Python开发工具

1、通过网关与设备控制系统PLC连接，读取数据； 2、通过服务器安全mysql和python程序读取网关数据，进行存储和数据分析，并通过界面或内部网站显示。 3、实现低投入的设备SCADA系统。 4、若能开放生产数据库，可实现连接构造MES系统。

1.本工具基于Whisper大模型打造，支持‌纯本地化一键安装即可运行‌，语音数据全程离线处理，杜绝隐私泄露风险； 2.采用AES-256加密技术保障文件与转录内容安全，满足行业内部重要会议录音转文本场景需求。 3.支持后期升级为智能纠错与排版，兼容多格式输出

本模型聚焦航空运输服务质量优化，针对现有用户评价分析中存在的多语言评价稀疏性（如中文/英文评价占比7:3）、长尾语义噪声（非结构化文本占比＞85%）及动态情感漂移（如延误场景下情绪极性突变）等核心痛点，构建了基于多源异构数据融合的智能分析体系。相较于传统基于词频统计（TF-IDF）与静态情感词典的方案，本模型首创跨语言联合表征框架——采用BERT-Multilingual预训练模型实现中/英/日语评价的向量对齐（语义相似度↑32%），结合时域注意力LSTM捕获评价时序关联（如航班延误前后服务评分衰减模式），并引入对抗生成网络（GAN）合成长尾低频事件（如行李损坏、特殊餐食投诉）的训练数据，使F1-score提升至89.7%（较基线模型+41%）。技术实现上，模型依托Scrapy-Redis分布式爬虫集群日均抓取全球12家航司官网与社交媒体评价数据（＞5万条/天，抗反爬动态渲染破解率＞98%），经命名实体识别（NER）与事件图谱构建后，通过Docker-Kubernetes弹性计算集群实时输出服务质量热力图、旅客情感趋势曲线及突发问题预警指数（延误投诉响应延迟＜15分钟），已成功应用于某

只要与在GPU服务器部署的模型服务互联完成对业务数据的处理，通过该软件调用大模型完成相应的推理任务，并在软件中监控和管理数据

1. 精通掌握数据仓库概念，有丰富的项目开发经验; 2. 精通PL/SQL 脚本开发、存储过程、函数，熟识数据建模和数据仓库体系架构； 3. 精通使用ORACLE、MySQL 等数据分析工具，擅长用SQL实现各种计算和查询,了解基本的性能调优规则; 4. 有大数据分布式计算平台开发经验,熟悉Hadoop、Hive 等相关架构； 5. 熟练ETL及流程以及Kettle和datastage工具的使用，包括采集、加工、存储等； 6. 熟练掌握Finereport，使用可视化工具完成报表开发; 7. 熟练使用配置工具SVN和调度文档填写，会使用CTM调度工具进行调度; 8. 熟悉 linux 系统以及第三方工具 Xshell、xftp 使用，掌握Linux 常用命令

python爬虫技术，熟悉相关库的调用，requests, selenium等技术的应用，已用作品如：二手房源的爬取，以及相关数据处理与分析，机器学习相关技术处理数据。

使用计算机视觉处理图像数据 特征提取和模式识别算法的应用 实时反馈和手势追踪 手势识别的准确性和实时性 多环境下的适应性 用户个体差异的适应 确定手势识别的基本功能，如识别滑动、点击等 规划高级功能，如自定义手势、手势密码等 明确手势识别在微信小程序中的具体应用场景

爬取了boss,前程无忧，拉钩，猎聘，等各个招聘网址的职位信息，以及cookie的生成和获取，对数据进行了清洗存入数据库

S（情境）： 承接头部客户项目运维，面临新系统上线及老平台迁移的复杂任务，涉及6大公共模块、27家税局、164台服务器，且需保障业务零中断。 T（任务）： 解决迁移效率低、人工操作冗余等痛点，确保业务不受影响并加速项目验收。 A（行动）： 自动化运维构建： 1、自主研发Python工具集，实现服务器批量启停进程、内存/磁盘监控、日志检索及文件拉取，将人工操作减少90%。 2、设计基于SFTP + 钉钉的实时监控告警，通过优化SQL查询语句统计异常数据并自动推送消息，发现问题时效达到分钟级。 全流程脚本化改造： 1、日志清理：使用Python定时任务，结合Linux的Cron服务自动清理27地区日志文件，保障磁盘使用率80%以内可用。 2、数据治理：编写脚本自动化清理27地区数据库冗余表，每天20点到早上9点每10分钟执行一次。 3、工具研发：实现请求报文Base64加密，针对客服部税号失败问题，通过工具平均每天修复10+问题。 R（结果）：老平台迁移耗时从2周压缩至2天，效率提升80%。164台服务器迁移过程零故障，加快项目验收进度，为公司节省了大量时间和成本。

主要面向中小企业、电商平台及物流仓储行业，致力于解决传统仓储管理中信息滞后、库存混乱、人工操作低效等问题。通过数字化管理手段，该系统可以提升库存管理的精准度，提高出入库效率，降低人为错误，优化仓储资源利用，帮助企业实现智能化、自动化的仓库运营。 前端：Vue.js/React + Ant Design，实现高效交互和良好用户体验。 后端：Spring Boot（Java）/Django（Python），提供稳定可靠的业务逻辑处理能力。 数据库：MySQL/PostgreSQL + Redis，支持高效数据存储与查询。

首先运用神经网络技术对庞大且复杂监测数据进行深度学习训练，该过程旨在自动化提取关键特征并揭示潜在的非线性关系。随后，我们将神经网络模型提炼出的高级代表性特征作为输入，对接支持向量机进行细致分类任务，凭借SVM在处理小样本、高维数据时的优势，精确描绘决策边界，以期实现数据的高精度细分与归类。

