一款手机上视频播放手机软件，这款播放器致力于当地视频播放和局域网络SMB分享播放。用强力的播放特性及平稳的流媒体播放支持，让您的移动应用平台轻轻松松享有最大清的视频感受。顺畅播放各种各样流行多媒体系统文件格式，支持立即浏览Windows分享及NAS机器设备上的影视制作文档。客户可以连接电脑上安裝的威动多媒体系统网络服务器，将内存中的影视制作文档智能化归类成电影和电视连续剧。根据添加宣传海报、故事情节详细信息、演职员等信息内容，在微信小程序用宣传海报墙展现，便捷搜索访问和个人收藏。

1. Telegram是一款以保密著称的即时聊天工具，由于其保密性且服务器在境外，监管者无法从流量和服务器的角度来对其中的违法犯罪信息进行打击，所以能够在服务端对违法犯罪数据进行识别就显得非常重要了。 2. 本项目主要实现了如下功能：用户可以在前端进行敏感词选择，然后程序启动telegram bot，再其所有群组与聊天记录中包含敏感词的聊天信息（包括消息发布者，发布时间，发布内容）存入数据库中。 3. 本项目结构清晰，有单独的日志系统与配置系统，方便用户使用。

2222222222222222222222222222222222222222222222 222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222222

在我最近参与的一个项目中，我运用人工智能技术来开发一个故障数据诊断应用程序，该程序专门针对工业设备和系统的故障检测与诊断。利用我在Python编程和机器学习算法方面的深厚知识，我设计并实现了这一解决方案，以自动化识别和分类设备故障，大大提高了故障处理的效率和准确性。 我负责的主要工作包括收集和预处理故障数据，这些数据来自于传感器、日志文件和操作系统。通过清洗、标准化和特征提取，我为机器学习模型的训练准备了高质量的数据集。接下来，我采用了多种机器学习算法，包括决策树、支持向量机（SVM）和深度神经网络，来建立故障诊断模型。这些模型能够根据历史和实时数据，准确地识别出设备的具体故障类型。 在模型开发过程中，我特别注重模型的准确性和泛化能力，通过交叉验证和多种性能指标来评估和优化模型。此外，我还实现了一套动态学习机制，允许模型随着时间积累更多数据而持续改进。 我所开发的故障数据诊断应用不仅能够实时监测和诊断设备状态，还能预测潜在的故障风险，为维护团队提供了一个强大的决策支持工具。这一应用已在多个工业环境中部署，显著提高了设备的运行稳定性和维护效率，减少了意外停机时间，为企业节约了大量的

在我参与的一个创新项目中，我担任核心开发者的角色，负责设计和实现一个基于Python编程的解决方案，该解决方案旨在通过机器学习算法生成代理模型，以优化和简化复杂的计算过程。这个项目的目标是在不牺牲计算精度的前提下，显著减少工程和科学研究中常见的计算工作量和计算量。 我的主要工作内容包括分析项目中涉及的各种复杂方程，这些方程通常在物理、工程和金融领域的模拟计算中出现。我使用Python作为主要开发语言，利用其强大的科学计算库如NumPy和SciPy，处理和分析这些方程。随后，我采用了机器学习算法，尤其是深度学习技术，来训练代理模型，这些模型能够快速准确地近似原始复杂方程的解。 通过对多种机器学习算法的比较和测试，我确定了最适合我们需求的算法，并对其进行了定制化改进，以适应特定的计算需求。这些代理模型成功地与现有的计算工具进行了耦合，使得在进行大规模计算时，可以通过代理模型预测结果，而不是直接求解复杂的方程，从而大幅度减少了计算时间和资源消耗。 此外，我还负责监督模型的训练过程，确保计算精度满足项目要求。我采用了交叉验证和其他技术来评估模型性能，确保代理模型的准确性和可靠性。我还开发了一套

1. 软件的主要功能是文档管理，可以将文档的元数据和原文文件联系起来，以列表的形式浏览文件元数据，以卡片的形式编辑文件元数据。可以定制不同门类文档的元数据方案。可以设计和打印目录报表。 2. 独立完成整个项目。 3. 主要难点是数据库操作和面向对象的编程。

AI绘画 调用api

人脸识别 调用faceRecognition

简介：为不同品类的每个商家开发小程序模版。 工作内容： 1. 使用vue2.0 + Uni-App 2. 负责社群营销模块我要赚钱模块的开发，包括实名认证，收益展示，分析，邀请等功能模块的开发

描述：该项目是公司自研的2B端的 EHR。 工作内容： 1、项目前端使用 Vue2.0+Webpack+Ant； 2、负责产品人员模块、薪酬模块、360度考核、职位模块等若干应用模块的开发工作 3、参与项目业务公共组件的封装工作，并发布 npm ，通过 npm 的版本号管理，供业务侧开发人员统一使用； 4、负责客户方项目落地实施的前端工作，保证用户的本地话部署

