機器學習 (ML) 工程師 · 加拿大溫哥華 · ONSITE（混合） · 全職 Beatdapp 約 50 人
關於這個角色
節奏應用 |機器學習 (ML) 工程師 |加拿大溫哥華 |現場（混合）|全職 Beatdapp 是一家約有 50 名員工的新創公司，為媒體平台提供音訊和串流完整性技術。我們處理 TB/PB 規模的數據，以保護版權生態系統、產生真實的推薦並檢測人工智慧產生的內容。我們正在尋找一位經驗豐富的機器學習工程師（3 年以上）來開發我們的推理系統和資料平台。在此職位中，您將執行機器學習工程、雲端平台/基礎設施設計以及建立機器學習模型推理系統。你一定會去的
關於數據/機器學習角色
資料和機器學習角色分為三個陣營：分析師（SQL、儀表板、業務問題）、工程師（管道、基礎設施）和科學家（建模、實驗）。職位名稱並不總是能告訴您是哪個職位—請仔細閱讀職位說明。
典型技能： SQL、Python、pandas、基本統計； ML 角色添加 scikit-learn / PyTorch / TensorFlow；工程角色添加 Airflow / dbt / Spark
薪資洞察（美國，粗略）
美國數據/毫升角色的典型範圍是 $85,000–$240,000/年，隨資歷、公司階段和城市的不同而有很大差異。
僅估計。有關公司特定的數字，請查看levels.fyi（技術）、Glassdoor，或在面試中詢問。
如何準備面試
資料訪談分裂： 分析師 取得 SQL + 個案研究問題， 工程師 獲得管道設計+編碼， 科學家 取得統計資料 + ML 建模 + 有時是帶回家的資料集。仔細閱讀 JD 並為真正的風格做好準備——不要為了分析師的角色而在 PyTorch 上浪費時間。
這三個方面的常見問題： “您如何衡量[產品功能]的成功？”, “帶我了解一個項目，其中的數據告訴你一些令人驚訝的事情”, 和 SQL 視窗函數 （LAG、ROW_NUMBER、PARTITION BY — 具體練習這些）。對於 ML 角色，預計會出現有關過度擬合、偏差-方差權衡以及如何調試在訓練中表現良好但在生產中表現不佳的模型的問題。
這個角色通常會帶來什麼
隨著學科的成熟，數據/機器學習的職業道路變得更加混亂。最清晰的進展： 初級分析師 → 資深分析師 → 分析經理 在分析師方面， 初級資料工程師→高階→員工 在工程方面，以及 初級 DS → 資深 DS → 首席 DS / ML 主管 在建模方面。大型科技公司的機器學習工程師和研究科學家的薪資最高。
跨學科調動很常見：學習工程的分析師的收入往往高於沒有學習業務背景的工程師。密切關注業務——最有價值的數據是高階主管帶入策略討論的數據，而不是單獨建立儀表板的數據。
需要注意的危險訊號
- 「資料科學家」角色其實是 SQL 分析師。 仔細閱讀職責——如果都是儀表板和臨時查詢，那麼它就是一個具有科學頭銜的分析師角色。
- 沒有提及利害關係人的合作。 孤立的資料工作通常是被忽略的資料工作。該角色需要融入業務團隊。
- 「AI / ML」隨處可見，但沒有具體說明。 如果他們無法說出他們想要透過機器學習解決的實際問題，那麼該公司就在購買流行語。
- 要求「使用 Python 10 年以上」或不可能的組合。 JD 要么是 HR 在沒有數據團隊輸入的情況下編寫的，要么是公司有不切實際的期望。
常見問題
我該如何申請這個角色？
點擊本頁頂部的“申請 Hn-Who-Hiring”按鈕。您將被發送到雇主接受申請的原始職位。 Wikishopline 不收集履歷或處理申請。
此列表是最新的嗎？
Wikishopline 每天都會從合作夥伴來源（hn-who-hiring）匯總職位資訊。超過 14 天的貼文會被刪除，但在您花時間寫求職信之前，請務必驗證該職位在雇主網站上是否仍處於空缺狀態。
Wikishopline 是否向雇主或申請人收費？
不會。聚合的工作對雙方都是免費的。 Wikishopline 也接受在 /jobs/submit 上為想要直接可見性的雇主支付 5 美元/30 天的付費貼文 - 但您正在查看的清單來自合作夥伴。
數據/機器學習角色通常涉及什麼？
資料和機器學習角色分為三個陣營：分析師（SQL、儀表板、業務問題）、工程師（管道、基礎設施）和科學家（建模、實驗）。職位名稱並不總是能告訴您是哪個職位—請仔細閱讀職位說明。
美國數據/機器學習職位的典型薪資範圍是多少？
大約 85,000 美元至 240,000 美元/年，具體取決於資歷、地點和公司階段。這是有目的的一個廣泛的範圍 - 對照特定公司的levels.fyi 或Glassdoor 進行驗證。
