机器深度学习

1、负责智能座舱软件开发。座舱 SoC 基于 hypervisor 运行中控及仪表的双系统，中控系统为 Android ，负责娱乐交互，包括腾 讯生态、语音识别，视频播放等。仪表为 Linux ，负责信息显示，以及辅助驾驶应用的运行。 2、负责自动驾驶算法的初步预研，主要包括 DMS/OMS （面部及手势识别）、语种识别（通过识别语言的种类，将系统自动切换 到对应的语种）。

泳护神是一款基于人工智能技术的泳池防溺水产品。泳护神经过多年研发，研发团队超过30人，投入研发金额超过数千万，模型训练样本上千万张，模型标注上面投入成本超过数百万。泳护神在研发过程中，实地考察了全国近300家泳池，对每家泳池进行精确测量，获取了全国泳池构型的精确数据。研发过程中，研发团队与近百位一线救生员、泳池安全管理负责人和泳池经营者进行了交流，收集了大量关于泳池安全管理流程的第一手资料。同时还在网络中搜集了近百个溺水视频，采访了有过溺水救援经历的救生员数十人，获取了溺水征兆的第一手资料。经过整个研发团队的努力，泳护神能够有效识别多种溺水征兆。 目前泳护神覆盖全国14个省和直辖市，其中覆盖26个城市和地区。实现签约客户100+，安装客户62个，已完成验收用户50个。目前产品运行稳定且高度成熟，随时可以服务客户。核心团队会持续ALL IN于该项目。 泳护神与市场同类产品相比具有以下优点： 1. 研发投入大。泳护神研发周期超过七年，研发团队超过30人，用于训练模型的显卡数千张，前后投入了大量资金和时间。 2. 模型训练样本多。用于训练识别模型的样本超过千万，每张图均由专业标注团队进行标注，标注成本超过数百万。 3. 实地勘测泳池数量较多，掌握中国和全球绝大多数泳池的构型，先后实地考察泳池超过300个，每个泳池均详细记录其构造参数。基于这些参数，定制了专业的摄像头安装位置工艺参数表。 4. 安装客户数量和覆盖范围广。 5. 支持多种模型，为了获取更好的识别精度，根据摄像头的安装位置和安装角度，有针对性地训练了上百个模型，识别精度大幅度提高。 6. 报警信息接收终端类型多样，支持智能手表、手机、电脑、平板电脑、智慧大屏等多种终端设备。为每种终端设备定制了相应的APP。 7. 报警信息智能化，所有报警接收终端均支持基于人工智能的报警语音提示，将溺水征兆以语音形式播报。报警信息包括泳池区域、泳道和危险行为，还可以加入泳池中的相关特征，方便救生员迅速定位危险位置。 8. 提供全面的溺水管理系统，能够及时了解泳池中的安全动态，并能够自动统计特定时间段内的泳池安全管理情况，生成月度、季度、年度等报告。应用人工智能算法，为下阶段泳池安全管理工作提供建议。系统可以运行在PC、手机、平板电脑等多种设备上。 9. 内置防溺水教学系统，能够收集系统报警信息，供救生组长筛选出有价值的内容，在对救生员进行培训时使用。 10. 根据泳池中的动态提供多种预警信息，比如遇到以下情况可以发出预警信息： 1) 深水区人数超过阀值； 2) 深水区长时间抓岸不动； 3) 浅水区长期站立岸边不动（预防老年人突发疾病）； 4) 泳池某区域人数超过上限阀值， 可以根据客户需求定制相关场景。 11. 价格优惠。 我们支持以下合作模式： 1) 直接购买技术方案（包括软件和硬件）。 2) 仅购买软件。 3) 如果客户希望建立自己的品牌，我们可以帮助客户贴牌。 4) 根据客户需求对产品进行二次开发。 联系方式： 微信：同手机 邮箱：411321681@qq.com 手机：18616874518

