Python

ThinkBlog是基于Django开发的简洁博客网站，实现了博客网站的各种常用功能： markdown语法编写博客 博客归档 多分类、多标签建模 增加微博实现 pygments代码高亮 简单易用的文件管理界面，方便上传和加载静态资源 自动定时备份 集成七牛cdn加速 集成多说评论 基于PhantomJS(Docker)爬取动态js实现自定义的评论信息检测，并通过邮件通知 ECharts访问统计图表 基于Celery实现后台任务队列 使用uwsgi+supervisord启动和管理进程

本站免费提供两种版本的红楼梦在线阅读,分别是脂评本和程高本。 脂评本的校对参考为岳麓书社出版的《脂砚斋批评本红楼梦》, 程高本则参考人民文学出版社较为普及的《红楼梦》。 其中,脂评本正在编辑中,程高本已经初步编辑完毕。 由于相关工作人员的时间有限, 因此在初期使用了一些编程技术手段对文本进行处理, 细节上会不如人工校对的精致, 我们会在后期逐渐采用人工全面审核。 书中如有纰漏之处, 欢迎读者反馈, 我们会第一时间进行修改。 《红楼梦》现存的版本系，可分为两个系统，一个是仅流传前八十回的，保留脂砚斋评语的脂评系统，另一个是经过程伟元、高鄂整理补缀的、删去所有脂砚斋评语的、并续写完成一百二十回的程高本系统。

ThinkBlog是基于Django开发的简洁博客网站，实现了博客网站的各种常用功能： markdown语法编写博客 博客归档 多分类、多标签建模 增加微博实现 pygments代码高亮 简单易用的文件管理界面，方便上传和加载静态资源 自动定时备份 集成七牛cdn加速 集成多说评论 基于PhantomJS(Docker)爬取动态js实现自定义的评论信息检测，并通过邮件通知 ECharts访问统计图表 基于Celery实现后台任务队列 使用uwsgi+supervisord启动和管理进程

实现了一个基于零售场景的密集型商品检测模型。通过使用目标检测技术，对药店货架上的本品、竞品进行识别，获得各种类产品的名称、规格、比例等数据，辅助外勤部门同事，进行商品铺货、推广等操作，提高其工作效率。负责现有相关算法的调研，不同算法的优缺点总结，独立完成项目所需算法的设计、调优，负责开发环境的维护，保障开发的正常运行。

项目分为图像分类模块，OCR模块，NER命名实体识别模块。首先上传图片，分类出存在关键信息的图片，再经过OCR进行图片中字符提取，然后使用命名实体识别技术，对关键信息进行提取，可以实现图像的关键信息提取。负责分类模块和NER模型的模型开发，训练、部署等任务。最终系统整体准确度90%+，减少了约30%人工，同时简化了业务流程

开发智能算法如下： 包含个体智能优化算法、群体智能优化算法、多目标智能优化算法；以及若干数据处理组件；

## Amas是什么 Amas是基于大数据平台技术开发的统一监控平台，其特点包括： 1. 全维度监控指标，覆盖从操作系统、中间件、大数据平台(Hadoop/Spark/HBase/Kakfa等)到代码级别 2. 可扩展、自定义的采集框架，支持不同语言(Python/Perl/Shell/...)开发的采集器 3. 基于OpenTSDB/HBase的海量数据存储架构，可快速读写大量监控指标，满足真实生产环境 4. 清新简约的Web界面，功能强大但简单易用 5. 基于Python原生multiprocess和async/await实现的分布式异步告警引擎，可水平扩展系统处理能力 6. 多渠道、可自定义的通知方式(微信/邮件/Slack/API...) 7. 可分组聚合的告警信息，避免海量数据监控场景下的告警风暴 8. 基于Jagger的分布式链路追踪数据提取和展示，历史事件可追溯 9. 可对接基于机器学习的异常检测服务，落地AIOps智能运维 10. 微服务架构，支持docker和docker-compose方式的部署 ## 技术栈 * 编程语言： - (Backend)Pyt

通过手势变化来实现电脑音量以及屏幕亮度的控制，基于Windows系统，识别速度很快，几乎没有延迟，打造迅速、便捷、准确的识别。

渗透测试服务，擅长web方向和移动端方向 参与过多次远程和线下渗透测试服务经验，现于某安全厂商就职 具有较强的沟通、学习和协作能力

利用数字图像处理相关技术实现指纹图像匹配（例如：频域滤波、Gabor增强、空间变换、二值化、形态学处理等等）

开发蚁群算法并应用在机器人路径规划中： 1. 基于蚁群算法，开发可视化界面动态展示优化迭代效果，在优化完成后展示结果图表；

基于深度神经网络的多目标跟踪器，主要跟踪目标为行人，在一段连续视频中跟踪多个行人，确保跟踪的实时以及准确性。

该系统是基于xxl-job二次开发的datax-web调度的再次开发。从开发至服务器部署以及运维均是独立操作  系统优化: 重构了现有的调度系统，从批处理模式转变到流处理模式，使系统可容纳更多业务 处理，增加了用户体验。  分布式执行: 设计和实现了分布式执行器，支持动态代码执行（Groovy），以及兼容 Python、 存储过程和 DataX 等多种任务类型。  路由策略: 独立设计路由策略，创建了可扩展的策略对象模型，简化了新增策略的复杂度，提 升了系统的灵活性。  中间件开发: 基于 NIO、IO 顺序读写、事件处理器、索引文件和零拷贝技术，从底层开发了高 性能队列中间件，增强了任务处理的性能。  数据管理: 构建了合理的数据架构，使得业务人员能够方便地进行数据回溯核查，确保数据的 准确性和可追踪性。

