机器深度学习

主要面向企业数据分析师、知识工程师、AI 研发团队以及希望构建智能问答系统、知识管理平台的机构。在知识图谱及动态数据问答分析需求日益增长的背景下，当前知识大脑构建存在诸多痛点：知识建模缺乏灵活且标准化的工具，导致知识结构混乱；知识编辑效率低，难以快速更新与修改；不同来源数据难以融合，形成数据孤岛；数据接入渠道单一，无法适配多样化数据源；数据入图过程复杂，耗时长；数据标引不精准，影响知识检索与应用；知识图谱底层存储性能不足，无法满足高并发、大规模数据存储需求。本方案旨在一站式解决知识大脑构建环节中的这些问题，提升知识管理与应用效率。​ 2.【50%】相比于市场常规方案，本方案有哪些特点​ 一体化全流程覆盖：市场常规方案往往只能解决单一环节问题，如仅提供知识图谱存储或数据接入功能。而本方案涵盖知识建模、编辑、融合、数据接入、入图、标引及底层存储等全流程，各模块紧密配合，形成完整闭环，大幅提升知识大脑构建效率。​ 高度灵活与可扩展性：知识建模模块支持自定义多种知识结构模板，可根据不同行业、业务需求快速调整；数据接入模块兼容关系型数据库、非关系型数据库、API 接口、文件等多种数据源，且能轻松接入新的数据源类型；底层存储可根据数据规模动态扩展存储节点，适应数据量增长。​ 智能高效：知识编辑模块配备智能辅助编辑功能，如自动语法检查、语义关联推荐等，提高编辑效率；知识融合利用机器学习算法，自动识别数据间的关联与冲突，实现高效融合；数据标引采用自然语言处理与深度学习技术，实现自动化、精准化标引。​ 高性能存储与查询：底层存储采用分布式图数据库技术，相比传统方案，在处理大规模知识图谱数据时，查询响应速度提升数倍，能支持高并发的知识问答与分析请求。​ 3.【20%】方案的产品组成或技术选型​ 知识建模工具：采用基于本体的建模技术，结合可视化建模界面，用户可通过拖拽、配置等操作快速构建知识模型，支持 OWL、RDF 等标准语义网语言。​ 知识编辑平台：基于 Web 的富文本编辑界面，集成 AI 辅助编辑功能，支持多人协作编辑，确保知识更新的及时性与准确性。​ 知识融合引擎：基于深度学习的实体对齐与关系融合算法，自动处理数据冲突，实现多源数据的无缝融合。​ 数据接入网关：支持 JDBC、RESTful API、FTP 等多种数据接入协议，提供数据清洗、转换等预处理功能，保障数据质量。​ 数据入图工具：采用并行处理技术，将清洗后的数据高效导入知识图谱，支持增量更新与全量更新模式。​ 数据标引系统：基于 BERT 等预训练语言模型，结合自定义标注规则，实现自动化、高精度的数据标引。​ 知识图谱存储：选用分布式图数据库 Dgraph，具备高可用性、强一致性和水平扩展性，能够高效存储和查询大规模知识图谱数据。​ 这套工具集全面覆盖知识大脑构建需求并独具优势。若你对其中某个工具、技术或有其他优化需求，欢迎随时和我说说。

本项目通过第一部分在对案例主要数据进行数据处理后利用因果推断机器学习和匹配方法对PTSD病理进行探究，并针对病理提出保护路径。第二部分针对多模态数据融合要求，建立起数据处理，特征选择，多模态PTSD模型建立和指标评价的科学闭环。该项目结合了机器学习与因果推断算法，以及对非结构化数据的处理技术，使得对PTSD的分类预测效果有所提升，最终该项目也是获得了国家级二等奖的成绩。

监管深圳市所有冷冻冷藏冷库，目前已接入平台运行有1131家冷库，平台主要功能通过AI视频识别分析，监管冷库日常风险，及时提醒地区所负责人，负责人通知冷库人员做出整改。 AI视频风险识别：人员防护风险：未戴口罩、未穿防护服，人员变更风险：陌生人异常、冷链车辆异常，安全风险：整洁度异常、冷库叠超高、玩手机、有积水，走私风险：叉车异常。 系统分为7个子系统：平台管理系统、H5数据上报平台、数据可视化大屏、转码网关、ONVIF IPC摄像头接入平台、AI图像识别和行为分析平台、深圳市进口冷链追溯冷库信息。

