人工智能

基于机器学习的小额贷款需求预测。 1.对异常数据进行处理。 2.对于分布不平衡问题，通过BorderlineSMOTE进行过采样，确保正负样本的均衡。 3.特征工程使用随机森林对数据进行分箱，并通过关联规则算法思想进行重要字段的结合。 并通过PCA降维对原始字段进行降维

项目分为机器人基础信息管理模块、机器人下发指令服务模块、机器人状态收集服务模块。我负责这三个模块里关于物流机器人的逻辑，使用Restful接口和MQTT通讯，达到与小程序端和Android端的协作。难点在于给机器人当前状态特别是关键指令的执行准确判断其在状态机中的位置，解决方式是适当加锁并通过信号量同步状态。

获取网页源代码 正则提炼内容 数据清洗---格式化时间 正文爬取及数据深度清洗 打印清洗后的数据 数据导入数据库及数据去重 批量爬取处理多家公司

在三维孪生平台可视化展示变电站全业务数据的可视化展示、分析与应用。部署巡视软件与前端三维可视化实现巡视交互，实现巡视数据采集与任务下发等指令操作；部署边缘物联代理装置，汇聚物联终端、智能穿戴等数据，实时展示在孪生平台。

提出了一种混合版本的二元GWO (BGWO)和另一种最新的元启发式算法，以提高基于包装器的特征选择方法的性能。利用s型传递函数将连续搜索空间转换为二进制形式，以满足特征选择的性质要求。使用k -最近邻(KNN)分类器来评估所选特征的优劣。为了验证所提出的混合方法的性能，使用了18个标准特征选择UCI基准数据集。并与二元混合灰狼优化粒子群算法(BGWOPSO)、BGWO (bGWO1、bGWO2)、二元粒子群算法(BPSO)、二元遗传算法(BGA)、模拟退火的鲸鱼优化算法(WOASAT-2)、二元旗鱼优化算法(A β BSF)、二元β爬山算法(β HC)、自适应突变的二元JAYA算法(BJAM)和二元马群优化算法(BHOA)进行了性能比较。

选取一个人物正面像，可以从任何视频及图片中搜索到与此人相似的人像（可以是任意角度的人像），可用于互联网搜人及学校、医院、社区的安监系统。

针对任意放大倍数的图像超分辨率重建问题，本文中提出一种基于多尺度隐式表示函数的图像超分辨率重建网络。具体来说，为了让网络能够学习到不同尺度的特征以增强不同倍数的超分辨率重建结果，本文首先设计了一个多尺度特征编码器用于提取图像在不同尺度下的特征信息。然后，针对网络在不同放大倍数的重建任务中重建特征存在的细微差距，以及仅适用单一放大倍数的问题，本文将条件卷积将进入到网络中，并进一步改进设计一种尺度自适应卷积来细化各放大倍数任务下的图像特征。最后，将学习到的特征以及对应的坐标信息通过隐式表示函数映射为RGB值，获得重建的高分辨率图像。大量实验结果显示，所提出方法的重建结果有着清晰的纹理信息，并且在评估指标上优于最先进的方法，甚至能在30 这种极端任务中重建出大部分图像信息。

通过领导客户的要求定制完成的部分产品 设计出的部分要求作品因合同无法作为商用以及展示。 特殊作品，以及logo等可以自行查看。

随着市场竞争日益激烈，传统市场饱和度提高，新兴市场进入困难，同时其他运营商不断加大了对中高端客户、流量客户等重点客户群的争夺，存量市场的竞争持续加剧，客户保有形势十分严峻，公司急需深耕客户需求，建立集中化、标准化的存量客户保有体系，实现客户保有及价值的双提升。因此对客户离网倾向进行提前判断以促进降低客户流失率对于存量客户保有工作愈发重要，为提高户保有率，有效应对市场竞争，进一步防止客户流失，开展识别精准目标客户的工作。 本项目基于移动数据，通过移动提供数据，在数据预处理特征工程阶段，通过进行PCA降维，且由于正负样本差异巨大，使用了borderlingSMOTE方式，即通过对样本量少的样本进行过采样，来达到使正负样本本不均匀的目的。

1.风控决策引擎是一款基于RETE算法纯Java的规则引擎产品，旨在提供高效、灵活的风控决策支持。该产品提供了多种规则定义方式，包括向导式规则集、变量分段、自定义函数、决策表、评分卡及决策流、规则包管理等，同时配合基于WEB的设计器，可快速实现规则的定义、维护与发布。 2.我在该项目中主要实现决策引擎算法以及数据分析。

微服务流转系统是由一组相互协作的微服务组成的系统，通过按照特定的业务规则完成业务流程的流转。使用 Gearman、gRPC、Celery、MongoDB、litegraph.js、FastAPI。 1. 工作流编辑组件：用于定义服务与服务之间的执行顺序和输入输出的依赖关系，实现业务流程的调用。 2. 服务注册和发现组件：用于注册和发现可用的微服务，以便工作流组件能够执行并调用这些服务。 3. 配置管理组件：管理微服务的配置信息，包括端口等。 4. 日志和监控组件：收集和分析微服务的日志和性能数据，使用日志和监控组件进行收集和分析，以便及时发现和解决问题。 5. 负载均衡组件：用于在多个微服务实例之间分配负载，以确保系统的性能和可用性。

