人工智能

通过温湿度传感器实时监控室内温湿度变化情况。以折线形式实时动态显示。支持数据库历史数据存储、历史回看。

利用深度学习的方法，对多模态的视频数据进行情感分析。通过对数据进行处理，从视频中得出该段视频所要表达的情感，模型取得了较好的成果

四年算法相关研发经验 熟悉Darknet，Deepstream等训练推理框架 熟练使用Tensorflow,Pytroch等深度学习框架 熟悉Linux下的Python，C/C++，CUDA编程 熟悉TensorRT以及相应的插件开发 熟悉目标检测的相关算法 熟悉模型剪枝，量化等优化方法 熟悉深度学习神经网络常见算子的实现 了解TVM深度学习编译器和Paddle-Lite推理框架 有Docker,Nginx等使用经验

DHT11 数字温湿度传感器用于得到环境温度和湿度等信息，并把从温湿度值显示在OLED显示屏模块上；DS1302时间模块可以对年、月、日、周、时、分、秒进行计时，还具有闰年补偿功能。0.96寸4针OLED显示屏模块，可以显示文本、图像和其他类型的信息。

四年算法相关研发经验 熟悉Darknet，Deepstream等训练推理框架 熟练使用Tensorflow,Pytroch等深度学习框架 熟悉Linux下的Python，C/C++，CUDA编程 熟悉TensorRT以及相应的插件开发 熟悉目标检测的相关算法 熟悉模型剪枝，量化等优化方法 熟悉深度学习神经网络常见算子的实现 了解TVM深度学习编译器和Paddle-Lite推理框架 有Docker,Nginx等使用经验

主要分为，存在抖动的开发环境的，算法开发 包含检测。松动。异物。测高等各种模式，集成的一个大型的开放环境的检测，保证高检出和低误报的思路，能够去实际应用

一：独立开发的基于 SpringBoot+MyBatisPlus 技术栈的人工智能算法管理服务平台 ， 采用前后端分离架构。 构建对算法镜像管理及安装使用的服务平台。 二：主要完成了算法大屏、算法工作台、AI算法库、本地算法库、配置中心、模型中心、API文档等模块的数据库设计、开发、联调等工 作。 三：SpringBoot、MyBatisPlus、Minio、MySQL、Kubernetes、WebSocket、腾讯gpu- manager等。 四：1 、基于k8s+gpu-manager虚拟化GPU算力技术，实现CV算法镜像在k8s集群中以 deployment+service+pod模式运行，并使用node-exporter+prometheus对进行k8s集群中 不同维度资源的监控告警功能。 2、基于 Redis 消息中间件， 实现了接口幂等 、token 续签 、热点数据缓存等高并发访问 场 景的开发。 3、基于 SpringSecurity+OAuth2实现认证与授权。 4、基于webSocket技术实现对告警消息的实时推送。

该项目为银行投诉管理，旨在用模型将用户的投诉原因自动进行打标分类，解放人工。 我在该项目中负责对模型的处理，进行数据清洗分析，最终进行通过bert模型接textcnn方法来训练出模型。

一.独立开发的基于 SpringBoot+SpirngCloud+MyBatisPlus 技术栈的超融合 云管理平台， 采用前后端分离架构。 构建对私有云管理及计算平台， 旨在方便对私 有云服务器 、k8s集群、应用等资源的管理。 二.负责项目人员调度、项目排期、架构设计、技术选型、框架搭建、环境部署、 后端开发与迭代， 在项目中主要完成了虚拟机管理、容器管理、配置文件管理、k8s集 群管理 、镜像管理 、告警规则引擎、 监控告警 、可视化系统 、数据库管理、应用管理、 用户管理等模块的设计、开发及迭代。 三.SpringCloud、SpringBoot、MySQL、MyBatisPlus、定时任务(xxl-job)、Redis、 Kubernetes、prometheus、prometheus-gateway、 Harbor、MinIO、SpringSecurity、 ElasticSearch、Kibana、Logstash、Jenkins、Docker、vCenter等： 四：1 、基于 SpirngCloud中nacos实现服务注册与发现、配置文件管理。 2 、基于 Spirn

上海校企交互场景需求： 1、根据客户提供的图纸，构建3D学校模型 2、在网页PC端上实现3D学校模型的交互，具体表现为可以移动视觉，放大缩小模型，可点击教学楼呈现相关的信息（暂时不需要做馆内的） 3、后期乙方采购检测硬件后，再进行对接和调试。

1.先爬取厦门市租房的信息、用pyspark进行分析数据、最用pyeachars进行数据可视化。 2.python、pyspark、pyechars、python爬虫、css、html、js、网络协议、hadoop、mysql 3.pyspark分析

基于飞讯语音转写和ChatGPT智能提问服务的创新软件。它采用先进的websocket和webapi技术，搭建在强大的.NET Core后端架构上。该软件为用户提供高效、智能的语音转写和智能提问功能，使用户能够轻松处理语音数据并获得准确的答案。无论是语音转写应用领域还是智能问答解决方案，这款软件都展现出强大的潜力和广阔的应用前景。通过这些先进技术的结合，用户能够体验到前所未有的便捷和效率，为各行各业的用户提供了全新的工作和学习体验。