1. kaggle平台数据集（自杀倾向问卷数据集），要求使用stacking方式在测试集上达到90%以上分类（2分类）正确率。 2. 使用随机森林、SVM、KNN以及逻辑回归等模型作为基础学习器，使用accuracy、recall、F1 score作为评估标准，选出3个指标最高的基础学习器。 3. 对基础学习器进行参数搜索，并使用逻辑回归作为stacking方式的最终学习器。

词袋模型只考虑是否出现，而不考虑词与词之间的顺序，导致文本中很多语义关联的丢失。 本项目用Dirichlet分布α中取样生成文档di的主题分布θi(主题分布θi由超参数为α的Dirichlet分布生成)，从主题的多项式分布θi中取样生成文档di的第j个词的主题z(i,j),并将其对应的词语分布∳(z,j)由参数为β的Dirichlet分布生成，依次作为一个词是否出现在前一个词的概率。 该项目简化了语料库或数据框与大语言模型（LLMs）的对接过程，通过确定最佳主题数，支持文本分类、摘要生成、评分以及分析等多种任务。

1.一份眼底照片的数据集（取自ODRI-5k），分为正常眼底和白内障眼底。 2.对数据集进行划分，使用TensorFlow训练两个网络resnet-18和mobilenet-v1分别训练两个模型。测试集上正确率分别达到95%。 3.本地部署一个基于neo4j数据库和医疗问答数据集的KGQA（知识图谱问答）项目。 4.使用Django构建一个本地网站，具备（人脸）注册/登录功能；上传眼底图像，后台对样本进行预测，页面显示诊断结果的功能；诊断结果在QA系统中进行查询， 给出医疗建议的功能；医疗问答页面功能，服务器根据用户输入的疾病相关问题，返回并显示相关答案，同时进行语音播报。

与军工研究所合作开发针对雷达罩蜂窝孔径的测量仪器;实现对蜂窝格孔边长2-4mm，深度30mm范围内的单个蜂窝格孔内壁变形测量，并识别蜂窝格孔变形缺陷，形成六个蜂窝批量测量仪器;软件开发了上位测量操作及点云处理显示等核心算法；2D图像处理：1)图像操作及测量工具栏；2)选择测量中心处的二维图像（单个工件有多处测量中心）；3)显示二维图像：可以任意选中格孔区域；4)结果显示1：通过3中任选多个孔，测量结果输出到该列表框，并最终输出到报表；5)缩略图显示：便于总图缩放显示；3D点云处理：1)3D点云操作及测量工具栏；2)选择测量中心处的3D点云（单个工件有多处测量中心）；3)显示3D点云图像：可以任意选中格孔区域；4)结果显示1：通过3中任选多个孔，测量结果输出到该列表框，并最终输出到报表；5)内窥镜图像：显示格孔的合成图像；

本产品聚焦全网舆情与信息数据的采集、处理与分析，可覆盖主流社交媒体、新闻网 站、视频平台、论坛等数据源，帮助企业或组织实时掌握行业动态、热点趋势以及公 众舆论，为业务决策提供数据支撑。 目前通过自研舆情监控系统，能够实时预警负面舆情，风险预警响应速度 ↑80%，负面舆情拦截率95% 案例：某游戏公司负面舆情事件响应效率 ↑95%

想比较传统的消歧方法（如：基于词典的消歧），本文通过上下文的频繁项挖掘进行判别。将环境信息作为可信证据，包括特征选择、参数优化和集成学习等相关技术。 项目思路：手动标记部分训练示例或一小部分确定的规则，用于训练监督方法的初始分类器。然后让分类器用于未标记的语料库，以获取一个更大的训练集。这个过程重复进行，每个新分类器都在一个逐渐变大的训练语料库上进行训练，直到整个语料库被标记，或者达到给定的最大迭代次数。 效果如作品图片所示：

可以让客户根据需求所对应的数据，和体验感，从事Python开发行业有2-3年。经验丰富，代码编写富含高级程序员编写规范要求。有良好的对客户的责任性、时效性工作要求。一般不会超时完成客户的需求项目。精通爬虫案例800个以上的项目个数。数据分析项目经验精湛。爬虫和数据分析对项目分析能力具有独到的见解。具有许多客户的认可要求，对客户的要求。有良好的满意追求完善的体验。