核心功能： 闲聊问答： 利用先进的自然语言处理技术，Moonshot AI 智能客服能够进行流畅的闲聊，提供友好的交互体验。 支持多轮对话，能够根据上下文理解用户的需求，提供相关且有趣的回答。 垂直领域RAG问答： 专为特定行业或领域定制的知识库，确保提供的信息准确、专业。 结合检索和生成技术，系统能够从大量数据中快速检索相关信息，并生成详细、准确的回答。 技术亮点： 多语言支持：系统支持多种语言，满足不同地区用户的需求。 24/7不间断服务：无需人工干预，智能客服能够全天候提供服务。 自学习机制：通过机器学习算法，系统能够不断优化其回答质量，提高用户满意度。 安全性：采用最新的数据加密技术和隐私保护措施，确保用户信息安全。

我是一名专注于深度学习和人工智能领域的软件工程师，拥有丰富的实践经验和扎实的技术背景。我擅长使用 Python 进行编程，并在图像处理和自然语言处理领域有着深入的研究和实践。我曾成功应用深度学习模型于新闻文本分类、人体姿态识别项目以及图像分类检测等任务。 项目经验 新闻文本分类系统： 行业应用：媒体、出版、内容分析 功能实现：自动化新闻内容分类，个性化新闻推荐，内容审核 技术亮点：利用预训练模型 BERT 提升分类准确性，支持多类别文本分类 人体姿态识别系统： 行业应用：健康监测、运动分析、安全监控、人机交互 功能实现：运动训练分析，老年人跌倒检测，异常行为识别 技术亮点：实时数据处理，高准确性的姿态识别算法，易于集成的 API 设计

项目介绍: 银行中常见的一种业务 根据客户特征(年龄、工作类型、文化程度等) 预测客户是否愿意认购定期存款? 银行如何精准“营销” 信用分析预测 基于定量和定性数据准确实时分析，降低信用风险 不需要员工进行背景检查，许可和复杂的工作流， 促进积极的风险管理 实时信贷决策促进实时自主申请，提高效率 交易平台运营合规评估 对每个员工交易行为进行评估，同时挖掘日志和邮件， 识别可疑行为，从而进行行为分析 持续实时进行，可以预防违规行为 交易平台交易预测 利用外部数据比如股票价格，谷歌搜索和新闻强化交易 前的预测 利用算法寻找数据中新模式，进行实时高频的交易决策， 从股票波动中盈利 银行客户细分 利用无监督的学习技术进行聚类分析，能够从其客户群体 中找到不同的客户，找到客户的共性，可以对客户进行细 分 客户细分，有利于产品定位，可以为每个客户创建合适的 个性化产品，有助于产品销售 通过机器学习，可以实时地了解客户偏好的改变，自动调 整产品的个性化推荐，改善客户服务 流程(八步曲) 问题识别 数据准备 数据分析处理 数据分析可视化 数据特征提取 模型选择及训练 模型测试及评价 模型应用 结果 模型性能评估：通过准确率、召回率、F1值等指标对各个模型的性能进行评估。结果显示，随机森林模型在大多数指标上均表现较好，因此选择随机森林作为最终的预测模型。 预测结果分析：使用随机森林模型对测试集进行预测，得到每个客户的存款类型预测结果。通过对比真实值与预测值，发现模型在大多数情况下能够准确预测客户的存款类型。 结果分析 特征重要性分析：通过随机森林模型输出的特征重要性排序，我们发现客户的年龄、收入和存款金额等特征对存款类型的影响较大。这表明银行在制定营销策略时，应重点关注这些特征，以便更精准地定位目标客户。 虽然随机森林模型在本次实训中表现较好，但仍存在一些局限性。例如，模型对于极端值或异常值的处理能力有限，可能导致预测结果出现偏差。此外，模型对于新出现的未知数据也可能存在一定的泛化能力不足的问题。

将船舶的经纬度数据AR投影到摄像机的画面之中，实现在河道的摄像头画面中可以查询到船只的AIS信息。 相比较于市面上的其他算法，本算法不需要严格的要求摄像头的品牌和尺寸。 摄像头投影的准确率达到99%，同时支持动态监控，缩放监控。

