机器深度学习

1. 软件面向的行业和业务场景（25%） 本项目主要面向 安防监控、智能考勤、身份认证、智慧零售 等行业，提供高效、轻量级的人脸识别解决方案。其主要应用场景包括： 安防监控：在公共场所（如商场、地铁、机场）进行人脸检测，实现异常行为预警和黑名单人员筛查。 智能考勤：在企业、学校等场景中，实现无感考勤，提高管理效率。 身份认证：用于门禁系统、智能支付、在线身份验证等，提高安全性和便利性。 智慧零售：通过人脸识别分析客户行为，优化商品摆放，提高用户体验。 2. 主要功能模块及用户体验（50%） 本项目采用 YOLO（You Only Look Once） 作为人脸检测模型，并基于 ncnn 框架 进行优化和部署。系统主要包括以下功能模块： 人脸检测模块 采用 YOLO 进行高效人脸检测 适应不同光照、角度、遮挡等复杂场景 提供实时检测能力，支持视频流处理 人脸特征提取与比对 通过深度学习提取人脸特征向量 提供 1:N（搜索）和 1:1（身份验证）比对模式 低计算成本，实现快速匹配 人脸数据库管理 用户可添加、删除、更新人脸数据 支持本地数据库和远程存储 提供 API 供第三方系统调用 结果可视化与日志记录 提供 Web 端或客户端实时查看检测结果 记录识别日志，便于追踪与回溯 支持图片、视频输入与批量处理 轻量级部署 针对移动端和嵌入式设备优化，低功耗运行 适配 ARM 设备，如 Android 终端、树莓派、嵌入式 IPC 设备等 3. 技术选型与架构特点（25%） 本项目的技术架构充分考虑了 高效性、跨平台兼容性和易用性，主要特点如下： ncnn 框架： 轻量级、无第三方依赖的神经网络推理框架 适用于移动端和嵌入式设备（ARM 设备优化） 支持 Vulkan 加速，提升 GPU 计算效率 YOLO 模型： 速度快、检测精度高 适用于实时应用，能够在低功耗设备上运行 C++/Android 端优化： 采用 C++ 进行核心算法开发，提升运行效率 可适配 Android 端（通过 JNI 调用） 模块化架构： 提供 API 接口，支持与其他系统集成 可扩展性强，未来可支持更多识别算法（如 RetinaFace、ScrFD）

• Develop all pages of the company's official website and run and maintain it online • Create a design system and iterate and upgrade the UI • Manage customer study tour date planning and coordinate the progress of the service team Generated product ideas after receiving design requirements and inspire design directions Collaborated with engineers team, created a web-based data security platform, for enterprises worldwide to eliminate the risks and hardships associated with personal data management and privacy compliance Perform data analysis in order to get insight from qualitative and quantitative data for designing Created User-flows, models, and design documents Established the Design System Conducted usability tests and A/B testing using wireframe, low fidelity mockups, and high-fidelity prototypes Iterated on different versions of product prototypes to fit the most recent marketing needs  Created logos, slides, and short video for business needs  Led a design sprint with a UX team of six to generate early product ideas and to inspire design directions  Collaborated with Salisbury University’s engineer team, created a web- based communication platform, UWLES Connect, for UWLES service providers, its 40 partner agencies, and members of the community where health information and social services are exchanged, discovered, and accessed  Conducted user research, identify and prioritize research questions-based project goals  Execute ux research by multiple methology, such as interviews and competitive analysis; created and collected surveys; conducted 30+ user interviews to understand stakeholders’ needs  Perform data analysis in order to get insight from qualitative and quantitative data for designing  Conducted usability tests and A/B testing using wireframe, low fidelity mockups, and high-fidelity prototypes  Established the design system of UWLES Connect and created a color system for it  Iterated on middle-level prototypes and delivered high-fidelity UI mocks which include the home dashboard, client-side chatbot, full- screen group chat, and resources directory  Collaborated with two HCI students, created component libraries and three speculative app interfaces focused on building a healthy lifestyle  Created a film-based narrative that tall the fictional story of a user based entirely on their mobile phone use

