Python

智能学习助手是一款基于人工智能技术的学习辅助工具，旨在为学生提供个性化的学习建议、复习计划和学习资料推荐，帮助他们高效地学习和提升学习成绩。 功能模块 学习建议 复习计划 学习资料推荐 学习进度跟踪 用户反馈与评价

京东美妆数据爬取 需求：商品类别、商品价格、销量、标题、店铺名、评价数 数据要求：所有数据 通过fidder获取json文件

腾讯微卡项目主力开发。电子工卡，基于众多普教/ K12 学生无法使用手机的情况，腾讯微校通过让学生使用的物理设备与家长使用的电子卡联动，助力学校建设以一卡通为核心的 K12 智慧校园场景，并让家长可以实时掌握孩子在校动态。

主要项目范围: 酒店信息管理：包括酒店的基本信息（如名称、地址、联系方式等）、房间类型和价格、设施和服务等的管理。 房间预订：允许用户根据自己的需求选择酒店和房间，并进行实时预订。这可能涉及到日期选择、房型选择、价格计算、支付等功能。 订单管理：对用户的订单进行管理，包括订单状态跟踪、修改和取消订单等功能。 评价和评论：允许用户对入住的酒店进行评价和评论，以提供参考给其他用户。 后台管理：提供管理员后台管理界面，用于管理酒店信息、用户信息、订单信息、统计分析等。

1. 机床信号检测GUI由自己独立完成，主要对机床的主要信号进行监控，发现异常并报警。 2. 项目中遇到误报警较多的问题，最终通过扩大样本量，采用Cpk控制图的方法解决了 3. 项目把企业内的设备进行了较好的目视化整合管理，实现了数字化管控

1.潮玩抽盒小程序 2.编写算法设计抽奖概率 3.微信支付，背包，个人中心 4.抽盒机，玩家赏，一番赏，福袋玩法设计

项目描述：是一款打通上上签数据与其他 OA 、人力资源管理软件的连接中间件，主要对接企微、钉钉、飞书的审批和其他软件数据流的收集、转换映射和推送，极大地降低的客户与上上签云端的对接难度和成本，目前已服务30+客户。 技术栈：Springboot、MySQL、ElasticSearch+Logstash+Kibana、Redis、SpringCloud、Caffeine、Commons-pool、Docker、Prometheus+Grafana、Spring-security、ShardingSpehere 项目架构： 1.采用 SpringCloud Alibaba 技术体系构建微服务架构，根据实际业务场景对服务进行拆分 2.以阿里开发支撑注册/查询实例 TPS 达到 13000 以上的 Nacos 作为项目的注册和配置中心 3.使用 Keepalived + Nginx 保证访问入口高可用，防止服务器单点故障的发生 4.基于 Redis Cluster 搭建高可扩展、高可用、高并发的缓存集群 5.基于高性能的 Elasticsearch、Logstash、Kibana

一个综合性环境数据处理平台，专注于处理和融合多种来源的排放清单数据，将不同数据源的排放清单进行整合，生成综合、完整的排放数据；同时通过简易融合功能，用户可以从多个维度对整个排放清单进行调控，以适应不同的分析和评估需求，为环境保护和决策提供可靠的数据支持。 项目职责：作为Java开发工程师，参与该项目后端核心功能开发，包括需求分析、架构搭建、技术选型、项目开发等，具体如下： 1) 用户权限认证服务：负责该服务架构设计、系统开发，采用Spring Boot、MyBatis和PostgreSQL（pgsql）数据库。 2) APIsix网关和Wolf的集成：结合APIsix网关和Wolf，根据具体需求，在不同场景下完成用户权限认证和安全防护的实现。有效地保护系统免受潜在的安全威胁。 3) 云平台业务服务：负责开发云平台业务服务中的用户购买记录、使用记录和订单记录等模块，实现模块的业务逻辑处理和数据持久化。 4) 多尺度排放清单融合工具服务：包括专业融合、排放调控和简易融合等模块的实现。为了实现后台计算的解耦和异步处理，采用Gearman和多线程的方式。对算法进行优化，确保在大批量计算时用

钉钉首页的滚动效果，苹果官网的过度效果，考虑到不同设备的适配，可以使用媒体查询和响应式布局技术，使页面在不同屏幕尺寸下都能正确显示和布局，实现了放大镜的效果，通过坐标以及for循环实现八个图片都能放大的效果

N4-乙酰半胱氨酸（AC4C）RNA是一个具有挑战性的数据集，因为它很难观察AC4C的过程，并且其类别极不平衡。而且高度封装的集成模型可能无法很好地用于该数据集。AC4C现有的最佳模型可能无法实现研究中更精确的预测，并且模型的大小使应用受到在线服务器形式的限制。为了解决这个问题，我们提出了ResVariant结构，并使用带这该结构的自编码器（AE）进行训练和应用，我们称这个模型为AEResVar。本文提出的AEResVar模型由编码器和解码器组成。该模型的特殊性在于解码器中的ResVarant层，它通过添加完全连接的隧道来增强解码能力。另一个特殊点是解码器使用编码器Dense输出作为输入，由于对解码器中激活函数的反向分析，这使得其包含更多的边缘信息。 我独自完成了该项目周期在三周左右。项目链接见：https://www.kaggle.com/code/spike8086/improving-representational-ability-in-ac4c