简介：该项目为集团内部使用的费用报销系统，替换外采的易快报。采用 Vue3.0+Vite+Element+Ts 架构，单独部署，并集成到飞书、OA 等移动工具上，为集团员工提供便捷的发票识别和验真、提报单据、审阅单据、单据审批、单据支付、预算管控等功能。 工作内容： 1、采用 Vue3.0+Vite+Element+Ts 架构，0-1独立完成项目搭建； 2、负责所有功能模块的开发工作，包块发票识别、预览、费用单据、权限管理、基础数据、单据填报、流程配置、审批中心、支付管理、权限管理、基础配置等数十模块的开发工作； 3、 参与项目业务公共组件的封装工作，并发布 npm ，通过 npm 的版本号管理，供开发人员统一使用； 4、集成飞书、OA ，通过单点登录的形式，一键进入系统； 5、集成消息通知卡片，实现快捷提报+审批； 6、 性能优化，提高页面加载速度，提升用户体验； 7、协助运维实现项目的 Jekins 配置、Nginx 配置工作，实现自动化部署和上线； 8、负责项目的前端界面交互设计把控、需求收集、进度把控、资源协调等工作；

可以记录家里物品信息存放位置以及物品过期时间 通过家，位置，盒子等空间信息关联物品，对物品进行增删改查 前端使用vue，uniapp，axios 接口使用express ，mongodb， 有会话控制功能

后台基础功功能：数据增删改查 数据大屏 eachrts图形化 权限验证 单点登录 vue2/vue3 从 0-1 构建前端项目 整理前端技术方案，编写技术文档以及前端项目分析

后台主要提供给餐饮企业内部员工使用，可以对餐厅的分类、菜品、套餐、订单、员工等进行管理；前端主要是点餐下单 负责实现前后端所有功能

1. 元宇宙是一个以未来城市风格为场景的游戏，游戏中放置了各种展览模型，玩家可以在元宇宙中观察模型。 2.本人在项目中担任主程开发。

1. 项目使用unity开发的3D坦克机甲回合制游戏，游戏内发布了10套机甲套装，每套机甲分为5个部位，10套皮肤，玩家进入游戏可能得到一个原始机甲，通过对战可以获得积分，通过积分或者兑换机甲零件，合成新的机甲。每个玩家的机甲都有可能独一无二。 2. 本人在此项目中担任游戏开发的工作（公司内游戏业务开发人员为建模1人，主程1人，美术为外包）。

1.项目分为4个子系统，【后台管理系统】【小程序】【安卓&IOS App】【socket、websocket服务】，该系统采用C#作为后端开发语言编写接口，接口按照restful风格标准编写。小程序与app采用uni-app开发，能够实现一套代码多端编译效果，大大提高的上线速度。socket、websocket服务使用的是C# winform窗体应用程序的形式实现，方便管理人员在服务端管理与观察设备以及手机连接情况。 2.本系统实现的是围绕互联网水机设备研发的一套完整生态的系统，小程序与app用户能够通过应用充值缴费以及控制水机设备工作，同时水机设备的工作情况通过与socket服务实时将数据发送至服务器，后台系统能够监控以及控制水机设备。本系统的重难点是水机使用者背后的一套基于不同代理商配置不同分润比例的可配置分润系统，以及保证众多水机设备的连接服务稳定。 3.本人在此项目中担任项目经理负责与客户沟通需求，把控进度。同时也承担了架构设计、后端开发、设备对接的工作。在规定的期限内完成并上线。目前系统已稳定运行3年时间。分润系统及水机均正常运行中。

主要分为两个部分： 1：用户移动端、 有Android、iOS、微信小程序、网页 商品展示、购物车、商品分类、生成订单、支付宝、微信支付 2：商家网页端 PC端网页 发布商品、修改商品、查看订单、退款

整体结构可以分为实体识别和关系/属性抽取两部分，流程可以分为6步，其中2、3和4步会重复执行多次。 第1步：通过Hanlp和规则匹配的方式抽取部分实体 第2步：采用远程监督方法，用种子知识图谱对齐无标数据得到标出了实体的数据 第3步：用上一步得到的标出了实体的数据训练模型 第4步：用上一步训练的实体识别模型抽取无标数据中的实体，并将抽取出的实体加入到种子知识图谱中，增加种子知识图谱的规模，重复2，3，4步多次不断使种子知识图谱规则不断扩大 第5步：通过重复2，3，4步多次后得到扩展了大量实体的知识图谱，用种子知识图谱对齐无标数据，将无标数据中的实体都找出来 第6步：通过上一步得到无标数据中的实体后，使用规则的方法判断实体间的关系和属性

整体结构可以分为实体识别和关系/属性抽取两部分，流程可以分为6步，其中2、3和4步会重复执行多次。 第1步：通过Hanlp和规则匹配的方式抽取部分实体 第2步：采用远程监督方法，用种子知识图谱对齐无标数据得到标出了实体的数据 第3步：用上一步得到的标出了实体的数据训练模型 第4步：用上一步训练的实体识别模型抽取无标数据中的实体，并将抽取出的实体加入到种子知识图谱中，增加种子知识图谱的规模，重复2，3，4步多次不断使种子知识图谱规则不断扩大 第5步：通过重复2，3，4步多次后得到扩展了大量实体的知识图谱，用种子知识图谱对齐无标数据，将无标数据中的实体都找出来 第6步：通过上一步得到无标数据中的实体后，使用规则的方法判断实体间的关系和属性