1. 软件面向的行业和业务场景 该项目是基于强化学习的自我博弈模型，主要面向人工智能（AI）和机器学习领域，特别是在棋类游戏和智能对弈的应用场景。其核心目标是训练一个能够与人类对弈并不断优化策略的 AI 玩家。通过强化学习与蒙特卡洛树搜索（MCTS）相结合，这个软件可以应用于任何需要决策优化和策略训练的领域，如自动驾驶、金融预测、机器人控制等。 业务场景包括： 人工智能竞技游戏：用于训练 AI 玩家，模拟自我博弈，提升 AI 策略。 游戏开发与优化：游戏公司可以用该技术提升 NPC（非玩家角色）智能，增强游戏体验。 教育与研究：为机器学习和强化学习的研究者提供实用工具，帮助学习和理解深度强化学习的应用。 2. 项目分为哪些功能模块，对使用者来说具体实现哪些功能 该项目包括以下主要功能模块： Board（棋盘信息模块）：该模块存储并管理棋盘的信息，定义了棋局的状态和每个玩家的操作。 MCTS（蒙特卡洛树搜索模块）：用于构建决策树，通过模拟多次博弈来选择最优的落子策略。其核心思想是利用树状结构进行搜索，并根据模拟结果做出决策。 Residual Neural Network（残差神经网络模块）：该模块用于训练 AI 玩家，通过深度神经网络辅助预测最佳的落子位置。网络结构采用残差神经网络（ResNet），以提高训练效果和预测准确性。 AI Player（AI 玩家模块）：将蒙特卡洛树搜索与神经网络结合，构建出一个能够自我学习和对弈的智能 AI 玩家。 Game（游戏过程模块）：该模块定义了自我博弈和人类对战的流程，确保系统能够支持多种游戏模式，包括 AI 自我对弈和与人类对弈。 MetaZeta（主程序和 GUI 模块）：该模块整合了所有功能模块，并提供图形用户界面（GUI）进行操作。用户可以通过界面启动自我对弈或与 AI 对战的模式。 具体功能包括： AI 自我对弈：用户点击“AI 自我对弈”按钮，系统将启动 AI 玩家进行自我博弈，训练其棋局策略。 与 AI 对战：用户可以与训练好的 AI 玩家进行对弈，测试 AI 的下棋水平。 3. 项目的技术选型和架构特点 该项目采用了以下技术选型： 操作系统：Ubuntu 18.04.6 LTS。 深度学习框架：TensorFlow GPU 2.6.2，用于加速深度学习模型的训练和推理。 编程语言：Python，用于开发所有功能模块，具有良好的扩展性和兼容性。 项目的架构特点： 模块化架构：整个项目由多个独立的模块组成，包括棋盘信息管理、蒙特卡洛树搜索、残差神经网络、AI 玩家、游戏过程控制等。各模块通过接口进行交互，保证了系统的灵活性和可扩展性。 强化学习与 MCTS 结合：通过强化学习算法（自我博弈）与蒙特卡洛树搜索相结合，AI 玩家可以从对弈中不断学习和优化策略，从而提高游戏水平。 GUI 界面：项目提供了图形化界面，方便用户启动不同的模式（自我对弈或与 AI 对战）。用户通过简洁的界面与 AI 进行交互，增加了使用的友好性。

基于YOLO V5的西红柿品种检测平台是一个高效、用户友好的软件，它能够快速上传和处理图像，准确识别西红柿的不同品种，并通过直观的界面展示识别结果。平台支持批量处理和数据导出，同时平台具有百科全书，通过各种方法来向用户展示西红柿的各种科普知识、前世今生、品种分布、销售统计，此外，它还具备易于集成的API接口和全面的客户支持服务。 采用先进的YOLO V5深度学习模型，该模型以其快速、准确的目标检测能力而闻名，特别适合于图像识别任务。通过训练和优化模型，实现了对西红柿品种的高准确率识别，减少了误判和漏判的可能性。