项目描述：魔音工坊(海外版 DupDub )是一款全球领先的集文案、配音、剪辑全流程一站式 AI 软件，海内外拥有超过800万注册会员，付费会员超60万。魔音工坊拥有千款 AI 音色，全方言多语种，百变风格适合各类视频创作及配音场景的声音商店；独创的精准调音平台“声音的 word 编辑器”；以及含声音搜索，声音克隆、生成式 TTS “捏声音”等多种创造方式，总能找到最适合声音。魔音工坊海内外现已开放网页版，小程序，Android, iOS端，并上线企业版，支持多人多端团队协作。 技术栈：Springboot、RabbitMQ、MySQL、ElasticSearch+Logstash+Kibana、Redis、SpringCloud、Caffeine、Prometheus+Grafana、ShardingSpehere 项目架构： 1.采用 SpringCloud Netflix 技术体系构建微服务架构，根据实际业务场景对服务进行拆分 2.基于 Redis Cluster 搭建高可扩展、高可用、高并发的缓存集群 3.基于 RabbitMQ 集群做消息队列，实现解耦、异步 4.基于高性能

1.项目80%自行开发，包括信息采集、数据清洗、图形可视化展示、数据保存数据库 2.项目采用Python语言进行开发，Tableau 进行展示，PostgreSQL进行存储 3.项目中遇到数据量大tableau反应迟钝的问题，最终将数据数据预处理从Prep 预处理转刀Python 处理解决

柔性作业车间调度问题是实际生产中的重要问题，也是一个经典的NP难的组合优化问题。使用C++实现问题的求解，并且通过Python进行可视化

开发一个实时语音翻译系统，能够将一种语言的口头语音实时转换为另一种语言的口头输出。该系统旨在消除语言障碍，促进跨国交流，尤其适用于国际会议、全球旅游和多语种客户服务中心。 使用深度学习模型（如RNN，LSTM等）处理语音信号，将语音信号转换为文本数据。采用声学模型来实现声音特征的提取和语音的译码。 使用自然语言处理中的Seq2Seq模型配合注意力机制来将源语言文本翻译成目标语言文本。模型将学习不同语言间的语义映射。 将翻译后的文本转换为自然听起来的语音。使用高级的文本到语音技术，如基于神经网络的语音合成（如Tacotron 2），以确保语音的自然流畅。 强调系统的实时响应能力，以保证在交流中没有明显的延迟。利用优化的数据流程和高效的模型来减小处理时间。 开发友好的用户界面，使最终用户能够轻松地使用该系统。支持多平台运行，包括智能手机、平板电脑和电脑。 在一系列语言对上测试，表现出高达98%的准确率，在保持较低延迟的同时也保持了高翻译质量。 该系统极大地促进了语言不通的用户之间的交流，特别是在国际业务、旅游和多语种环境中，显著提升了用户满意度和业务效率。

开发一个图像识别系统，用于自动识别并分类城市交通中的各种车辆（如汽车、摩托车、公交车等）。该项目的目的是为了提高城市交通管理的效率与自动化程度，例如在交通拥堵分析、自动化交通监控以及未来自动驾驶技术中的应用。 数据收集与处理： 使用现有的交通摄像头资料作为训练数据，包括不同时间、天气和光照条件下的车辆图片。利用OpenCV进行图像的预处理，如尺寸调整、归一化和增强。 设计并实现了基于Convolutional Neural Networks (CNNs)的深度学习模型，采用多层卷积层、池化层和全连接层的结构，以有效地提取图像特征。 使用Keras和TensorFlow框架进行模型的训练和优化。通过调整学习率、增加dropout层减少过拟合，以及使用数据增强技术提高模型的泛化能力。 使用交叉验证和多个指标（如准确度、召回率、F1分数）评估模型的性能。对模型进行精细调整，直到达到预期的识别准确率。 系统部署： 将训练好的模型部署到交通管理系统中，实时监控和分类通过交通摄像头捕获的车辆。系统可进行实时数据反馈，提供决策支持。 成果展示 在实际交通数据上测试，系统在车辆识别任务上达到了95%以

产品分为：BI，智能报告，智慧大屏，数据加工ETL 我负责过产品的：测试、需求分析、项目专版管理等 过程中使用的技能：sql、axure、xmind、ETL等

1. 项目收集评论数据训练AI模型，可生成优、中、坏三个等级的评价系统，分析用户对于商品的评价体系。 2. 负责数据的收集和整理，模型的搭建、训练以及调参，生成参数模型。

图着色问题是经典的组合优化问题，并且在许多实际生活中有应用。算法通过C++实现最小k的计算，并且给出所有节点着色的可视化结果

设计并实现一个智能客服聊天机器人，用于提高电信公司客户服务部门的响应速度和服务质量，减少人工客服的工作负担。 从公司数据库提取客服历史对话数据，并使用Python进行数据清洗和预处理，包括去除无用信息、文本标准化和词汇编码。 应用TensorFlow框架设计了基于Transformer的自然语言处理模型，实现了文本的自动理解和回复生成。在模型设计过程中，特别注重提高模型的泛化能力和响应质量。 使用Google Cloud Platform的计算资源进行模型训练，通过调整超参数和使用交叉验证方法优化模型表现。 将训练好的模型部署至公司的服务器，并通过API与现有的客服系统集成。保证聊天机器人的平稳运行，并对其进行定期的性能评估和更新。 成果展示 聊天机器人成功处理了超过70%的常规客户咨询，将人工客服的平均响应时间从5分钟降低到1分钟。 根据客户反馈调查，引入聊天机器人后，客户满意度提升了30%。 通过自动化处理大量常规咨询，公司客服部门的工作效率提高，进而减少了30%人工客服的人力成本。

这是为了方便制作操作步骤文档而开发的工具，可以是实现截图后按顺序保存到word文档中，以便于之后编写教程用。 点击开始按钮可以实现：屏幕截图，保存到一个截图变量列表中 点击保存按钮可以实现，创建一个系统的图形化界面，将截图变量列表中的文件按顺序保存到 word 文档， 点击清空按钮时实现将截图变量列表清空； 4.同时按下ctr+空格也可以进行截图