项目：Unity中的K均值算法应用 角色：首席开发人员 - 开发了一个Unity应用程序，利用K均值算法进行数据聚类和边缘识别。 - 实现了两个主要功能： 1. 鸢尾花数据聚类：使用K均值聚类将鸢尾花数据集样本分类为不同的组，展示机器学习技能。 2. 边缘识别：通过检测颜色变化来识别图像中的边缘，提高图像处理能力。 - 克服了颜色识别的挑战，通过提取图像纹理并创建位图来实现精确的边缘检测。 - 这个多功能应用程序不仅限于鸢尾花数据，还可以用于各种数据聚类和图像处理任务。 - 使用的技术：Unity、C#、K均值算法、图像处理、机器学习。

使用python语言写了一个自动登录慕课网、自动爬取课程信息的爬虫程序，该程序可以自动获取给定链接指定的网站，使用给定的步骤获取所需信息

分析网站、网页、链接的特征挖掘，对指定的多个网站的网页进行网页抓取、数据提取, 负责特殊网页采集任务的分析及采集方案设计 项目经验 ※ 项目名称：房价网分布式信息采集 项目描述：这个项目是对房价网房产信息进行数据提取。 关键词：scrapy, scrapy-redis, XPath, re, json, redis, csv, mysql, User-Agent, IP, request 技术简介： 1、使用Python的爬虫框架scrapy框架 2、使用XPath（lxml）,正则（re）进行页面分析并提取提供给数据部门 3、使用scrapy-redis进行分布式爬取 4、使用json，CSV和redis进行信息存储 项目模块介绍： 1、spider模块：处理需要的数据和请求地址 2、中间件模块： 设置代理和User-Agent 3、管道模块：数据库交互并保存数据 职责描述：负责spider模块和中间件模块

1. tvm-cn是apache/tvm的对应中文版项目。TVM为深度学习系统的编译堆栈，旨在缩小关注生产性的深度学习和关注性能和效率的硬件之间的差距。 2.工作内容为维护文档

提出了一种利用克隆选择算法的混合灰狼优化器(pGWO-CSA)，以克服标准灰狼优化器(GWO)收敛速度慢、单峰函数精度低、多峰函数和复杂问题容易陷入局部最优的缺点。提出的pGWO-CSA的修改可以分为以下三个方面。首先，利用非线性函数代替线性函数来调整收敛因子的迭代衰减，实现开采与勘探的自动平衡;然后，设计出不受适应度较差的α狼和β狼影响的最优α狼;由于δ狼的适应度较低，设计了次优β狼。最后，将克隆选择算法(CSA)的克隆和超突变引入到GWO中，增强了跳出局部最优的能力。

● 项目简介：Ai视觉识别系统是一套基于公司自研算法训练系统的图像识别系统。系统从图像采集到图像预处理, 到特征提取，到图像识别形成这个识别系统完整闭环。其中图像采集包括图片，RTSP和RTMP实时流,动态实时流（接口接入） sip实时流接入。图像处理包括取帧、画图等。特征抽取主要算法系统的算法实现特征特征抽取从而达到图像识别结果。 ● 责任描述： 个人职能：担任odaw、odan、odaa、adai开发负责人。带领开发小组满足产品设计需求的程序。在开发过程中，需求澄清， 负责核心模块技术架构，核心功能开发，小组开发人员编码的代码走读，开发设计文档概要设计编写，程序使用文档设计编写。 ● 技术栈:语言java、scala，orm：mybatisplus，springboot，远程调用gRpc，队列：Kafka，消息和图片推送netty+WebSocket， json解析：fastjson，大文件传输：webuploader。算法模型是百度飞浆训练的。代码license，使用maven插件自主打包完成。

基于容器，k8s构建算法平台，构建AI工作流，实验室，集群调度，集群运维，登录，算法任务管理，容器部署，k8s-operator开发等

智慧城市业务主要涉及智慧司法、智慧政务、智慧交通、智慧教育、智慧园区、智慧戚智慧水务等领域,基于大数据、云计算等新兴技术，政企客户提供等指挥中心、运营中心、融媒体中心、数据中心及其应用解决方案。本身具备开发网页、服务器端、数据库等各个方面的技能。在需求分析、项目设计、前后端编码、测试和部署等，熟练地使用多种编程语言和开发工具，如HTML/CSS、JavaScript、Python、Java等，同时具备了良好的沟通能力和问题解决能力，能够灵活应对各种开发任务和技术挑战。

近年来随着深度学习的迅速发展，相较于传统方法，基于深度学习的方法能够恢复出视觉效果，但是现有的深度学习网络模型注重于加深网络结构，通过扩大网络模型来提升重建的质量，这导致计算代价越来越大；而目前主流的使用小卷积核的提取特征的方法，虽然减少了计算量，但也因为感受野较小而无法充分学习到不同区域的特征。针对上述问题，本算法提出了一种基于期望最大化(expectation maximization ,EM)残差注意力图像超分辨率重建（super-resolution, SR）网络，该网络通过构建双路残差块来提取并融合网络的前后层信息，以增强网络的特征提取能力。通过引入 EM 注意力机制来获取特 征信息在空间上的相关性。最后将图像的浅层信息与经过多个 EM 残差注意力模块提取到的深度空间信息进行融合并重建，恢复出高分辨率图像。