个性化照护是其显著亮点。依据患者病史、基因数据、生活习惯等海量信息，AI 照护师量身定制专属照护方案。从饮食搭配到康复训练计划，从用药提醒到心理疏导，满足个体差异需求，让每位患者都能得到最契合自身的关怀，增强康复信心与效果。 不知疲倦的特性更是一大优势。它可 24 小时不间断工作，时刻守护患者，尤其在夜间等医护人员相对忙碌时段，能持续监测病情，及时预警突发状况，保障患者安全，减轻医护压力，优化医疗资源分配。 而且，AI 照护师还能高效整合医疗资源。与医院信息系统无缝对接，快速获取病历、检查报告等资料，辅助医护人员全面了解患者情况，促进多学科协作，为患者打造连贯、高效的照护服务闭环，推动医疗服务向智能化、精细化迈进，为人类健康保驾护航，成为未来照护领域不可或缺的得力助手，开启智能照护新时代，书写医疗关怀新篇章。

以下是对代码的分析和总结，按照您提供的参考框架进行分类： 1. 软件面向的行业和业务场景 (25%) 该代码实现了一个基于机器学习的股票因子模型，面向金融行业，特别是量化投资和股票市场分析领域。其主要业务场景包括： 股票因子计算：通过技术因子和基本面因子的计算，分析股票的历史表现和市场特征。 预测模型训练：基于历史数据训练机器学习模型（随机森林），预测股票的未来收益。 投资决策支持：为投资者提供股票预测结果，帮助筛选出具有潜力的股票。 2. 项目分为哪些功能模块，对用户来说具体实现哪些功能 (50%) 功能模块划分及实现功能： 数据获取模块 功能：获取股票数据，包括历史价格数据和最新市场数据。 实现： get_sample_stocks：随机抽取样本股票，过滤掉ST股票、北交所股票和上市不足一年的股票。 get_historical_price_data：通过akshare获取股票的历史价格数据。 get_latest_market_data：通过akshare获取最新市场数据，包括股票的实时价格、换手率、成交量等。 因子计算模块 功能：计算技术因子和基本面因子，用于后续模型训练。 实现： calculate_technical_factors：计算动量因子、波动率因子、均线因子、RSI指标和MACD指标。 calculate_fundamental_factors：计算市盈率、市净率、换手率、量比、总市值和流通市值等基本面因子。 process_factors：对因子进行去极值处理和标准化处理。 模型训练模块 功能：训练随机森林模型，预测股票的未来收益。 实现： prepare_target：准备目标变量（5日收益率），并对数据进行去极值处理。 train_model：使用交叉验证训练随机森林模型，输出模型的特征重要性和预测性能指标（MSE）。 预测与结果生成模块 功能：基于训练好的模型生成股票预测结果，并筛选出具有潜力的股票。 实现： predict：对样本股票进行预测，生成预测收益，并结合市场数据筛选符合条件的股票。 输出结果包括股票名称、最新价、预测收益、涨跌幅、换手率、成交额、量比和市盈率等信息。 辅助模块 功能：提供数据清洗、异常处理和日志输出等功能。 实现： winsorize：对数据进行去极值处理。 standardize：对数据进行标准化处理。 main：程序入口，调用各模块完成整个流程。 3. 项目的技术选型和架构特点 (25%) 技术选型： 数据获取： 使用akshare和tushare获取股票数据，支持历史价格数据和实时市场数据的获取。 数据处理： 使用pandas和numpy进行数据清洗、因子计算和特征工程。 机器学习： 使用scikit-learn实现随机森林回归模型，支持交叉验证和特征重要性分析。 进度条： 使用tqdm显示数据获取和处理的进度条，提升用户体验。 异常处理： 使用try-except结构捕获异常，确保程序的健壮性。 架构特点： 模块化设计： 代码按照功能划分为多个模块，每个模块负责特定的任务，便于维护和扩展。 数据驱动： 整个流程以数据为核心，从数据获取到因子计算，再到模型训练和预测，每一步都依赖于数据的处理和转换。 机器学习集成： 将机器学习模型（随机森林）集成到股票因子分析中，实现对股票收益的预测。 异常处理与日志输出： 在关键步骤添加异常处理和日志输出，确保程序的稳定性和可调试性。 随机性控制： 使用固定的随机种子（random.seed和np.random.seed）确保结果的可重复性。 总结 该代码实现了一个完整的股票因子分析和预测系统，适用于金融行业的量化投资场景。通过模块化设计和机器学习技术的应用，用户可以高效地计算股票因子、训练预测模型并生成投资决策支持结果。