通过大量数据分析实现最适合的方案，决策支持系统（Decision Support System, DSS）是一种信息系统，它结合了计算机科学、数据管理和人工智能技术，旨在帮助决策者收集和分析信息，从而做出更好的决策。DSS通常包括以下组件： 数据管理：用于存储和管理数据的系统，包括数据库管理系统（DBMS）和其他数据仓库技术。 模型管理：包括用于处理和分析数据的统计和数学模型。 用户界面：使用户能够与系统交互，输入参数、查询信息以及查看结果的界面。 在您的工作中，如果涉及到植物科研测量和数据分析，一个决策支持系统可以帮助您更有效地管理数据、分析结果，并基于这些信息做出更明智的决策。

大模型通常指的是指基于大规模数据训练的深度学习模型，如GPT-3、BERT等。这些模型通常具有数十亿到数百亿个参数，能够对自然语言进行更深入的理解，并在多个自然语言处理任务上取得出色的表现。 RAG代表Retrieval-Augmented Generation，是一种结合了检索和生成的自然语言处理模型。RAG模型结合了检索式问答和生成式问答的优点，能够在生成答案时从大规模的知识库中检索相关信息。这种模型结构使得它在问答任务中能够更好地处理需要深入推理和大规模知识的问题。 总的来说，大模型通常指的是参数规模庞大的深度学习模型，而RAG是一种结合了检索和生成的自然语言处理模型，能够在问答等任务中发挥作用。

基于现在比较流行的ECAPA-TDNN神经网络进行改进，提取语音的声学特征并据此进行语种判别，实现了一个更加方便 高效的语种识别系统。 主要工作： 1、理解任务，阅读相关论文以了解语音相关的研究成果和技术，明确研究方法 2、准备合适的数据集，对数据集进行预处理，提取声学特征 3、深入理解 ECAPA-TDNN 模型并设计进行实验 4、分析模型的输出结果，根据模型与问题、数据的匹配性调整参数和训练策略 5、诊断问题、分析错误后积极与导师讨论，合力解决问题

1.面向相关农业科技化，解决了根据耕地数据进行种植推荐和产量预测问题 2.方案中有如下特点：ML实现作物推荐、DL产量预测、千帆语言模型多轮对话、爬虫新闻信息 3.基于python 的django框架实现

1.数据收集与清理： 收集历史空气质量数据，识别并处理缺失值和异常值，确保数据质量。 2.特征工程： 提取和构建与空气质量相关的特征，包括气象条件、污染物浓度等，并进行特征选择和降维，以优化模型性能。 3.相关性分析： 探讨空气质量指标之间的相关性，识别主要影响因素，为模型提供科学依据。 4.模型开发与训练： 选择并训练适合的机器学习模型，使用交叉验证等方法调整参数，以提高预测准确性。 5.模型评估与优化： 对模型进行评估，使用指标如均方误差（MSE）和平均绝对误差（MAE）衡量模型性能，并根据结果进行优化。 6.预测与应用： 利用训练好的模型，对未来6小时的空气质量进行预测，并提供应用场景的建议，如污染预警系统等。

面向律师和普通用户，对不同类型合同进行智能审核，提示合同中不足或存在的问题，大大提高工作效率 首先根据不同合同的类型，专业的律师根据国家相关法律法规，定义了需要校验的schema，及校验规则，通过深度学习bert+pointer抽取合同中相关的内容，做好原文的定位，校验后在原文中标注不足或存在的问题

本系统面向HR和求职者，解决了用人单位通过职位快速匹配候选人的问题，根据求职者简历和求职职位，快速匹配岗位 本方案相对于常规方式，对简历解析，形成结构化信息，对候选人画像，综合匹配岗位要求和职责，实现快速和准确的匹配 技术：常见简历文档读取和解析（深度学习+行业知识图谱），人才画像，职位描述读取和解析，匹配

