算法研究员(数据科学)

负责智能穿戴健康数据的分析与研究，围绕睡眠、心血管、运动恢复、压力、女性健康及长期健康趋势等方向开展数据科学研究。

面向大规模连续时序数据，开展数据清洗、特征工程、统计分析、异常检测、模式发现及预测模型研究。

建立用户个体基线及人群模型，研究个体差异、长期趋势和健康状态变化，提升健康指标及健康洞察的个性化能力。

结合机器学习、深度学习、统计建模等方法，研究多维生理指标之间的关联关系以及潜在健康风险信号。

参与多模态健康数据建模，将传感器数据、用户行为数据、问卷数据及临床/研究数据进行联合分析。

设计科学的数据分析及模型评估方法，通过实验、回顾性研究、A/B Test 或其他研究方法验证算法和健康洞察的有效性。

与算法、医学、产品、用户研究及工程团队协作，将研究成果转化为可落地的算法、指标、健康洞察和产品能力。

跟踪数据科学、数字健康、机器学习及人工智能领域最新研究进展，并探索其在可穿戴健康领域的应用。

面向博士应届毕业生。

统计学、数据科学、计算机科学、人工智能、生物信息学、生物医学工程、数学、应用数学或相关专业。

具备扎实的概率统计、机器学习及数据分析基础，理解常见统计模型和机器学习算法的基本原理。

熟悉 Python，能够熟练使用 NumPy、Pandas、Scikit-learn 等数据分析及机器学习工具。

具备时序数据分析经验，能够处理真实世界中存在噪声、缺失、不规则采样和个体差异的数据。

具备较强的数据敏感度和研究能力，能够从复杂数据中提出假设、设计分析方案并验证结论。

具备优秀的英文论文阅读能力，能够持续跟踪国际前沿研究。

具备良好的沟通和跨团队协作能力，对探索未知问题保持好奇心。 加分项 以下任一方向有研究或项目经验者优先： - 可穿戴设备或数字健康数据分析； - 睡眠、心血管、运动科学、女性健康等人体健康研究； - 时间序列建模； - 异常检测与风险预测； - 个体化建模 / Personalized Modeling； - 因果推断； - 多模态学习； - 深度学习； - 生物信息学或医学数据分析； - 大规模真实世界数据研究； - 发表过高质量论文或参与过科研项目。 博士候选人如在机器学习、统计建模、数字健康、生物信息、计算生理学或相关交叉研究领域有深入研究经历，将重点考虑。