机器学习/深度学习

1、本项目主要实现了对癌症诊断医学图像的识别任务，并建立了与用户交互的前后端界面，辅助用户进行癌症的诊断与治疗建议，主要分为前后端、神经网络、聊天机器人等技术模块 2、上述所有技术模块均由我个人独立完成 3、主要技术难点为高质量的图像诊断模型

算法实现基于文本内容的自动匹配： 1、数据预处理，微调中文文本向量化模型和语义分割模型，实现将文本内容转化为向量； 2、构建相似向量库； 3、分析数据特征，构造匹配算法。

1.项目是为了准确检测出游戏内聊天时，辱骂、敏感等的发言，(敏感词屏蔽，辱骂等分情况禁言) 2.我负责数据标注、模型训练 3.由于对时间响应要求很高，使用了简化的BERT+BLSTM+Attention

主要功能：实时检测海域内浒苔的滋生位置，漂流情况，刷新在网页系统界面。智能预测浒苔漂流方向，智能规划打捞方案，浒苔近岸时自动预警。 实现方式：通过卫星云图获取浒苔位置，显示在页面，深度学习算法做数据分析实现智能预警，智能规划打捞路线，显示附近渔船打捞船信息

100%个人完成！网站：https://www.ptefighter.com 后端服务技术栈：Laravel8.x + mysql8 + nginx pc网站 + 管理系统：vue + elementui Andorid: Java + uniapp IOS: object-c+uniaapp

Kaggle 竞赛：TalkingData AdTacking Fraud Detection Challenge 216/4967(top 5%) 中国最大的大数据服务平台 TalkingData 要求对广告点击数据中的欺诈数据进行识别 特征设计（统计特征、时间序列特征）、特征筛选（Stepwise selection）、模型建造（lightGBM、 FFM）模型融合（Ensemble Learning），最终获得铜牌 Kaggle 竞赛：Toxic Comment Classification Challenge 267/4551(top 6%) Jigsaw 和谷歌旗下的算法团队出题要求选手识别文本数据中的恶毒评论并进行分类 特征设计（统计特征、TF-IDF）、模型建造（Logistic Regression、LSTM）、模型融合（Ensemble Learning），最终获得铜牌

1、项目分为：①竞品实时数据爬取；②对应数据分析； 2、我负责的：①代码撰写；②爬虫策略设计；③分析报告

1.作品按客户要求，给出各地机票画像，并做对应的预测。功能模块主要有：数据查询模块，数据预测模块，图形展示，多媒体，天气 2.作品几乎是独立完成

深度学习各个反向，包括图像、文本、语音、推荐系统等方面的模型设计、训练，预训练、微调。模型设计指导、深度学习模型复现

这是一个类似于 ChatGPT 的 Web chatbot，它的独特之处在于能够将对话内容以知识图谱的形式保存到服务器上，从而实现永久记忆的功能。相比之下，它不仅仅是一个简单的聊天工具，更是一个能够记录和积累知识的智能伙伴。通过这种方式，每次对话都成为了知识的积累，形成了一个不断扩展和丰富的知识体系。这使得它在长期使用中能够更好地理解用户的需求和问题，提供更加准确和有用的回答。它的永久记忆能力使其成为一个不断学习和成长的智能助手，为用户提供更优质的服务和支持。

网页是构成网站的基本元素，通常是HTML格式的文件，需要通过浏览器来阅读。一个网页主要由结构、表现和行为三部分组成。结构部分由HTML语言来定义，它描述了网页的内容和语义。HTML文件包含了网页的头部信息和主体内容，头部信息中包含了网页的标题、编码、引入的静态资源等，而主体部分则包含了几乎所有的网页内容，如文本、图片、链接等。 表现部分则使用CSS（层叠样式表）来控制页面中元素的样式，对结构进行美化。CSS可以定义元素的布局、颜色、字体等属性，使得网页在视觉上更加美观和易于阅读。 行为部分则涉及到网页的交互性和动态性，通常通过JavaScript等脚本语言来实现。JavaScript可以响应用户的操作，如点击按钮、填写表单等，并动态地修改网页内容或发起网络请求。 除了这些基本的组成部分，网页还可以包含其他多媒体元素，如音频、视频等，以丰富网页的内容和用户体验。同时，随着技术的发展，现代网页也更加注重响应式设计和可访问性，以适应不同设备和用户的需求。 总之，网页是互联网上信息展示和交流的重要载体，通过HTML、CSS和JavaScript等技术的综合运用，可以实现丰富多彩、交互性

