陳怡君

研究方向為可解釋機器學習與推薦系統，碩士論文題目為「基於注意力機制之可解釋推薦模型」。擔任統計學助教，並協助教授整理實驗資料。

建立紮實的數學與程式基礎，參與系上專題競賽，並於大三暑期至科技公司實習，負責資料前處理與初步分析。

• 主導客戶流失預測專案，整合 CRM、交易與行為數據，建立 XGBoost 模型，精準率提升 25%

• 開發個人化推薦系統，結合協同過濾與深度學習，帶動部門營收成長 18%

• 設計 A/B 測試評估框架，協助產品團隊建立數據驅動的決策流程

• 負責資料科學團隊的 code review 與技術分享，提升團隊整體開發品質

• 建立門市銷售預測模型，整合歷史銷售、天氣與促銷活動資料，預測誤差降低 30%

• 建置客戶分群系統，利用 RFM 分析與 K-Means 分群，協助行銷團隊規劃精準行銷活動

• 開發自動化報表流程，以 Python 與 Airflow 取代人工產出，每月節省 20 人時

• 與工程團隊協作，將模型包裝為 RESTful API 並部署至雲端環境

以自動化機器學習平台參賽，自 300 多組隊伍中脫穎而出，獲得金牌獎。

提出結合注意力機制與可解釋性的推薦系統架構，在公開資料集上取得領先成果，並深入探討模型決策的透明性。

• 使用 LightGBM 與時間序列特徵，預測準確度達 92%

• 部署至 GCP Cloud Run，並提供 REST API 供內部系統串接

• 設計資料監控流程，確保模型穩定性

• 以 Kubeflow 與 MLflow 搭建機器學習生命週期管理平台

• 支援多團隊協作與模型版本管理，降低 40% 模型上線時間

• 整合 CI/CD 流程，提升開發效率與可靠性

• 協助舉辦資料科學工作坊與線上課程，累計教導超過 500 名學員

• 維護開源教材，推廣資料素養教育

• 輔導學生完成實作專案，並提供職涯建議