参与课题沟通和重点问题处理；承担交叉口提取与构建任务 • 发明基于实例分割的道路交叉口检测方法，达到90%左右的预测精度(专利)； • 基于图形学原理对交叉口内部道路临近路段实现冗余路段融合算法 • 运用Labelme、深度学习框架，针对交叉口检测从数据标注到模型训练测试全流程 该项目针对车载双目影像以及高精度位姿数据中蕴含丰富的道路场景三维语义信息，结合前 沿算法与地图学知识，实现道路三维要素的自动化获取与表达。 • 对双目立体视觉技术及视差匹配模型进行研究，实现双目车载影像的立体匹配与三维视觉点云提取； • 运用空间聚类算法、地图制图学原理对车道整体场景进行表达研究。

餐饮门店营业额预测模型 项目背景： 随着市场竞争的加剧，餐饮行业面临着如何精确预测每日营业额、优化库存管理、调整促销策略等挑战。传统的营业额预测多依赖于人工经验和简单的历史数据对比，存在着较大的波动性和误差。这家餐饮公司希望通过数据驱动的方法提高预测精度，减少因库存积压或缺货导致的成本损失。 项目目标： 为餐饮公司开发一个基于机器学习的营业额预测模型，能够综合考虑多个因素，如历史销售数据、天气、节假日、促销活动等，提供精准的每日营业额预测。通过模型预测，帮助公司优化库存管理，制定科学的促销方案，提升整体盈利能力。 项目实施： 数据收集与预处理： 该餐饮公司提供了多年的门店销售数据，其中包括日期、销售额、菜品种类、库存情况等信息。 我还从外部数据源获取了天气、节假日等相关信息，并对数据进行了清洗和标准化处理，以确保数据的准确性和完整性。 特征工程： 我基于数据的时序特性，提取了日期、时间等信息，转化为适合模型输入的特征。 结合气候因素（如温度、降水量等）和节假日信息，构建了多个特征维度，包括日间气温、是否节假日、周末等，以增强模型的预测能力。 模型选择与训练： 在测试集上，我使用了均方根误差（RMSE）、平均绝对误差（MAE）等指标对模型进行了评估。 我通过特征选择和模型参数调优，不断优化预测精度，最终使得模型的预测准确率达到了85%以上，相较于传统的基于历史均值的预测方法，精度提升了约30%。 系统集成与部署： 构建了一个自动化的预测系统。该系统每天自动更新数据，生成未来几天的营业额预测，并为库存管理和促销活动提供建议。 我还为客户提供了一个简单易用的可视化界面 项目成果： 优化库存管理：通过精确的销售预测，公司能够合理安排库存，减少因过多库存导致的浪费和因缺货导致的销售损失。 提升盈利能力：基于模型的预测，餐饮公司能够灵活调整促销策略，在销售高峰期增加优惠力度，在淡季时优化资源配置，从而提升整体营业额。 技术难点与解决方案： 多因素建模：由于餐饮行业受到多种因素影响（如天气、节假日等），需要处理多种复杂特征。我通过特征工程和模型调优，成功将这些因素纳入模型中，提高了预测的准确性。 数据稀疏性与异常值处理：部分门店的历史数据较为稀疏，且存在较多异常值。通过对数据进行严格清洗和异常值检测，确保了模型输入数据的高质量。