该项目使用公开人体器官数据集，使用NAF作为模型基线，加上旋转分辨率Former，不仅实现三维重建和新视图合成SOTA，参数量和计算量都远远小于最新的SOTA方法。光是一种重要的电磁波，在各个领域内都发挥着广泛的作用。X光通过物体，不同物质会吸收不同程度的X光，在展现物体内部空间结构中，有着不可替代的作用。最近，基于神经辐射场的三维重建方法取得不错的效果，但现有的方法在捕获不同分辨率之间物体内部空间结构的相关性存在局限。对此，我们研究这个项目，用于捕获不同分辨率之间物体内部空间结构的相关性，更好的实现X光的三维重建。在人体器官数据集上的实验表明，在新视图合成任务和CT重建任务上比最新基于Nerf的SOTA方法的PSNR分别高出5.18dB和0.626dB，并且计算量和参数量减少至23.68%和26.60%。

基于convLSTM实现流场图片信息的三维重构和预测，输入观测图像可以将图片进行分类，和识别图片中的微幅波。 实现三维动态流体的实时测量，结合深度学习和传统数字图像处理中的数字图像相关法，可以实现对于力学中变形和拉伸过程中物理参数的快速实时观测，并基于此实现微米级别的工业视觉测量场景，不仅能适应自然生活中的深度测量需求，还能实现对于微米级别的工业仪器测量的要求。

本项目提出了一种深度强化学习算法（多约束的PPO算法）以提高车辆的控制稳定性，本项目基于UE4实现了一个自动驾驶仿真环境，在该环境中跑通了车辆自动驾驶模型的训练、评估，证明了本项目提出算法的有效性。 深度强化学习（DRL）已经在各种具有挑战性的决策任务中进行了研究，例如自动驾驶。然而，DRL通常存在动作抖动问题，这意味着即使状态只有轻微差异，代理也可以选择具有很大差异的动作。这个问题的一个关键原因是DRL奖励的不当设计。在本文中，为了解决这个问题，我们提出了一种新的方法来将动作的平滑性纳入奖励中。具体来说，我们引入了子奖励，并添加了与这些子奖励相关的多个约束。此外，我们提出了一种多约束近端策略优化（MCPPO）方法来解决多约束DRL问题。大量的仿真结果表明，所提出的MCPPO方法在动作平滑性方面优于传统的比例-积分-微分（PID）和主流的DRL算法。

面向国内亿级短视频用户构建推荐系统，提升主站精排和海外APP的用户消费时长。 在特征工程的基础上，采用时长互动目标mmoe+长短期期兴趣序列sim架构，相比传统的DNN结构，提升效果明显。 搜推联动项目，结合搜索和推荐两大展位用户数据，优化不同场景下的时长。

Bigo Likee，Imo Feed 信息流推荐：面向海外短视频消费用户，基于千万级月活构建短视频，图片，帖子资源推荐系统，提升用户观看vv，时长和互动行为。 技术方案：在用户，视频，上下文特征的基础上，构建多目标MMOE网络，并通过多目标自动调参优化多目标权重。 Likee Push 推荐：面向海外短视频消费用户，构建亿级用户批量推送Push推荐系统，提升用户点击率。采用汤普森采样+UCB筛选优质Push内容。 Hello 交友匹配：面向国内聊天交友用户，构建在线实时交友匹配系统，综合异性，兴趣，新老用户，等待时长等因素，提升新老用户留存，增加好友率和消费时长。采用二分图匹配算法，最大化匹配权重。

（1）提出了一种基于循环网络框架下的多目标追踪方法（RN-MOT），为解决基于城市交通场景下多目标跟踪算法的精确度较差问题提供了一种新的思路；（2）提出了一种集成学习结合压缩算法的框架，在损失极少精确性的前提下极大地提升了RN-MOT算法的检测及追踪速度；（3）测试了包含目标遮挡、镜头移动、目标较多等挑战场景下的视频序列以验证和优化RN-MOT算法；

面向黄河流域的城市对于近二十年的碳排放的大数据进行统计分析处理，利用神经网络模型，以及基于神经网络的时间序列模型进行对于未来的碳排放预测。并且通过对多方面碳排放的数据增长情况进行分析处理，以达到对城市管理和政策建议的功效。此模型在中国统计建模大赛中，荣获国家二等奖，山东省一等奖。