基于TVM-cn中文版的项目是一个旨在推广和应用深度学习编译器TVM（Tensor Virtual Machine）的开源项目。TVM是一个领先的深度学习编译器框架，旨在优化深度学习模型的部署和性能。TVM-cn项目的目标是为中文用户提供一个全面的资源平台，帮助他们了解、学习和应用TVM框架，推动深度学习在中国的发展和应用。 TVM-cn项目包括了TVM框架的中文文档、教程、示例代码等丰富内容，帮助用户快速上手并深入了解TVM的原理和用法。用户可以通过浏览TVM-cn网站或者参与社区讨论来获取帮助和支持，解决在TVM应用过程中遇到的问题。 除了提供文档和教程外，TVM-cn项目还鼓励用户贡献代码和优化算法，共同完善TVM框架的功能和性能。通过社区合作和知识分享，TVM-cn项目致力于建立一个活跃的TVM中文社区，促进深度学习编译技术在中国的推广和应用。 总的来说，基于TVM-cn的项目为中文用户提供了一个全面而专业的平台，帮助他们更好地理解和应用TVM框架，提高深度学习模型的部署效率和性能表现，推动人工智能技术在中国的发展和创新。

人工智能平台系统底层基于人工智能和大数据平台构建，在x86服务器之上提供数据的采集、存储、计算、算法模型和前端展现等功能。 人工智能平台和IoT提供人体识别、行为识别、倾倒行为分析等算法的建模和训练能力；人工智能平台 边缘平台则处理街道、小区大门等前端摄像头设备数据的实时接入和监管，并提供模型部署、规则设计等功能。基于平台，提供倾倒行为识别系统，并开放数据传输接口，用于倾倒行为信息等样本信息的导入和导出。

Modelscope-Agent是一个可定制的、可扩展的Agent代码框架。单Agent具有角色扮演、LLM调用、工具使用、规划、记忆等能力。 主要具有以下特点： 简单的Agent实现流程：仅需指定角色描述、LLM名称、工具名列表，即可实现一个Agent应用，框架内部自动实现工具使用、规划、记忆等工作流的编排。 丰富的模型和工具：框架内置丰富的LLM接口，例如Dashscope和Modelscope模型接口，OpenAI模型接口等。内置丰富的工具，例如代码运行、天气查询、文生图、网页解析等，方便定制专属Agent。 统一的接口和高扩展性：框架具有清晰的工具、LLM注册机制，方便用户扩展能力更加丰富的Agent应用。 低耦合性：开发者可以方便的直接使用内置的工具、LLM、记忆等组件，而不需要绑定更上层的Agent。

基于传感器数据的预测和评估： 1、实现长时间序列预测，用于评估预测算法； 2、实现精准短时间序列预测，用于预警算法。

1、项目主要是为了满足服装配饰消费者尽量还原真实上身效果的虚拟试穿需求，分为前端、后端、图像脱敏、网络通信、图像处理模型等技术模块； 2、我主要负责图像处理模型这一块的工作，基于扩散模型和ControlNet等技术完成高质量虚拟试穿效果； 3、技术难点是如何逼真还原衣服、配饰等的纹理特征。

1.支持多个大模型同时服务，图像生成/文本生成/视频 等全域开源大模型; 2.支持910b/tpu/cpu/gpu部署，支持单卡和多卡混合部署，并发支持; 3.demo使用了3种大模型, 2层级分支处理逻辑, 实现了订腾讯会议、代码解释生成、图片生成和处理一般问题； 4.深度支持RAG，检索增强生成，层次化知识存储；demo支持上传文档，体验专属个人助手(用完即删不会存档,txt或md文件)； 5.全套代码独有，支持前后端定制，支持大模型预训练/指令微调 等微调工作； 6.给出和现有系统混合协作的解决方案；

技术方向：图像目标检测、目标分割 开发语言：C++ 部署方式：宿主机部署 部署硬件：GPU服务器、瑞芯微Rk3588、清微低成本芯片5368等 算法说明：支持豆类、巴旦木、大米、花生、辣椒等农作物中好坏料筛选

技术方向：图像目标检测、图像旋转目标检测、图像关键点检测、图像实例分割等 开发语言：Python、C++ 部署方式：采用docker容器 部署硬件：GPU服务器、比特大陆SE5、瑞芯微Rk3588、华为Atlas200等

技术方向：图像目标检测、关键点检测、目标跟踪 开发语言：C++ 部署方式：采用docker容器 部署硬件：华为Atlas、瑞芯微Rk3588等 算法说明：对视频中未佩戴安全帽、未正确穿工装、打电话、未带口罩以及吸烟等行为进行识别，并报警