紕漏。

必要的時候，可以用白板讓候選人畫出流程圖。並讓他評價這些工作中最為重要或需要反思的地方。因為建模工作不可能一次完成，反復的提煉問題、建立模型的情況是經常遇到的。

另外可以在某個挖掘流程進行深入考查，例如詢問對方如何避免過度擬合，如何從大量的候選變數中進行篩選，如何評價或比較模型的效果。
4、解決問題
軟體公司的面試一般會包括「編碼測試」，考查數據挖掘工程師也應該如此。一種可以參考的作法是提供一份存在缺陷的分析報告。讓候選人對報告進行研究，表達報告中結論的意義，提出其中所存在的問題或不足，提出改進或補救的方法。
5、收尾
在面試的最後階段，需要回答候選人的其它提問，並使之相信本公司在本行業中的優勢地位，以及在職業生涯中的作用。在完成面試後，需要立即將面試記錄進行整理存檔。

面試是一件苦差事，但也是一個交流學習的機會。通過面試可以了解到其它人遇到的問題，以及他們是如何解決的。