机器深度学习

提出一种基于标题正文相似度和作者隐含情感的虚假新闻检测方法： 1.新视角——新闻作者潜在的主观情感来检测虚假新闻 2.新注意力机制——充分挖掘标题和正文之间的相似性

项目描述：根据研究组提供的数据集进行时间序列预测，以历史3小时的数据作为输入，预测未来4小时的风电功率值。发电站将 预测结果作为参考调整发电站功率使风力发电网电压相对稳定 主要任务：利用各种方法优化预测结果。在初期阶段采用比较简单的机器学习模型（包括线性回归，随机森林回归等），之后采 用pytorch搭建神经网络（包括MLP网络，LSTM网络，双向LSTM网络等），并尝试引用分位数回归探索数据集的潜在规律。

项目描述：基于python通过组合不同的机器学习模型来对357名病人20000多的生物信息特征进行筛选，进行临床试验并寻找筛 选结果对于结直肠黏液腺癌的生物学功能，以验证这些生物分子对于该癌症发病率的相关程度，进而能推动结直肠粘液腺癌的特 效药物的研发。 主要任务：进行分子信息的筛选，筛选过程为（lasso特征降维然后用随机森林模型筛选出对结直肠粘液腺癌相关性高的6个生物 分子）

服务内容： 1.根据用户需求对各个领域的公开数据进行爬取，支持定时爬取，定时更新，监控更新等和数据源更新频率绑定的功能 2.几乎覆盖国内外所有的公开平台，对于平台特有的反爬机制都有攻克处理手段 3.对爬取到的数据支持各种数据库或Excel存储，并且也支持对收集到的数据进行数据分析和可视化展示

1、对轮胎X光图像数据进行数据标注，标注成图像分类数据集和图像分割数据集； 2、针对轮胎X光图像的特殊性，对其进行相应的图像处理，包括裁切，噪声，翻转，直方图均衡化等； 3、采用ResNet-34作为骨干网络对其进行特征提取工作； 4、使用Faster R-CNN模型对其进行缺陷检测工作； 5、针对检测速度慢的问题，尝试使用无监督方法对其进行二分类（正常与缺陷）。 6、发表科技核心期刊一篇，顶会一篇

主要功能：实时检测海域内浒苔的滋生位置，漂流情况，刷新在网页系统界面。智能预测浒苔漂流方向，智能规划打捞方案，浒苔近岸时自动预警。 实现方式：通过卫星云图获取浒苔位置，显示在页面，深度学习算法做数据分析实现智能预警，智能规划打捞路线，显示附近渔船打捞船信息

Modelscope-Agent是一个可定制的、可扩展的Agent代码框架。单Agent具有角色扮演、LLM调用、工具使用、规划、记忆等能力。 主要具有以下特点： 简单的Agent实现流程：仅需指定角色描述、LLM名称、工具名列表，即可实现一个Agent应用，框架内部自动实现工具使用、规划、记忆等工作流的编排。 丰富的模型和工具：框架内置丰富的LLM接口，例如Dashscope和Modelscope模型接口，OpenAI模型接口等。内置丰富的工具，例如代码运行、天气查询、文生图、网页解析等，方便定制专属Agent。 统一的接口和高扩展性：框架具有清晰的工具、LLM注册机制，方便用户扩展能力更加丰富的Agent应用。 低耦合性：开发者可以方便的直接使用内置的工具、LLM、记忆等组件，而不需要绑定更上层的Agent。

该服务主要包含 文本生成图像、图像到图像的生成、ControlNet的图像控制。可选用Redis队列启动方式（自动监听）和API方式（HTTP请求调用）。 所有工作都有我完成。可以使用docker部署至服务器。作为图像生成服务

该项目实现了智能客服回复的功能，无需人工客服回复； 我在项目中负责模型的搭建与训练 最后实现了该功能，未来可向生成式答复的方向改进

服务内容： 1.算法实现：多种CV下游任务的算法实现，包括数据处理，模型训练，模型调节等，下游任务包括且不限于目标检测，语义分割，OCR文字识别，目标追踪，姿态估计等 2.算法服务：AI推理功能可以通过服务的形式集成到产品或者平台中 3.算法部署：支持多种部署方式，本地部署，集群部署，容器化部署 4.平台、产品定制化开发：围绕人工智能技术将AI集成到产品或者平台中，结合应用场景、定制化需求，开发完成的，可应用的产品和平台 5.运维迭代，知识培训：负责产品至少6个月的运维和迭代工作

