HTML5
深度学习
机器学习
嵌入式
0
1
2
3
4
5
0
1
2
3
4
5
1月前来过
嵌入式开发
澳大利亚全职 · 500/日 · 10875/月信用正常
工作时间: 周末9:00-16:00工作地点:
远程
服务企业:
0家累计提交:
0工时
联系方式:
********
********
********
****************
查看联系方式
个人介绍
我毕业于澳大利亚国立大学，对编程和数学有着浓厚的兴趣。拥有5年专业经验，专长包括机器学习、算法、全栈网站开发和面向对象编程。我注重细节，擅长在代码中发现小问题。此外，工作经验和学术项目均增强了我的人际交往能力，比如在团队内部维持良好关系以及与利益相关者沟通。
工作经历
2023-01-10 -至今Seeing Machines嵌入式开发
* 有使用Bazel构建系统的经验，并且使用Google Benchmarks对各种机器学习算法进行了基准测试。 * 清除了C++代码库中的潜在警告。 * 将使用不同深度学习框架的模型移植到板上。使用APIs替换/移除了不支持的层，并对模型进行了量化。 * 在Jira中进行了详细的文档记录 * 对深度学习算法，算法进行优化
教育经历
2018-01-01 - 2021-12-31澳大利亚国立大学计算机科学与技术本科
资质认证
技能
作品
* 实现了一个三层神经网络、长短期记忆（LSTM）和一个多任务神经网络（MTL-NN），并使用观察者的生理信号作为输入。此外，为了提高深度神经网络的可解释性，引入了敏感性分析与遗传算法（SA + GA）来从训练好的模型中提取规则，并将结果与决策树（作为基线）进行了比较。 LSTM（59%）和MTL-NN（62%）的表现超过了人类感知（52%）。SA + GA在所有网络上获得了最佳的可解释性。 * 研究成果已在ICONIP上发表：https://link.springer.com/chapter/10.1007/978-3-030-92310-5_15
02024-02-25 09:49
* 实现了一个三层神经网络、长短期记忆（LSTM）和一个多任务神经网络（MTL-NN），并使用观察者的生理信号作为输入。此外，为了提高深度神经网络的可解释性，引入了敏感性分析与遗传算法（SA + GA）来从训练好的模型中提取规则，并将结果与决策树（作为基线）进行了比较。 LSTM（59%）和MTL-NN（62%）的表现超过了人类感知（52%）。SA + GA在所有网络上获得了最佳的可解释性。 * 研究成果已在ICONIP上发表：https://link.springer.com/chapter/10.1007/978-3-030-92310-5_15
02024-02-25 09:49
与三人团队共同构建了一个网站，该网站使用Django和JavaScript（jQuery）监控机场以检测异常行为。代码可在以下地址找到：https://github.com/zaynxalic/VAMS。 使用WSGI建立了RESTful API与客户端之间的连接。 异步从服务器收集信息，并利用Ajax在占用少量资源的情况下进行可视化，提高了20%的操作效率。 网络应用展示了4k分辨率下的施工情况，公司将我的应用作为他们的原型利用。 实践了敏捷软件开发方法
02024-02-25 09:39
