1.项目分为VR接入跟实验流程交互。 2.UI设计 3.VR设备适配调试等 4.项目内容包括：使用手柄控制第一人称进行插画，练习花卉流程。

用户获取网易云音乐的所有音乐，支持搜索，在线播放。 网站推荐流行音乐供用户参考。支持在线歌词。 使用Vue。

1.项目分为VR接入跟实验流程交互。 2.UI设计 3.VR设备适配调试等 4.项目内容包括：使用手柄控制第一人称制作面包，练习烘培流程。

https://library.leeson.cool 图书馆座位预约系统，后端使用Spring Cloud（Nacos、Dubbo、MySQL、Redis），前端Vue、微信小程序。 前端可以编辑图书室座位， 小程序用户预约。

1.本项目主要分为客户模块、授信审批模块、用信模块、担保管理模块、额度管理模块、预警管理模块、催收管理模块等 2.授信模块主要是对客户授信校验客户的额度。用信模块主要是用户贷款使用授信的额度进行贷款，担保模块是用户贷款时需要第三方公司或者个人进行担保。 额度管理模块是对用户的授信额度进行管理。预警管理模块主要对客户贷款资金流向以及是否存在其他借贷信息等管理。

1.项目主要分为：资源管理、项目管理、分布式调度、作业告警、系统管理 2.资源管理主要是配置相应的服务器、单元化、数据中心等信息；项目管理主要配置项目信息、项目发布、运行、停止等信息；分布式调度主要是配置相应的作业信息、作业发布、执行、重试、跳过以及作业监控管理等信息；系统管理主要对系统的角色、用户、资源等管理

公有云之间的全线平稳迁移，包括Mysql、TiDB、Redis、Jenkins、Zookeeper、Nacos、ES、MongoDB、RocketMQ、Kafana等组件 Kubernetes业务服务、流水线、监控告警平台等系统

单一云场景及多云场景下的基于Jenkins的流水线设计及部署，实现基于Gitlab、钉钉等三方事件触发流水线控制 基于云监控+Prometheus+Grafana+链路追踪+日志管理的监控告警设计及实现，实现全场景监控告警

1.项目主要分为系统管理、样品管理、设备管理、数据报表、库存管理、报警列表、配置管理等模块实现一套实验室设备的监控以及管理 2.在设备管理中，主要对设备的电压电流功率等情况监控，对设备的预约、设备利用率等情况统计。 3.在库存管理中，主要对物品的出入库进行管理以及消耗情况的统计、库存告警配置等管理。

项目采用vue3+element ui +vite 进行开发 ，主要用来管理商城小程序及公司业务数据展示，采用经典布局风格，实现左边菜单，右边内容布局、页面引入最新技术方案、实现开发效率、加载效率双优化

项目是在企业微信端的小程序、主要是给企业管理员看公司经营数据、数据都做了动画、图表是antv f2封装自定义组件，采用原生小程序开发技术，优化开发流程、优化用户使用效率

Prometheus二次开发，包括exporter、alert模块； 飞书同步LADP账号系统开发及部署，联动飞书实现账号管理自动化； 公有云接口自定义开发，对接运维管理平台； 主要开发语言Golang

项目采用微信小程序原生代码开发，sass平台商城 ，有会员秒杀，团购，拼团，优惠券、会员积分抽奖、会员拉新活动等，集成了所有商城类功能

系统主要功能是解决医保问题，为广大参保人提供便利服务，提供跨省就医，药店结算等实用性功能，对医保监管提供大量可靠数据，系统基于has框架作为底层，实现分布式框架，主要模块18个，本人主要负责个人待遇申办，政策解读，拨付，报表打印，三方接口对接等开发工作。用到技术工作流，redis等

1.付费知识在线浏览与下载。 2.积分悬赏提问与回答。 3.积分兑换礼品及礼品下发。 4.文章审核。 6.答主申请。 7.发布知识。

1.服务人员按距离距离列表展现。 2.车费计算。 3.服务费用计算与支付。 4.服务时间记录。 5.用户核销。 6.服务员工接单。

将小说爬取下来，每章以txt形式保存到同一文件夹，其中涉及到一点点的反扒技术，最后将文件夹压缩成压缩包。

系统功能模块： 1.会员推荐及分佣模块。 2.会员读文章获积分模块。 3.实体店服务票券模块。 4.线上积分现金混合支付商城。 5.商品签到活动。 6.商品秒杀活动。 7.线上电子券模块。 8.分佣提现模块。

基于PAM/DAS-GW有机水凝胶的电容感应薄膜不仅可以用于转换力或压力，还可以用于手写识别。如图8a所示，当人们在感应薄膜上写不同的字母“w”、“y”和“u”时，可以观察到具有独特波形的电容信号。此外，使用一维卷积神经网络（2D-CNN）的深度学习模型进行手写识别分类训练。典型的波形信号被作为输入数据。CNN模型由三个卷积层、三个最大池化层、一个展平层和一个全连接层组成。在训练过程中，每个字母写了150次，其中120次用于训练，剩余30次用于测试。混淆矩阵显示，2D-CNN深度学习模型的平均分类率为87.3%。值得注意的是，增加训练数据可以实现更高的手写识别精度。这样令人印象深刻的分类精度使得该感应薄膜在防伪方面具有巨大的潜力应用

该项目为了减少工厂的人工成本设计的，给工厂各个部门管理员提供所需每天，每周，每月的报表。 项目采用的技术有springboot,redis,swagger,nginx数据库用的sqlserver,采用前后端分离的模式开发。 本来主要负责该项目生产模块，呼叫模块，以及对应的接口；