内容： 1.算法实现：多种nlp下游任务的算法实现，包括数据处理，模型训练，模型调节等 2.算法服务：AI推理功能可以通过服务的形式集成到产品或者平台中 3.算法部署：支持多种部署方式，本地部署，集群部署，容器化部署 4.平台、产品定制化开发：围绕人工智能技术将AI集成到产品或者平台中，结合应用场景、定制化需求，开发完成的，可应用的产品和平台 5.运维迭代，知识培训：负责产品至少6个月的运维和迭代工作 服务优势： 1.有着丰富的研发经验，更有来自bat的技术大牛，从架构到实施环环把关； 2.从业经历遍布各个领域，包括智能营销，智能运维，智能政务等多个场景尤其擅长电商和工业领域； 3.团队有着丰富的产品和平台开发经验，B端产品，C端产品，技术平台，低代码平台等都有着深厚的积累； 4.前沿技术敏感，时下最热的大模型，AIGC都在服务内容里，支持客户各个层面的需求。

1、项目分为：①竞品实时数据爬取；②对应数据分析； 2、我负责的：①代码撰写；②爬虫策略设计；③分析报告

1.整个项目分为数据爬取存储:使用python编写爬虫程序从某二手房网站爬取相关数据并存储至本地mysql;数据处理，对不规则化数据进行编码，特殊数据进行数值转化，归一化等处理；特征工程，根据实际预测场景结合外部数据（如地图API提供的POI信息等）分析构建有效特征，保留有效特征；模型构建，尝试多个匹配当前任务数据类型和预测目的的基础模型进行测试；优化调参，通过spark高效完成模型自动化调参，自动选择最优参数；模型集成，通过投票、得分等方式对较优模型进行集成学习等几个方面。 2.该项目最终可对二手房房价进行预测，最终预测结果偏差在500元/平方米上下。

Kaggle 竞赛：TalkingData AdTacking Fraud Detection Challenge 216/4967(top 5%) 中国最大的大数据服务平台 TalkingData 要求对广告点击数据中的欺诈数据进行识别 特征设计（统计特征、时间序列特征）、特征筛选（Stepwise selection）、模型建造（lightGBM、 FFM）模型融合（Ensemble Learning），最终获得铜牌 Kaggle 竞赛：Toxic Comment Classification Challenge 267/4551(top 6%) Jigsaw 和谷歌旗下的算法团队出题要求选手识别文本数据中的恶毒评论并进行分类 特征设计（统计特征、TF-IDF）、模型建造（Logistic Regression、LSTM）、模型融合（Ensemble Learning），最终获得铜牌

基于TVM-cn中文版的项目是一个旨在推广和应用深度学习编译器TVM（Tensor Virtual Machine）的开源项目。TVM是一个领先的深度学习编译器框架，旨在优化深度学习模型的部署和性能。TVM-cn项目的目标是为中文用户提供一个全面的资源平台，帮助他们了解、学习和应用TVM框架，推动深度学习在中国的发展和应用。 TVM-cn项目包括了TVM框架的中文文档、教程、示例代码等丰富内容，帮助用户快速上手并深入了解TVM的原理和用法。用户可以通过浏览TVM-cn网站或者参与社区讨论来获取帮助和支持，解决在TVM应用过程中遇到的问题。 除了提供文档和教程外，TVM-cn项目还鼓励用户贡献代码和优化算法，共同完善TVM框架的功能和性能。通过社区合作和知识分享，TVM-cn项目致力于建立一个活跃的TVM中文社区，促进深度学习编译技术在中国的推广和应用。 总的来说，基于TVM-cn的项目为中文用户提供了一个全面而专业的平台，帮助他们更好地理解和应用TVM框架，提高深度学习模型的部署效率和性能表现，推动人工智能技术在中国的发展和创新。