餐饮门店营业额预测模型 项目背景： 随着市场竞争的加剧，餐饮行业面临着如何精确预测每日营业额、优化库存管理、调整促销策略等挑战。传统的营业额预测多依赖于人工经验和简单的历史数据对比，存在着较大的波动性和误差。这家餐饮公司希望通过数据驱动的方法提高预测精度，减少因库存积压或缺货导致的成本损失。 项目目标： 为餐饮公司开发一个基于机器学习的营业额预测模型，能够综合考虑多个因素，如历史销售数据、天气、节假日、促销活动等，提供精准的每日营业额预测。通过模型预测，帮助公司优化库存管理，制定科学的促销方案，提升整体盈利能力。 项目实施： 数据收集与预处理： 该餐饮公司提供了多年的门店销售数据，其中包括日期、销售额、菜品种类、库存情况等信息。 我还从外部数据源获取了天气、节假日等相关信息，并对数据进行了清洗和标准化处理，以确保数据的准确性和完整性。 特征工程： 我基于数据的时序特性，提取了日期、时间等信息，转化为适合模型输入的特征。 结合气候因素（如温度、降水量等）和节假日信息，构建了多个特征维度，包括日间气温、是否节假日、周末等，以增强模型的预测能力。 模型选择与训练： 在测试集上，我使用了均方根误差（RMSE）、平均绝对误差（MAE）等指标对模型进行了评估。 我通过特征选择和模型参数调优，不断优化预测精度，最终使得模型的预测准确率达到了85%以上，相较于传统的基于历史均值的预测方法，精度提升了约30%。 系统集成与部署： 构建了一个自动化的预测系统。该系统每天自动更新数据，生成未来几天的营业额预测，并为库存管理和促销活动提供建议。 我还为客户提供了一个简单易用的可视化界面 项目成果： 优化库存管理：通过精确的销售预测，公司能够合理安排库存，减少因过多库存导致的浪费和因缺货导致的销售损失。 提升盈利能力：基于模型的预测，餐饮公司能够灵活调整促销策略，在销售高峰期增加优惠力度，在淡季时优化资源配置，从而提升整体营业额。 技术难点与解决方案： 多因素建模：由于餐饮行业受到多种因素影响（如天气、节假日等），需要处理多种复杂特征。我通过特征工程和模型调优，成功将这些因素纳入模型中，提高了预测的准确性。 数据稀疏性与异常值处理：部分门店的历史数据较为稀疏，且存在较多异常值。通过对数据进行严格清洗和异常值检测，确保了模型输入数据的高质量。

深耕网络安全行业，负责的产品包括有SASE、云防火墙、云WAF、NDR和运维中心。 该作品主要展示PC端常用的Axure原型设计组件，辅助产品经理加快需求设计进度，细化产品原型文档、提高与前后端研发的交流沟通效率。

该软件主要帮助客户开发对AI知识库的运用，使用客户产品知识库训练大模型回答相应问题，还能根据客户的语义，生成相应的图片（文生图、图生图）。 该项目主要分三大块，智能AI对话、智能生图、群聊功能，对于客户来说，主要解决了学生在机构中了解到机构的基本背景，通过机构的课程学习，能够使用app实现图片的生成，还能通过群聊与机构老师进行沟通。 该项目主要通过本地部署大模型（langchain+通义千问）实现智能对话，stablediffusion实现智能生图，通过调用腾讯即时通讯实现群聊功能，主要特点是大部分功能都通过开源框架本地部署来实现，能够节约外部调用api的费用。

这是一个人工智能强化学习项目，智能体挑战人类的认知逻辑推理能力。人类和智能体进行一场比赛，在10*10的矩阵方格内用最短的时间和步数找到飞机的头部即为获胜方，飞机随机生成，为‘士’字形。找到除飞机的方格为‘空’，找到飞机除头部的位置为‘伤’，找到头部游戏结束。智能体根据训练目的的不同分为两个模型进行训练，主要采用DDQN和PPO两种算法进行强化学习训练。采用Ray框架rllib进行训练，最后达到性能为平均5-6步找到飞机头部，优于人类平均水平。