随着人脸识别技术在智能安防、金融支付等隐私敏感场景的大规模部署，传统集中式训练模式导致的用户数据泄露风险成为技术发展的主要瓶颈。本文提出一种基于联邦学习与差分隐私的混合架构人脸识别系统。通过构建支持非独立同分布（Non-IID）数据的联邦学习框架，结合动态隐私预算管理策略，在保护用户数据隐私的同时提升模型泛化能力。实验结果表明，在 Olivetti 人脸数据集上，系统在 ε=1.0 的隐私预算下达到 92.3% 的准确率，较传统联邦学习方法提升 4.7%，验证了隐私保护与模型性能的高效平衡。

本科专业为信息工程，曾经开发过多个微信小程序，结合各种单片机代码；精通微信小程序前后端搭建。 研究生专注于计算机视觉，尤其是医疗影像方向。深度学习方面代码熟练，使用Pytorch框架。擅长处理自然图像、CT、MRI、超声图像均有涉足。

后端使用java + spring开发rest api，移动端通过http请求后台api来传递数据，数据库使用mysql数据库。 移动端使用android，在后端定制随访内容，后台查询数据库，把表单内容格式化成json数据传递给移动端，在移动端根据后台定制json动态显示问卷内容。 获得随访数据以后，在后台运用大模型定期进行数据分析，排查出有风险的相关人群。

1. 软件面向的行业和业务场景 本软件主要面向法律、投诉处理和文本分类领域，适用于需要对大量文本数据进行自动分类和处理的企业或机构。具体业务场景包括： 投诉分类：对客户投诉内容进行自动分类，识别投诉类型（如商品质量、服务态度等），以便后续处理。 法律文本分析：对法律相关文档进行语义理解和分类，辅助法律工作者快速定位关键信息。 NER（命名实体识别）：从文本中提取关键实体（如产品名称、公司名称等），用于进一步的数据分析或知识图谱构建。 2. 项目功能模块及使用者功能 项目分为多个功能模块，每个模块对应特定的功能需求： 数据预处理模块： 功能：清洗、分词、去停用词、生成训练数据集。 使用者功能：提供干净、结构化的数据以供模型训练。 特征工程模块： 功能：将文本转换为数值特征（如词向量、TF-IDF 等）。 使用者功能：通过特征提取提升模型性能。 模型训练模块： 功能：支持多种深度学习模型（如 LSTM、GRU、CNN 和 Transformer）的训练。 使用者功能：根据业务需求选择合适的模型进行训练，并优化超参数。 模型评估模块： 功能：使用交叉验证、混淆矩阵、F1 分数等指标评估模型性能。 使用者功能：监控模型表现，调整模型以提高准确率。 预测模块： 功能：加载训练好的模型，对新输入的文本进行分类预测。 使用者功能：实时获取文本分类结果，辅助决策。 资源监控模块： 功能：监控系统资源（如 CPU、内存）和模型训练过程中的性能指标。 使用者功能：确保模型在有限资源下高效运行。 部署与应用模块： 功能：将模型封装为 RESTful API 或微服务，便于集成到现有系统中。 使用者功能：通过接口调用模型服务，实现自动化文本分类。 3. 项目的技术选型和架构特点 技术选型： 编程语言：Java 和 Python。 深度学习框架： Java：使用 Deeplearning4j 实现 LSTM、GRU 和 CNN 模型。 Python：使用 PyTorch 和 Hugging Face 的 Transformers 库实现 BERT 等 Transformer 模型。 依赖管理：Python 使用 pip-tools 管理依赖，Java 使用 Maven 进行依赖管理。 监控工具：TensorBoard 和 MLflow 用于模型训练监控，psutil 用于系统资源监控。 架构特点： 多语言协作：Java 主要负责模型训练和部署，Python 侧重于数据预处理和高级模型（如 BERT）的训练。 模块化设计：各功能模块独立开发，便于维护和扩展。 分布式部署：支持 Docker 容器化部署，便于在云端或本地环境中运行。 高性能计算：支持 GPU 加速（如 CUDA），提升模型训练和推理效率。 该软件通过结合 Java 和 Python 的优势，提供了从数据预处理到模型部署的完整解决方案，适用于需要高效、精准文本分类的业务场景。

本方案主要研究激活函数在人脸识别模型的搭建与训练过程中所产生的影响，具体分析不同激活函数对模型训练时间和准确率的作用。我们将从以下几个方面进行详细探讨：首先，使用不同的非线性函数进行模型搭建，比较其在训练过程中的表现差异；其次，针对饱和函数和非饱和函数进行分类研究，分析这两类函数在模型训练中的优势和不足。通过这些研究，我们期望能找到一种能够在保证准确率的前提下，缩短训练时间的激活函数，从而优化人脸识别模型的性能。

