Python

在本项目中，主要使用python语言开发。前端使用PYQT，数据库部分使用pymysql。 主要实现功能：将学生的学业信息表通过“学年+学期+学号+姓名+课程代码”的 5 联合关键字，判断记录是否已经存在，若存在不导入并写入日志； 竞赛信息表和考研信息也如此操作。并且可以自定义导入指定表，和指定联合关键字。

规则引擎自动化项目是对契约中人核和自核的规则进行自动化验证的过程，通过请求报 文参数控制待测试规则，通过断言自动化判断响应报文里是否包含要请求的规则，最终 通过 allure 生成测试报告，并发送到指定邮箱。

本系统主要功能是： 1. 刀具仓库自动化管理，包括采集自动化感知的出入库数据等 2. 供应商管理 我主要负责整个系统的后端功能处理

1. 商圈平台是一个围绕社区周边的服务和消费行为，为商家和消费者提供便捷高效的具有商管功能的O2O电商平台。 2. 项目用户端业务主要使用微信小程序实现，功能包括：【消费者】查看距离最近的商家及商品、购买、评价、积分、分享好友等。 【商家】入驻平台、商品或服务管理、订单管理、营销管理（抽奖、发券等）、店长可以授权店员权限来处理不同业务（订单管理、商品管理、制定营销活动）。平台管理的业务在PC端完成，功能包括：商家入驻审核（合约管理）、用户投诉和纠纷管理、平台商品库管理等 3. 主导立项和前期的业务构建，参与原型设计。编写30%的代码。 4. 项目使用JavaEE、node.js、Spring Boot、Spring Security、Redis & Jwt、mysql、mybatis、vue。 5. 项目整体没什么难度，就是一个常规的开发过程。

1、计算客户服务和运维事件工单的及时率 2、工单数据来源：Sql Server，自建外购标识数据来源：Mysql,产品数据来源：Oracle，终端数据库：Oracle 3、技术难点：工单要剔除挂起时长，一个工单有多个挂起时长，需要求和；存在多个挂起原因、匹配的产品，需要拼接起来；工单对应了多个产品时长，取最长的 4、可视化：根据产品线（大类）：分类求每个产品线的及时率和总的及时率；超时明细表

数据挖掘在当今信息时代扮演着重要的角色，而出租车轨迹数据分析则在交通领域中具有广泛的应用。本项目通过使用Python编程语言，提供了一套完整的分析工具，可以帮助用户对出租车轨迹数据进行深入挖掘和分析。 该项目使用数据集为纽约出租车轨迹数据2016.7-2016.12，包含了多种数据挖掘算法和技术，可以根据用户的需求生成各种统计图和分析图。例如，可以生成出租车轨迹的热力图、密度图、时间序列图等，以及对轨迹数据进行聚类分析、异常检测等。源码具有高效性和可扩展性，可以适应不同规模和类型的出租车轨迹数据。

技术方向：图像目标检测、目标分割 开发语言：C++ 部署方式：宿主机部署 部署硬件：GPU服务器、瑞芯微Rk3588、清微低成本芯片5368等 算法说明：支持豆类、巴旦木、大米、花生、辣椒等农作物中好坏料筛选

大脑是人体中高级神经活动的中枢，拥有着数以亿计的神经元，并通过相互连接来传递和处理人体信息。用户的感知、思维与生理活动可以通过脑信号反映出来，而BCI 系统则能够把它转换成所需要的输出形式加以利用。但是，大脑信号复杂度极高，对于BCI 系统而言，其关键问题是能否更准确快速的对脑信号进行分析与判别。本项目对P300脑机接口信号数据与睡眠脑电信号数据进行了分析研究，建立BP神经网络模型与GAN对抗网络模型实现P300脑电信号的分类预测，采用主成分分析（PCA）方法实现P300脑电信号最优通道选择,建立随机森林模型实现睡眠脑电信号的自动分期。 其中主要工作为采用随机森林模型进行数据的分类，并输出使用不同比例样本数量的情况下预测的准确率，最后根据评价标准选择合适的样本比例，进行训练与预测，输出最终准确率，并根据分类性能指标进行评价。

利用信号处理技术和模式识别理论实现脑电睡眠特征的提取和分类，研究目标是基于单通道EEG的时频特征的提取与分类。主要内容是首先将给定的原始EEG脑电信号数据，进行分类别可视化处理，之后提取特征数据并进行可视化，最后进入分类器，实现分类，并输出测试混淆矩阵与准确率结果。 （1）分别读取EEG信号数据文件与对应的标签文件； （2）采用巴特沃斯滤波器对读入的数据文件进行0.5-30Hz滤波处理； （3）调用matplotlib.pylab库对原始数据进行分类别可视化处理，并以滤波后可视化图像进行对比； （4）调用numpy库，pandas库函数及自带基础函数，实现数据的特征提取； （5）调用sklearn preprocessing库函数，实现数据特征标准化处理； （6）调用pandas库函数，输出特征提取表，sheet1未标准化，sheet2标准化； （7）读入特征提取表sheet（标准化处理后），进行训练集与测试集划分； （8）调用sklearn库confusion_matrix与 neighbors函数，实现knn分类与测试，输出测试混淆矩阵与准确率结果

