计算机语言： Java、Scala、Python等
开发工具：IntelliJ IDEA、Pycharm等
熟悉Hadoop、Spark、Hive等大数据存储运算系统
熟悉Spark Core、Spark Sql、Spark Streaming、Spark Mlib等组件的原理及使用
熟悉分类、聚类、集成学习等机器学习算法
熟悉RNN等深度学习算法以及常用深度学习框架Tensorflow的使用
熟悉大型分布式Tensorflow架构的原理及使用
阅读书籍：《Hadoop权威指南》（Tom White）、《图解Spark核心技术与案例实战》（郭景瞻）
《机器学习实战》（Peter Harrington）、《Spark内核设计的艺术-架构设计与实现》（耿嘉安）
《统计学习方法》（李航）、《统计学习要素》（特雷弗·哈斯蒂）等
专利：
一种基于模拟的优惠券策略更新方法。
一种基于强化学习的商品定价方法。
一种基于预测的实时优惠券预算控制系统。

2018.4—2019.12 多触点归因模型--MTA（京东广告数据部广告效果组）
项目描述：
京东广告数据部为了给广告主提供合理规划渠道营销预算，实现ROI最大化，而提出的一种归因模型。该模型是考虑转化路径上的每个接触点，从整体角度分析不同的广告投放对转化的贡献。采用LSTM+Shapley Value计算广告点击对于用户下单转化的贡献值，首先利用LSTM预测不同转化路径下用户下单的概率，然后利用Shapley Value计算每个触点对下单的贡献。
项目职责：
负责整体Pipeline框架的设计以及开发，对接不同业务线为广告主提供服务；
利用Tensorflow搭建RNN模型，开发大数据量下的分布式框架，并提供实时服务；
优化模型，将第一版效果AUC从0.67提高到0.89。
2019.7—至今 个性化优惠券—Personalized Copon（京东广告数据部广告效果组）
项目描述：
传统优惠券发放大多根据运营经验随机发放。实际上每个用户的价格弹性系数均不相同，因此可以结合用户自身的价格弹性来分配优惠券。力求在有限成本下，通过千人千面的券面额发放达到提高转化、收入等目标。因此研究了个性化优惠券模型，服务于京东商城的离线发券场景以及广告服务在线发券场景。
项目职责：
构建和设计底层贝叶斯模型，结合MCMC模拟刻画用户的价格弹性系数和购买力参数；
离线发券部分，设计和搭建离线发券计算平台；结合价格弹性系数设计机器学习模型来计算发券得分，结合运筹学中资源分配算法完成券的最终分配；
广告实时发券，推动设计并开发实时发券计算框架，并成功应用到京东APP首焦场景。
2021.9—至今 营销方略选人选品（京东广告数据部广告效果组）
项目描述：
现有广告主对应的店铺或者品牌下有众多的商品，广告主在进行广告投放时无法有效地根据推广目标（点击、转化、或兼顾）进行选品，另一方面，在知道投放的商品时，无法给已知的人群进行细化，挑选细质人群进行投放；因此，研究了机器学习模型对广告主的投放进行合理指导，提高广告主的投放效率。
项目职责：
开发CTR模型以及CVR模型；
搭建整体Pipeline，能够支持广告主选人，供其挑选人群；同时可以帮助广告主进行目标选品。