主要功能包含用户的注册与登录、校园信息管理、进出校园管理、人脸报警管理、系统管理、我的信息等；管理员主要功能包括了用户管理、校园信息管理、进出校园管理、人脸报警管理、系统管理、我的信息等；管理员可以实现最高权限级别的全系统管理

内容: 数据挖掘模型基于人工智能、机器学习、统计学、数据库、可视化技术等,采用当前比较流行的分类、回归分析、聚类、关联规则等模型算法,从不同的角度对数据进行挖掘。组件算法的图形化,通过可视化拖拽操作,实现零代码挖掘,降低结束 门槛;支持流程动态调度,支持上下游交互调试能力,比如全流程运行、单点运行、按分支运行等。主要包括可视化挖掘和zeppelin脚本挖掘。 业绩: 参与平台功能开发和优化,前端jsp+layui和后端struts2接口开发;参与支撑区域相关工作;主要包括:泰州公安机器学习 版本上线、湖南挖掘竞赛支撑、江西电信机器学习验收支撑、安徽电信调度挖掘功能上线、电信集团数里淘金决赛支撑等。

1、实现基于特定条件自动归档数据，避免数据量过大影响到业务。 2、实现下线商户数据归档。 3、实现数据跨库归档。 4、实现了数据增加字段实时无锁切换。 5、实现了数据归档上传到OSS。

1. 大模型本地化部署：确保数据安全可控 针对人力资源领域涉及大量敏感信息的特点，我们的方案首先强调数据的安全性和控制权。实现了模型训练与推理过程完全受控于企业内部环境。这不仅保障了员工个人信息及企业机密资料的安全，同时也为企业提供了灵活调整模型以适应特定需求的能力。 2. 向量数据库技术支持的高可用私有知识库系统 利用检索增强生成（RAG）架构与多模态向量数据库引擎，我们打造了一个支持动态更新的企业知识中枢。该系统具备处理TB级非结构化数据的能力，能够对文档多种格式进行语义分析，并支持实时语义检索与多维度关联分析。对于HR常见的问题如政策查询、流程指导等，系统响应时间可控制在200ms以内，极大地提高了工作效率和服务质量。 3. 私有数据驱动的智能推理与决策支持 为了让人力资源管理系统更加智能化，从文档解析、特征提取到知识关联，形成完整的数据闭环，确保模型推理准确率提高40%以上。这有助于企业在招聘选拔、绩效评估、培训发展等方面做出更为精准的决策，从而达到行业领先的智能化水平。

API接口数据和线下表格数据实现结构配置化接口上传. 1、实现批量数据上传 2、实现接口与目标数据源的自动化匹配生成API接口 3、实现读取指定行数上传

自主研发了一款安全平台，该平台集成了当前主流的CLIP后门攻防算法，能够有效支持用户管理、安全评测、信息查询等多种功能。平台通过灵活的架构设计，提供了高度可扩展的安全评估能力，帮助用户实时监控与分析模型的安全性。通过集成的攻防算法，平台能够针对CLIP模型进行全面的安全防护，确保模型在面对各种后门攻击时依然能够维持较高的鲁棒性和准确性。

睡眠仪： 1、面向所有希望快速入睡的人群 2、高品质、高人性化操作、良好用户体感 3、触摸唤醒、Led指示、亮度可调、CD音质、flash存储播放内容、塑胶外壳、电镀边框 无线电话： 1、家用、办公 2、使用方便、操作丰富、语音播报、大屏显示 3、2.4GHz无线双工通信、塑胶外壳 对讲机： 1、家用旅游、公司经营 2、通道多、通讯加密、低功耗、语音保真 3、半双工无线通讯 移动电源： 1、个人手机等储电小设备 2、双输出、动态显示充电量及充电百分比显示、时间、日期显示 3、电池充放电管理、电量检测、LCD显示 蓝牙语音遥控器： 1、家庭电器类远距离控制 2、语音功能、低功耗 3、低功耗蓝牙技术、语音压缩发送

功能介绍 数据来源与目标： 该脚本的目标是从购物平台爬取键盘商品的数据。 爬取的数据包括商品的标题、店铺名称、价格、地区、销量、属性和使用场景等信息。 爬取到的数据会被保存到本地的CSV文件中，文件名为键盘商品数据.csv。 数据爬取方式： 脚本通过模拟移动端API的请求，从网站的后端接口获取数据。 使用了平台的mtop.relationrecommend.wirelessrecommend.recommend接口，并通过构造特定的请求参数（如时间戳、签名、设备信息等）来获取商品数据。 数据处理与保存： 爬取到的原始数据是JSON格式，脚本通过解析JSON数据，提取出需要的信息。 对于某些字段（如地区信息、属性信息等），脚本进行了进一步的处理和格式化。 最终，提取和处理后的数据被写入到CSV文件中，方便后续的查看和分析。 实现方式 请求参数的构造： 脚本中定义了多个关键变量，如em_token、eT（时间戳）、eC（设备标识）和ep_data（请求数据）。 通过这些变量，脚本构造了请求的签名（sign），这是通过将em_token、时间戳、设备标识和请求数据拼接后进行MD5加密生成的。

个人在openjudge网站上的解题个人心得，保存为pdf文档，解题思路都用markdown语言编写并提供题目链接。 全部由个人独立完成，代码排版有序整洁，相关题目涉及python基础，动态规划，深度优先搜索和广度优先搜索等。