机器深度学习

全程实现数据分析，使用机器学习深度学习算法，包括回归、分类、时序预测；图像分析包括语义分割、分类等内容，也可以做一些故障检测之类的项目和内容

采用Python爬虫、数据分析和处理技术以及Echarts可视化技术，并与Flask Web框架相结合，实现对以中国疾病预防控制中心为代表的权威医疗机构的疫情数据的爬取以及分析和处理，构建全国实时疫情数据的新冠肺炎可视化系统。与中国目前使用的微博、腾讯和百度等平台相比，该系统采用了可视化图表平台界面，将后端数据转换为前端图形显示。与纯数字和文本相比，可视化使用户能够更直观地获取实时数据，有效提升用户体验，增强用户粘性和关注度，更好地保护自身健康。此外，该系统将用到机器学习，使用LSTM模型对全国疫情数据进行短期预测和分析，对世界人民抗击新冠肺炎具有重要意义。

项目主要通过收集设备电压电流温度以及环境温湿度，通过算法设计得出设备健康度，并实现mqtt即时预警。 负责设备数据获取、数据处理、算法设计、数学原理设计、模型自动部署运行。

项目主要分为数据采集，数据处理，数据整合设计算法，算法训练，预测结果部署等流程。 主要负责从天气预报接口存储当地天气数据，结合传感器实际采集数据通过深度学习时序预测模型训练算法，并通过docker容器让模型自动部署预测上传结果。

对实验数据做标准化处理后，依据乖离率指标BIAS等指标，选择模型（包括支持向量机模型、神经网络模型和逻辑回归模型），并对不同模型的效果进行了分析，从而作出最佳的选择。

完成金融数据分析系统三大功能模块：模块一为股票价、量走势图绘制；模块二为上市公司净利润增长率计算；模块三为上市公司盈利能力分析

为了达到对低照度和高曝光图像的增强的目的，分别使用主观评价指标和客观评价指标对算法进行评价。基于pytorch设计网络结构输出参数对图像进行简单变换，网络使用VGG16的卷积结构并增加残差连接，使用输出层预测变换参数，设计了五种损失函数进行惩罚训练。并设计UI交互界面对比不同算法的实时增强情况。

本团队密切关注食物系统、危机应对等领域的创新机遇自主研发出了基于AIOT的“AIOT-冷链箱”。本“AIOT-冷链箱”除了能完成市面上基本的保温效果以外，还有5大创新技术，由此本团队将以下我们的5大创新技术分别介绍“AIOT-区块链技术监测官”。 1. 区块链与食品信息结合，保障食品信息安全无法篡改 本团队通过使用以JD Chain为底层开发的区块链接口实现了区块链的调用，并且可将区块链与数据库相连接，实现食品信息数据实时上链。并且当数据库信息被恶意篡改后与上链信息对应不上将会提醒管理员以此保障信息安全。 2. 人工智能与物联网结合，产品功能实现全程自动化 人工智能 (AI) 能够让物联网更好地发挥作用。物联网终端设备通过内置智能功能使AI对人脸、手套等人体属性进行数据分析并随后做出正确的决策，从而保障整个过程无需任何人工操作，进一步保障食品、食材等不被污染。我们将 AI 技术应用在边缘设备上，大大的降低与云分析相关的需求和成本。 3. 区块链与溯源结合，使食品信息溯源公开透明 本团队通过使用以JD Chain为底层开发的区块链接口实现区块链的调用，将区块链与数据库相关联，实现食品信息可实时上链。并且因区块链去中心化特性，用户可查看到公开透明的数据信息，从而密切关注食材从田间到冷链箱所经历的所有步骤。 4. 轻量级设备搭载AI结合边缘计算，满足功能实时体现 本团队利用英特尔第二代神经计算棒（Intel Neural Compute Stick 2）的高运算速度以及Raspberry Pi 4B所自带的入门级 x86 PC 系统相媲美的桌面性能，给用户带来高品质体验。并且结合Raspberry Pi 4B的轻巧且强大的特性以它为核心搭载部署AI，让本团队在保证低成本的情况下实现全部功能。 5. 智能AI主动监测，全程无接触 本团队结合当代新冠疫情大环境，通过Raspberry Pi 搭载的智能AI实现对取/放餐人员检测。本团队主要是对人脸信息，手套，口罩是否佩戴规范进行检测，保障取/放餐的过程对菜品无接触，更好的避免了菜品污染。

个人构建基于酒店咨询类对话机器人 1、项目使用RASA开源框架； 2、项目内加入自己训练的情感识别模型、信息抽取模型、意图识别模型； 3、可以作为酒店有限域对话机器人； 4、项目由本人独立完成。

1、功能是针对用户话术的情感分析，方向为正向，中性、负向； 2、通过开源数据、ChatGPT标注数据、人工标注数据构建数据集； 3、模型选型使用BERT类NLU模型； 4、融合对抗训练等策略训练模型； 5、模型F1达到98%； 6、本人独立完成。

基于yolo的目标识别与检测，通过TOF数据识别机器人充电桩，实现机器人自动找桩充电；由于SLAM的全局定位依赖于当前激光和先验地图的匹配，而先验地图是采用膨胀栅格的方式来表示的，天然存在匹配误差，导致绝对定位做不到毫米级精度，所以通过TOF进行充电桩识别

使用yolov8 与LPRNet开发的车牌识别软件。opencv dnn 模型部署,yolo v8 迁移只训练了5 epoch,LPRNet 5万张 照片同样训练了5 epoch 纯cpu训练。识别率已经在90%以上，两个模型非常小巧。c++开发识别速度非常快

负责客户端工具的开发工作， 1、对高精度地图数据绘制，优化工具交互，提高三维交互友好性，同时美化软件操作界面。对高精度地图数据进行解析和压缩，提供网络传输效率 2、维护当前软件已有的功能，修改用户反馈的bug； 3、参与新客户端的重构需求分析工具。

为一个班级的人员做了人脸识别系统，识别正确率达98%以上，使用卷积深度学习网络以及opencv图像处理模块实现，人脸实时检测

1、我为商业楼宇进行了数学建模 2、为商业楼宇能量管理设计了分层多智能体深度强化学习算法结构 3、用python实现了算法并完成验证

分别针对PC端与手机端进行设备缺陷检测开发，针对电力塔缺陷进行批量图片检测或摄像头实时检测 主要工作为数据清洗、图片标注，数据集构建、目标检测算法开发、PC端进行批量检测、手机端实时检测APP开发 全部工作为一人完成

使用AWS S3+Spark+Airflow架构搭建计算平台 包含家庭能源管理，设备功能AI推荐，智能衣物管理等业务模块(JAVA,Scala,Python) 数据管道，Airflow自定义插件开发

YOLO系列的人脸检测+106个关键点检测 该项目中，检测人脸和检测关键点都使用yolo网络，并且检测输出106个人脸关键点

搭建k8s云原生底座（containerd + calico） 集成NVIDIA GPU插件，实现训练任务调度 设计开发数据集，基础镜像，算法代码，AI模型，在线训练等平台功能

本作品是一种基于 YOLOv5 部署在小型嵌入式设备的远程监测系统，系统采用了 YOLOv5 深度学习算法进行目标监测，通过 YOLOv5 算法识别火焰，浓烟等指标，将检测到的信息以图片和视频的方式发送到邮箱的火灾监测报警系统。