1. 本系统专为日常处理海量文件的办公群体打造，如企业职员、文案工作者等。他们常因文件数量多、种类杂，面临查找困难、整理耗时等痛点。本系统致力于借助自动化技术，有效解决这些文件管理难题 2.对比传统方式和一般软件，此系统自动化程度高，能依文件类型、时间等快速分类，效率提升超70%；准确性达99%以上，还支持自定义规则，灵活适配不同需求。 3. 采用Python作为核心开发语言，运用HTML5实现部分交互展示，借助MySQL存储文件相关数据与规则，含文件扫描、规则设定、文件迁移等模块，实现文件高效整理

项目使用DDPG算法和Keras对TORCS赛车模拟平台进行训练，以达到最优路径和最短时间的训练效果。 DDPG：其主要结合改进了以下三种算法或框架： · DPG（Deterministic Policy Gradient）确定性策略梯度算法 · DQN（Deep Q-Network）深度Q网络 · AC（Actor-Critic）随机离线策略 Actor−Critic框架 DDPG可以看成是DQN的扩展版 ，不同的是，以往的DQN在最终输出的是一个动作向量，对于DDPG是最终确定地只输出一个动作。而且，DDPG让DQN可以扩展到连续的动作空间。 可以用来作为强化学习、机器学习、深度学习课设。

• 程序分析：用AST树(语法分析树)对源代码进行静态分析，提取出代码中的变量、函数和类的结构信息 • 工具实现：独立开发了基于VS Code的类型标注插件工具LLMinfer，实现自动化类型推断功能 • 数据收集：训练并测试Type4Py模型 • 模型比较：比较传统模型(Type4Py)、混合模型(Type4Py+Deepseek-coder)、大模型(Deepseek-coder)的Python类型预测准确率 • 论文撰写：作为主要作者参与立项、结项论文撰写 • 项目获奖省级优秀项目

无人机（UAVs）在物流和运输领域的潜力逐渐显现，亚马逊等公司开始探索使用无人机进行货物配送。复现论文数学模型，定义了类似于飞行侧踢旅行商问题（FSTSP）的问题，但适用于多卡车情况，目标是最小化成本。

【交个朋友！】项目代码可直接下载，希望您能够留下联系方式一起交流技术【什么项目？】完成AIAgent搭建、网络数据采集、清洗、分析、可视化、回归预测全过程构建LLM工作流（大语言模型）：调用**ChatGLMAPI**设计AI全自动书籍归类，批量处理700本榜单小说（每本简介约500字），全自动化处

实用的设计说明书自动校审工具。该工具基于专业知识的AI专家系统，为使用Microsoft Word或金山WPS进行文字编辑的用户提供了自动化校审功能，用户不但可以根据自己积累的本地知识库进行自动化校审，还可以使用AI云端知识库进行自动化校审。 AI文档校审工具主要用于文字说明书、文案的复核、审核工作，例如，您今天复核说明书A的时候，发现了10个问题，然后把这些问题记录在本地知识库里。下次您复核说明书B的时候，就可以利用本地知识库中已有的知识进行自动校核了。这样日积月累，形成自己的专属知识库，就可以避免日后犯同样的错误。除此之外，您还可以使用工具提供的云端知识库，实现大数据AI智能审核。

百度飞桨（PaddlePaddle）是中国首个自主研发的开源深度学习框架，解决了从模型训练到部署的全流程难题，提供多样化的工具（如PaddleOCR、PaddleNLP、PaddleSlim），优化中文任务及低资源设备上的AI应用。其灵活的动态图与静态图结合、强大的分布式训练与模型压缩能力，使其在性能和产业落地中表现优异。通过简单的安装和丰富的预训练模型，用户可以快速上手并实现高效开发。

视频处理系统，在实时处理视频流时，检测、识别、分割等操作均可实时，精准捕捉画面中的关键元素。不仅如此，还能为用户一键美颜，瞬间提升颜值，或是添加趣味贴纸特效，让视频瞬间变得生动有趣，广泛适用于直播、短视频创作、社交娱乐等众多场景，全方位助力精彩呈现。