机器深度学习

基于传感器数据的预测和评估： 1、实现长时间序列预测，用于评估预测算法； 2、实现精准短时间序列预测，用于预警算法。

算法实现基于文本内容的自动匹配： 1、数据预处理，微调中文文本向量化模型和语义分割模型，实现将文本内容转化为向量； 2、构建相似向量库； 3、分析数据特征，构造匹配算法。

基于 FATE 给运营商搭建了联邦学习平台，基于 FATE 进行二次开发，支持了 FATE 现有算法的情况下，额外扩充 25 个深度学习的图像算法，GAT，GCN 等 5 个图神经网络算法，2 个 NLP 算法，额外新增了若干音视频算法 个人主要负责 FATE 平台搭建，联邦学习底层原理的研究，另外主要完成图像深度学习算法以及音视频算法的研发 在搭建的过程中，需要深度算法原理的研究，将现有算法联邦化的过程需要深入了解 FATE 的实现机制，为了保证效率和安全性需要实时跟进相关领域的论文。个人整理相关领域的文章 https://www.zhihu.com/people/hustyichi/posts

1、本项目主要实现了对癌症诊断医学图像的识别任务，并建立了与用户交互的前后端界面，辅助用户进行癌症的诊断与治疗建议，主要分为前后端、神经网络、聊天机器人等技术模块 2、上述所有技术模块均由我个人独立完成 3、主要技术难点为高质量的图像诊断模型

1、项目主要是为了满足服装配饰消费者尽量还原真实上身效果的虚拟试穿需求，分为前端、后端、图像脱敏、网络通信、图像处理模型等技术模块； 2、我主要负责图像处理模型这一块的工作，基于扩散模型和ControlNet等技术完成高质量虚拟试穿效果； 3、技术难点是如何逼真还原衣服、配饰等的纹理特征。

技术方向：图像目标检测、图像旋转目标检测、图像关键点检测、图像实例分割等 开发语言：Python、C++ 部署方式：采用docker容器 部署硬件：GPU服务器、比特大陆SE5、瑞芯微Rk3588、华为Atlas200等

使用ernie模型他是基于深度学习框架PaddlePaddle实现的。 通过自然语言处理和深度学习技术对用户发布的文本进行分析和检测，快速准确地判断其中是否含有恶意言论，在发现恶意言论 基于深度学习的ai中医舌诊 2023.04-2023.09 2022.09全国大学生数学建模竞赛 2022.09-2022.09 后，系统可立即对其进行处理，例如删除相关文本或限制发布者的行为，同时在普通用户发表言论后，也可以使用该系统进行一遍 过滤。 功能一：文本数据上传与预处理 用户能够通过系统的用户界面上传待检测的文本数据，支持直接进行文本文本检测。在上传过程中，系统应对数据进行预处理，包 括去除无关字符、标准化文本、分词等操作，以便后续的模型处理。 功能二：文本文件上传与预处理 用户能够通过系统的用户界面上传待检测的文本文本文件数据，系统支持多种文件格式的上传，如文本文件、CSV、Excel等。在 上传过程中，系统应对数据进行预处理，以便后续的模型处理。 功能三：网页文本数据预处理 用户能通过系统的用户见面输入需要进行恶意语言检测的网页url地址，上传后系统会访问网页获取到网页的文本数据，通过对文 本的预处理，获得可以进行检测的文本提供给模型进行检测。 功能四：恶意语言检测 系统应使用深度学习模型对预处理后的文本数据进行恶意语言的检测。模型应具备分类能力，能够将文本分为恶意和非恶意两类。 同时，系统应提供实时的检测结果，以供用户及时了解文本数据的恶意程度。 功能五：检测结果展示 系统应以易于理解的方式展示检测结果，通过颜色编码方式将结果呈现给用户。用户应能够直观地查看哪些文本数据被识别为恶意 语言。

一）研究目的 本项目实现一款基于wechaty的多功能服务机器人，制作一个校园官方的“朋友圈”，学生可以通过微信平台，以自然语言对话的方式简便快速地完成校内日常事务及活动发布推广；也可以通过与智能机器人对话方式获取如图像处理等趣味功能，丰富校园生活并且提升学校形象。 （二）研究内容 大学生在校园中常常有丢失物品的情况，通常会通过校园墙等渠道大海捞针式的寻找，耗时费力。如果能够借助wechaty，拾到失物者通过向微信服务机器人发送失物照片，借助AI技术对失物进行识别，即可快速匹配联系到失主。 学校管理中有大量的规章制度．例如学生竞赛、项目报销、最新防疫政策、毕业设计相关流程和要求等。师生们通常遇到问题是不知道去哪里查找对应的政策，甚至不知道该找谁询问，导致在流程上耗费了大量的时间和精力。如果能够有一个智能且友好的接入服务，针对提出的疑问自动答复，将会有力提高校园运转效率。 互联网时代传统学校招生方式也越来越不受年轻人喜欢。如何提供一种更有亲和力，更有趣的方式吸引年轻人的注意，介绍并且推广学校是一个非常需要考虑的问题。通过微信接口，可以给大众以问答的形式，实时回答各种关于至诚学院的问题。同时提供一些有趣的Al服务，例如对将个人照片嵌入校园风光，照片动漫化等。

1.支持多个大模型同时服务，图像生成/文本生成/视频 等全域开源大模型; 2.支持910b/tpu/cpu/gpu部署，支持单卡和多卡混合部署，并发支持; 3.demo使用了3种大模型, 2层级分支处理逻辑, 实现了订腾讯会议、代码解释生成、图片生成和处理一般问题； 4.深度支持RAG，检索增强生成，层次化知识存储；demo支持上传文档，体验专属个人助手(用完即删不会存档,txt或md文件)； 5.全套代码独有，支持前后端定制，支持大模型预训练/指令微调 等微调工作； 6.给出和现有系统混合协作的解决方案；