基于深度学习的Web云端皮肤疾病识别工程是一个具有重要意义的项目，以下是关于该工程的一些信息： ### 技术实现 - **深度学习模型**：通常使用卷积神经网络（CNN）作为核心模型，如ResNet、DenseNet、Inception等。这些模型能够自动学习皮肤图像中的特征，从而实现对皮肤疾病的分类和识别。 - **数据处理**：需要对大量的皮肤图像数据进行收集、标注和预处理。预处理可能包括图像裁剪、归一化、增强等操作，以提高模型的鲁棒性和准确性。 - **Web云端架构**：利用云计算平台的强大计算能力，将深度学习模型部署在云端。用户可以通过Web界面上传皮肤图像，云端服务器接收图像后，调用深度学习模型进行识别，并将结果返回给用户。 ### 优势与特点 - **高效便捷**：用户无需安装复杂的软件或具备专业的技术知识，只需通过Web界面上传图像即可快速获得诊断结果。 - **准确性高**：深度学习模型在大规模数据上进行训练，能够学习到丰富的特征，从而提高皮肤疾病识别的准确性。 - **可扩展性强**：云端架构使得系统能够方便地进行扩展，以应对更多的用户请求和更复杂的模型。 ### 应用场景 - **医疗辅助诊断**：帮助医生快速筛选和初步诊断皮肤疾病，提高诊断效率。 - **远程医疗**：为偏远地区或医疗资源不足的地区提供远程诊断服务。 - **个人健康管理**：用户可以自行上传皮肤图像，及时了解自己的皮肤健康状况。

国内盲人数量占一定的比例，为解决盲人安全出行问题，设计了一套穿戴式的头盔智能导盲系统。我在此项目中主要负责设计导盲系统的视觉避障、目标识别、视觉引导等算法的框架搭建。采用pytorch深度学习框架与YOLOv5目标检测网络训练的日常出行目标识别模型以及tof测距雷达，最后设计了设备终端将图像传输和数据远程传输到算法服务端的分布式系统实现对行人、车、阶梯、石头、树等有效识别并定位其方位和距离达到引导盲人通过语音和腕部传感器感知环境信息实现主动避障，经实验测试有一定的辅助引导效果并在第十届全国光电设计大赛中获得国家级二等奖。

自主研发了一款安全平台，该平台集成了当前主流的CLIP后门攻防算法，能够有效支持用户管理、安全评测、信息查询等多种功能。平台通过灵活的架构设计，提供了高度可扩展的安全评估能力，帮助用户实时监控与分析模型的安全性。通过集成的攻防算法，平台能够针对CLIP模型进行全面的安全防护，确保模型在面对各种后门攻击时依然能够维持较高的鲁棒性和准确性。

成功部署与优化超大参数模型： 在大型算力服务器集群上成功联动部署并优化了V3、R1 671B DeepSeek 满血版等超大参数模型，使用 Ollama、SGLang、KTransformer、Unsloth 等推理框架进行部署对比，提升了模型的推理性能和应用效率。 高效管理多GPU服务器集群： 使用 NCCL 技术完成多GPU服务器联动部署，解决了多机多卡之间的通信与负载均衡问题，成功实现了大规模分布式训练和推理 完成大模型微调： 利用 Ollama-Factory 对 14B 以上大模型进行 Full、Freeze、LoRA 微调，优化了模型精度和运行效率，提升了业务需求的适应性。 搭建前沿AI工作流解决方案： 完成 SD、Flux、Wan2.1 等图文生成、图生图、图生视频应用的部署，并成功搭建 Dify、Coze、ComfyUI 等 AI 工作流解决方案，成功实现大模型在商业应用中的实际落地。 开发大模型代理： 制作多个大模型代理，通过调用大模型工具为具体业务场景提供定制化解决方案，成功实现了商业化应用的落地，在开放API平台上参与Python后端路由开发工作

该项目主要分为三部分，算法、前端和后端，算法读取摄像头数据并实时处理，将处理后的结果发给后端保存，处理后的视频经流媒体发给前端显示；前端使用Vue框架，结合element-ui、Echarts实现了对人流量数据的图表分析功能。后端采用SpringBoot，实现数据的接收发送与用户权限管理。