查看三维模型还是需要安装各式各样的三维建模软件，且都比较庞大，安装耗时耗力费空间，格式支持也不全，很不便于协作和沟通。 为了方便对三维模型的操作，目前正在研发一个工具软件，能够方便的读取和转换各种三维模型， 目前已经能够支持gltf、glb、osgb、fbx、3ds、obj、ive、stl、x等几十种热门的模型格式的浏览和三维动画，纹理支持多种图形格式（png、jpg、bmp等）； 能读取简单的gis格式如shp、dxf等格式的浏览和转换，方便对gis格式模型的浏览查看。 模型可以保存为fbx、osg/osgb、3ds、obj等格式，并且已经支持了glb/gltf格式导出，实现简单的模型格式转换功能。

1、商城项目包括商品详情页面，购物车页面，订单页面，支付页面，物流跟踪页面以及退换货功能。用户可以通过商品详情页面查看商品的详细信息，将商品加入购物车并生成订单，支付页面可以选择支付方式进行支付，物流跟踪页面可以查看订单的物流信息，退换货功能可以让用户在一定时间内申请退换货。 2、我在商城项目中负责产品的设计、开发和运维工作。在设计阶段，我根据市场需求和用户反馈，制定了产品规划和功能设计，确保产品的用户体验和功能完善。在开发阶段，我与开发团队紧密合作，参与编写代码和测试工作，确保产品的质量和稳定性。在运维阶段，我负责监控系统运行状况，及时处理问题，保证用户的使用体验。

快递单号识别，手写数字识别 基于tensorflow的卷积神经网络对于书写0-9的数字进行识别 我负责建模和训练以及模型的调优

精通易语言编程，能够独立高效完成项目任务，掌握桌面端各种自动化脚本开发技术，精通网页自动化操作，已参与设计编写自动化项目300余项。 如： facebook、youtube、whatsapp、twitter、line 、领英或各类手游等（网页、模拟器、PC端）自动化群控程序。

对于图像分类问题采用 基于tensorflow的卷积神经网络对于猫狗进行识别 我负责数据的处理，建模和训练以及模型的调优

我们通过艺术家独特的风格来识别他们的作品，例如颜色选择或笔触。像克劳德·莫奈（Claude Monet）这样的艺术家的“je ne sais quoi”现在可以用算法模仿，这要归功于生成对抗网络（GAN）。在这个入门比赛中，您将把这种风格带到你的照片中，或者从头开始重新创建这种风格！ GAN 至少由两个神经网络组成：生成器模型和鉴别器模型。生成器是创建图像的神经网络。对于我们的比赛，您应该以莫奈风格生成图像。该生成器使用鉴别器进行训练。 这两个模型将相互对抗，生成器试图欺骗鉴别器，而鉴别器试图准确地对真实图像和生成的图像进行分类。 我的任务是构建一个生成 7，000 到 10，000 张莫奈风格图像的 GAN。

在日常学习Python、C语言的时候，难免遇到实在解决不了的问题，这时同学们需要查阅相关资料，通常会想到查CSDN等博客，但又苦于购买vip内容。 网络爬虫也叫做网络机器人，可以代替人们自动地在互联网中进行数据信息的采集与整理。在大数据时代，信息的采集是一项重要的工作，如果单纯靠人力进行信息采集，不仅低效繁琐，搜集的成本也会提高。 此时，我们可以使用网络爬虫对数据信息进行自动采集，比如应用于搜索引擎中对站点进行爬取收录，应用于数据分析与挖掘中对数据进行采集，应用于金融分析中对金融数据进行采集，除此之外，还可以将网络爬虫应用于舆情监测与分析、目标客户数据的收集等各个领域。

项目背景 利用科技手段提高传统宠物医疗行业的智能化水平。传统的宠物医疗知识比较分散，专业化程度低，宠物医院及医生的医疗技术水平高低不一，宠主在宠物生病时不能准确判断并采取措施等等。此项目旨在创建一套专业的医疗技术知识图谱，包含宠物种类、品种、年龄、常见症状、检查结果、处方、医嘱、诊断、疾病及疾病详情卡片等维度。在此知识图谱的基础上，可以建立诸如智能诊断，临床决策支持，智能问答等上层应用。 项目设计 线上病历含有症状描述和诊断结果两个字段，可以用来创建医疗知识图谱，可能准确度有待提高 初期使用少量的病历测试数据并只使用常见症状和疾病两个维度创建医疗知识图谱，并在此基础上创建一个简单的demo应用，可以达到由症状查询到可能犯有的疾病并按照可能机率进行排列的目标。 在demo应用的基础上，开始使用大量的病历正式数据进行模型训练，逐步提高知识图谱的准确度，并丰富demo应用。 利用一些专业化数据（医疗专家使用辅助系统填写的疾病和症状对应关系／从专业化网站上爬取数据）对知识图谱进一步训练，尽可能的提高准确度 找到医疗技术人员协助测试，重复4，直到达到医疗技术人员认为可用为止。 技术选型