LeNet-5是一个经典的深度卷积神经网络，由Yann LeCun教授于1998年的论文Gradient-Based Learning Applied to Document Recognition中提出，本文代码是《Tensorflow 实战Google深度学习框架》6.4.2小节的例子(与论文中的深度学习网络有一些不同), 由于环境不同做了一些修改，可以正常运行。原代码中注释都省略了，详细注释参考原书籍。 源代码粘贴在网址： https://blog.csdn.net/ggw007/article/details/131041812?spm=1001.2014.3001.5502

GAN包含有两个模型，一个是生成模型（generative model），一个是判别模型(discriminative model)。生成模型的任务是生成看起来自然真实的、和原始数据相似的实例。判别模型的任务是判断给定的实例看起来是自然真实的还是人为伪造的（真实实例来源于数据集，伪造实例来源于生成模型）。生成器（generator）试图欺骗判别器（discriminator），判别器则努力不被生成器欺骗。模型经过交替优化训练，两种模型都能得到提升，但最终要得到的是效果提升到很高很好的生成模型，这个生成模型所生成的产品能达到真假难分的地步。 项目是使用的百度飞浆paddle深度学习平台框架，生成的模型可以根据一段高斯噪声生成手写数字图片，项目链接地址： https://aistudio.baidu.com/projectdetail/6859512?contributionType=1&sUid=4878658&shared=1&ts=1711115648705

1、项目分为三个部分：数据源获取和数据处理、人效模型构建、模型应用上线。 2、难点和解决方案：（1）数据源选取：用实际达成效率结合线下抽查压测数据做数据打标、结合主客观特征做特征加工；（2）特征工程：区分静态特征和动态特征，对非结构化特征做结构化处理，对信息稀疏型特征提炼多维度描述和统计特征进而做降维处理，通过线性、非线性特征评估方法评估特征重要程度做特征选取。

1. 使用大模型结合prompt进行信息抽取 2. 使用fastapi听过http请求 3. 对请求进行预处理和对模型的返回结果进行后处理并返回

项目简介：基于NLP和机器学习技术的客户支持系统优化 背景： 在现代企业中，建立高效的客户支持系统对于维护客户满意度和提升市场竞争力至关重要。然而，随着客户数量的增长和问题的复杂性，传统的客户支持方式已经无法满足企业的需求。因此，我们开展了这个项目，旨在利用自然语言处理（NLP）和机器学习技术，构建一个更高效、更智能的客户支持系统。 目标： 我们的目标是通过NLP和机器学习技术对客户提出的问题进行自动分类和聚类，从而实现更高效的客户支持系统。具体目标包括： 问题自动分类：自动将客户提出的问题归类到不同的类别中，以便更好地组织和处理。 问题相似性分析：分析客户提出的问题之间的相似性，从而能够更快地找到解决方案。 即时响应：建立一个实时响应系统，能够在客户提出问题后立即给予反馈和解决方案。 客户反馈：收集客户的反馈数据，用于不断优化系统性能和改进服务质量。 技术细节： 文本预处理：对客户提出的问题进行文本预处理，包括分词、去除停用词、词干化等，以准备进行特征工程和模型训练。 特征工程：提取客户问题的特征，如词袋模型、TF-IDF向量等，以便输入到机器学习模型中进行分类和聚类。 聚类和分类模型：使用机器学习算法，如K-means聚类、朴素贝叶斯分类器等，对客户问题进行分类和聚类。 实时响应系统集成：将分类和聚类模型集成到实时响应系统中，使得客户提出的问题能够得到及时响应和解决。 成果与展望： 通过我们的努力，我们期望实现以下成果： 提高客户满意度：通过快速响应和解决客户问题，提升客户满意度和忠诚度。 提高效率：实现自动分类和聚类，减少人工干预，提高工作效率。 解决持久性问题：通过分析问题相似性，寻找解决方案并避免重复工作。 数据驱动决策：收集客户反馈数据，为企业提供数据支持，优化决策和服务策略。 这个项目将为企业建立更强大的客户支持体系，提供更好的客户体验，同时提高市场竞争力。