在项目招投标的全过程中，我全程深度参与并独立承担了一系列关键任务，从需求挖掘、网站原型设计到底层架构规划，均展现出卓越的综合技术实力。具体来说，我主导并独立完成了中国银行理财子公司的门户网站建设项目，不仅精心设计了视觉效果出众的页面美工方案，同时个人编写了前后端代码，并构建起了高效稳定的前后端完整技术架构。 面对项目实施中出现的各种挑战与技术难题，我凭借深厚的专业素养和敏锐的问题解决能力，成功提供了针对性强且优化效果显著的解决方案，有力推动了项目的顺利进行与高质量完成，彰显出我在项目管理和技术研发上的双重实力。

1. 功能模块： 配置校验：校验配置信息； 爬取用户信息：根据配置信息抓取用户信息； 爬取动态信息：根据配置信息抓取用户动态信息，文字，图片，视频信息保存在不同的文件夹中；

一、混沌分形理论 什么是混沌分形理论？我从三个方面来诠释 首先，混沌是指现实世界中存在的一种貌似混乱无序的复杂运动形态。但混沌不表示混乱，它是“一种更高层次的次序”。混沌的背后拥有精细的结构，这种精细的结构具有自相似性，称为分形。 其次，复杂的事物都有简单的开始，一颗大树分解后就是一个个树杈，股市分解后就是一涨一跌，大道至简，复杂的事物由基本的分形迭代演化而成，部分和整体自相似，这就是分形，一颗大树是由无数的树杈叠加构成，从微观上看，这颗大树就是一大堆基本粒子，处于混沌态，但在树杈的基本分形规则之下构成大树。更微观上说，树杈的结构是遗传密码决定的，基因组排序不同，构成的生物也不同。为何会有这样的基因排序，因为这是生物长期自然选择进化的结果，植物生长靠吸收阳光获取能量，树杈的结构能以最小的阻力最快的速度接近阳光，吸收更多的光能，利于生存竞争和基因传承，吸收的能量大于耗散的能量，能量差为正，就是不断长大的过程，能量差为负，吸收小于耗散，就是不断衰老过程，直至能量差消失，回归平衡。 最后，分形理论与混沌理论同属非线性理论，是从不同的角度同时表达的对动态复杂系统的研究。 混沌分形理论具有三

POJ算法刷题 排名1600 详情参考 作品截图 学习算法及刷题心得 三点: 其一,难者不会，会者不难。 觉得题目难，是因为刚接触这类题没掌握相关知识，会了以后，之后再做就会觉得有点水。 个人建议:对于刚接触的题，先试着自己根据已有知识尝试些基本思路，然后再去看《算法导论》、黑白书等学习相关知识。 其二，无论是学算法还是做其他事，赢在行动，只是想是没用的。 其三，学算法，从根本上讲，关键是要学习、掌握分析和设计算法的方法和能力。[个人相信‘熟’能生‘巧’，需要多做加 深理解。]

python代写，网页数据抓取，APP数据抓取，数据分析：框架，数据清洗，数据分析，自动化环境搭建，脚本编写，python爬虫，代码快速录入等等

## Amas是什么 Amas是基于大数据平台技术开发的统一监控平台，其特点包括： 1. 全维度监控指标，覆盖从操作系统、中间件、大数据平台(Hadoop/Spark/HBase/Kakfa等)到代码级别 2. 可扩展、自定义的采集框架，支持不同语言(Python/Perl/Shell/...)开发的采集器 3. 基于OpenTSDB/HBase的海量数据存储架构，可快速读写大量监控指标，满足真实生产环境 4. 清新简约的Web界面，功能强大但简单易用 5. 基于Python原生multiprocess和async/await实现的分布式异步告警引擎，可水平扩展系统处理能力 6. 多渠道、可自定义的通知方式(微信/邮件/Slack/API...) 7. 可分组聚合的告警信息，避免海量数据监控场景下的告警风暴 8. 基于Jagger的分布式链路追踪数据提取和展示，历史事件可追溯 9. 可对接基于机器学习的异常检测服务，落地AIOps智能运维 10. 微服务架构，支持docker和docker-compose方式的部署 ## 技术栈 * 编程语言： - (Backend)Pyt

基于图片、视频以及实时视频的人脸识别以及人脸属性识别，使用python语言，实时率和准确率都很高，还具有很高的鲁棒性。