使用olllama加载本机模型，创建建modelfile对模型进行提示词构建，使用ngrok对ollama服务器进行反向代理进行公网访问

预训练大预言模型微调，使用peft库,用lora方法，使用alpaca_data_zh数据集，微调bloom-1b4-zh模型，主要分为数据处理、高效微调、模型合并等几个步骤，重点关注loss情况

100%个人完成！网站：https://www.ptefighter.com 后端服务技术栈：Laravel8.x + mysql8 + nginx pc网站 + 管理系统：vue + elementui Andorid: Java + uniapp IOS: object-c+uniaapp

上下双相机对位贴合 第一步,首先明确我们的目标,就是我们到底在做啥,抓这个产品放到我们的目标问题,所以我们不要在上面图的位置分析。 第二步,假设我们上面的产品没有偏差,直接把产品移动到我们的目标位置:标准放置位置M1(x,y,u),放下产品 第三步,确定我们的看看位置到底是怎样偏差的,然后就知道我们该怎样旋转平移了。

人工智能竞赛平台，赛事管理平台，系统自动根据赛事规则评分。 提供更多智能算法解决方案，促进人工智能行业的发展。

模型：打磨因子选择方法；用自适应滚动调参的树模型、成体系化的深度表征学习模型作为普适AI产品，用于各种不同类型因子集合进行因子融合 效果：在百亿私募实盘规模预估数十亿，有不错增量

现有的抄清摘要抽取算法主要基于用户主观意识的文字生成，带有主观偏见，但是抄清工作赋能的目标是尽可能少的利用原文获取更多信息，保存更多的信息。 本项目将基于自然语言处理技术对抄清数据进行分析，快速挖掘出重要信息，并通过结构化形式展示出来。方便其他人员的信息的快速阅识。主要包括如下三步任务： 1、将诸如PDF、图片等格式抄清信息通过特定算法识别出来转为纯文本信息； 2、利用训练的算法先对文本信息进行分类处理，再基于不同类别训练的算法模型从完整的抄清信息中快速挖掘出重要信息； 3、通过直观的结构化形式展示出来。 2、拟解决的关键问题 1、将抄清信息从不同格式文件中提取出来 抄清信息储存的格式丰富多样，包括PDF、TXT、图片、DOC、EXCEL等，将抄清信息从这些不同格式中抽取出来是下游任务进行的关键，本项目将用诸如pdfplumber、PaddleOCR等python库并结合规则算法将文本信息从上述格式中抽取出来。 2、筛选任务目标需要的模型 针对本项目，从文本基础预处理出发到抄清重要信息任务展示，选取大量的领域较优模型进行对比分析，筛选适合本任务的算法模型进行后续的优化研究。 3、数据不足，如何对模型进行有效的监督学习 当前模型未接入“抄清工作”历史沉底的带行业特征的语料库,因此为了解决监督学习任务标签数据不足问题，考虑用以下两种方法解决： ①、预训练+微调：首先在一个大规模无监督数据语料库上对一个强大的任务无关模型进行预训练，之后再使用一小组标签样本在下游任务上对该模型进行微调。 ②、预训练+数据集自动生成：给定一个功能强大的预训练模型（chatGPT），利用该模型来自动生成更多得多的标签样本。再将生成的标签数据通过人工修订后座位标签数据进行模型训练。 4、如何将完整的人类反馈强化学习（RLHF）步骤复现到训练的大模型中，使大模型在针对任务上效果更优。 现有开源大模型都只得到了人类反馈强化学习（RLHF）中第一步的监督微调模型，没有进行后续的对齐和微调工作。 RLHF算法复现： RLHF第一步（Stage1）是supervised-fintuning，即使用上文提到的数据集进行模型微调。 RLHF第二步（Stage2）训练了奖励模型，它通过对于同一个prompt的不同输出进行人工排序，得到对应分数，监督训练奖励模型。 RLHF第三步（Stage3）使用了强化学习算法，是训练流程中最复杂的一部分。

Qt手动和自动流程控制建筑机器人作业系统。TX2嵌入式系统驱动控制通信接口，websocket安卓平板控制相关的网络通信协议接口和架构

1.私有化离线部署LLM模型 2.可将LLM模型返回json格式化接口 3.LLM可解析语义访问数据库(例如mysql)或文档等文本资料返回数据

【业务模块】 整体金融大模型行业调研报告项目主要分为三个部分，其中第一部分主要是待调研公司核心数据的 配置模块，主要包括三个类别下的数据信息，即:所属行业，推荐指标类别和核心指标类别等。第二 部分主要是对待调研公司的各类指标进行行业咨询内容的采集。第三部分是对于采集的信息做核心信 息抽取，完成整体摘要信息的生成。 【负责业务】 主要负责整体业务架构的算法架构设计，实现基于金融搜索大模型的信息采集和基于金融推理大模型的 调研报告生成。主要涉及到搜索大模型的应用，大模型微调和基于大模型的摘要生成等业务内容。 【效果】 整体完成了业务目标，实现了全自动的行业信息采集和摘要生成，极大地提高了行业调研报告生成的效率。

根据去年 的 AI 浪潮 自主研发的 ai 问答 ai 绘画 app ai 问答技术支持 使用羊驼 绘画使用 sd 有多位市场部门经理 以及各个 部门4 个月合作与测试 研发 最终完成 上线 (现在已下线)