1.项目为大宗商品交易平台，类似股票交易方式，用户在平台自由挂买挂卖商品，平台撮合用户交易。 2.我主要负责数据库设计、主要业务接口以及撮合程序的实现。 3.项目难点在于高并发带来的数据库锁问题，设计了一个符合项目逻辑的订单分配算法解决。

项目描述： AI（人工智能）＋SOAR（安全编排、自动化与响应）为核心的安全协同作战平台，通过虚拟作战室、AI机器人和可视化剧本编排，帮助安全团队加速威胁响应与处置，提升运营自动化，实现安全风险自适应治理。适用于护网演练、应急处置、周期巡检、调查取证、分析溯源、日常运营辅助等。 责任描述 1. 任务管理模块：前端开发和后端开发任务。任务包括已处理和未处理的人工任务和审批。任务管理功能包括：列表展示（支持任务名称、、状态检索任务）、处理（或者批量处理）人工任务、查看任务详情。能够添加一条或者多条任务处理记录，处理记录以时间轴进行展示。 2. 调度管理模块：平台调度引擎和功能编写。基于Quartz开源调度框架编写的调度引擎，支持暂停、恢复、删除、立即执行调度等功能。执行策略支持“每小时、每天、每周，间隔时间支持分钟、小时、天。结束策略支持：永不停止、按时停止、按次数停止。支持调度按照调度策略调用剧本或者APP。 3. 文件存储管理：基于开源协议的MinIO对象存储服务，实现列出文件和文件夹、创建一个存储桶或者一个文件夹、展示文件和对象内容、生成共享的URL、拷贝文件和对象、给文件桶和文件夹

基于python，使用pytorch等工具库，构建数据集，使用YOLOv5算法搭建并训练卷积神经网络，进行交通标志牌识别。数据集分为训练集、验证集以及测试集。

1.项目分为用例管理、套件管理、报告管理、定时任务、用户管理、角色管理、项目管理、模块管理等 2.负责该平台的前端开发、后端开发、日常运维

通过对数据的清洗，转换，过滤，再对数据的清洗、拆分、Join 等逻辑处理，例如大 Topic 的数据拆分、清洗，等处理后， 再进行翻译，模型抽取等复杂操作后，对处理后的数据进行分割等，将数据划分写入kafka, es, mysql 等数据源中

小程序的： 1.后台模块，用element-plus完成； 2.小程序模块，用到腾讯的企业级框架 TDesign开发微信小程序端； 3.定位通讯模块，用的是基于python的socket封装的通讯模块； 4.微信支付，调用jsapi支付模块； 全部由我个人完成

利用信号处理技术和模式识别理论实现脑电睡眠特征的提取和分类，研究目标是基于单通道EEG的时频特征的提取与分类。主要内容是首先将给定的原始EEG脑电信号数据，进行分类别可视化处理，之后提取特征数据并进行可视化，最后进入分类器，实现分类，并输出测试混淆矩阵与准确率结果。 （1）分别读取EEG信号数据文件与对应的标签文件； （2）采用巴特沃斯滤波器对读入的数据文件进行0.5-30Hz滤波处理； （3）调用matplotlib.pylab库对原始数据进行分类别可视化处理，并以滤波后可视化图像进行对比； （4）调用numpy库，pandas库函数及自带基础函数，实现数据的特征提取； （5）调用sklearn preprocessing库函数，实现数据特征标准化处理； （6）调用pandas库函数，输出特征提取表，sheet1未标准化，sheet2标准化； （7）读入特征提取表sheet（标准化处理后），进行训练集与测试集划分； （8）调用sklearn库confusion_matrix与 neighbors函数，实现knn分类与测试，输出测试混淆矩阵与准确率结果

熟练掌握JavaScript，HTML，css,vue,react等； 能熟练使用jQuery、Bootstrap、angularJs、nodeJs、vux、ant-design，elementui，iview，vant等前端框架； 深刻理解W3C标准及可用性； 深刻理解h5，css3等； 掌握DIV+CSS页面架构和布局方式以及flex页面布局； 能熟练使用git、svn等代码管理系统； 能熟练使用nginx转发代理服务； 能熟练使用ajax，axios和后台进行交互； 熟悉java，python后台开发语言； 具有后端项目排障，shell等运维能力；

规则引擎自动化项目是对契约中人核和自核的规则进行自动化验证的过程，通过请求报 文参数控制待测试规则，通过断言自动化判断响应报文里是否包含要请求的规则，最终 通过 allure 生成测试报告，并发送到指定邮箱。

基本的爬虫工作原理基本的http抓取工具，scrapyBloom Filter: Bloom Filters by Example如果需要大规模网页抓取，你需要学习分布式爬虫的概念。其实没那么玄乎，你只要学会怎样维护一个所有集群机器能够有效分享的分布式队列就好。最简单的实现是python-rq: https://github.com/nvie/rqrq和Scrapy的结合：darkrho/scrapy-redis · GitHub后续处理，网页析取(grangier/python-goose · GitHub)，存储(Mongodb)。

高校线上预约洗衣小程序，通过微信小程序扫码支付后启动洗衣机洗衣服。 1.后端采用sanic框架，用redis作为热点缓存数据，MySQL进行持久化存储； 2.前端为微信小程序，调用jsapi支付模块进行微信支付； 3.后台采用vue中后台管理 4.用asyncio作为与洗衣机板的通讯模块，根据开发文档开发通讯算法，并采用rsa进行数据加密