霅霅のNPY
AI算法工程师
腾讯北京分公司-腾讯地图 · 1年经验
日薪：
￥500/8h
地点：
北京 海淀
时间：
周六周日可工作日远程
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
Python、c++、matlab、ROS、数据结构与算法、机器学习、深度学习、强化学习、推荐算法入门、搜索算法
掌握扎实的专业基础知识，擅长工程项目实现，有很强的分析和实现能力，业余广泛了解相近专业的一般原理和知识，如经济学调度问题等，深入研究多智能体强化学习方向。对于基础算法、机器学习和深度学习有了解和实践经验。
掌握扎实的专业基础知识，擅长工程项目实现，有很强的分析和实现能力，业余广泛了解相近专业的一般原理和知识，如经济学调度问题等，深入研究多智能体强化学习方向。对于基础算法、机器学习和深度学习有了解和实践经验。
项目经验
使用三种机器学习方法处理多维度特征的回归问题:
使用 SVR 回归模型、非线性映射的线性回归模型、带有 BP 算法的多层感知 机模型、三种方法处理工业上生产设备多种因素对于推进速度性能影响的回归 拟合问题。
https://github.com/CraKane/Machine_Learning_Methods_For_Regression_Matlab
其中线性回归模型使用 ACO 算法进行改进，使其最小化损失函数，该方法在 测试集中回归正确率 84%、SVR 正确率 81%、线性回归 87%、MLP 87%。
使用深度学习方法从数据中预测未来温度变化:
复现 IJCAI 2018 论文中的模型，同时修改 GeoMAN 时序模型，在其中加入卷 积层以抽象特征，模型能充分分析历史气象数据及粮食温度数据以预测未来粮 食温度变化。(https://github.com/CraKane/GeoMAN-grain-temperature)
该模型会将气象数据作为外部特征，将粮食数据作为内部特征进行学习，测试 集数据中预测率高达 98%，数据中误差 1 - 2 个单位数量级。
基于强化学习的平台任务分配问题（兼职项目）:
三个平台，N 个任务，N 个任务寻找合适的平台进行计算，在每一个平台完成 任务有不同的方法，有不同的总成本。目的是最小化三个平台的总和成本。
使用 KNN 算法将任务分成不同类别，即不同平台表示不同类别；通过不同平台自己的成本公式计算任务完成需要的成本，以此作为强化学习中的 reward。
任务调度的顺序作为动作建立 Q table，基于 Q - learning 学习方法使得调度成本最小化，该算法可以收敛。经过多种任务数据多次测试性能良好，可以保证收敛，得到客户的好评。
使用 SVR 回归模型、非线性映射的线性回归模型、带有 BP 算法的多层感知 机模型、三种方法处理工业上生产设备多种因素对于推进速度性能影响的回归 拟合问题。
https://github.com/CraKane/Machine_Learning_Methods_For_Regression_Matlab
其中线性回归模型使用 ACO 算法进行改进，使其最小化损失函数，该方法在 测试集中回归正确率 84%、SVR 正确率 81%、线性回归 87%、MLP 87%。
使用深度学习方法从数据中预测未来温度变化:
复现 IJCAI 2018 论文中的模型，同时修改 GeoMAN 时序模型，在其中加入卷 积层以抽象特征，模型能充分分析历史气象数据及粮食温度数据以预测未来粮 食温度变化。(https://github.com/CraKane/GeoMAN-grain-temperature)
该模型会将气象数据作为外部特征，将粮食数据作为内部特征进行学习，测试 集数据中预测率高达 98%，数据中误差 1 - 2 个单位数量级。
基于强化学习的平台任务分配问题（兼职项目）:
三个平台，N 个任务，N 个任务寻找合适的平台进行计算，在每一个平台完成 任务有不同的方法，有不同的总成本。目的是最小化三个平台的总和成本。
使用 KNN 算法将任务分成不同类别，即不同平台表示不同类别；通过不同平台自己的成本公式计算任务完成需要的成本，以此作为强化学习中的 reward。
任务调度的顺序作为动作建立 Q table，基于 Q - learning 学习方法使得调度成本最小化，该算法可以收敛。经过多种任务数据多次测试性能良好，可以保证收敛，得到客户的好评。
霅霅のNPY
AI算法工程师 · 1年经验 · 腾讯北京分公司-腾讯地图
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
Python、c++、matlab、ROS、数据结构与算法、机器学习、深度学习、强化学习、推荐算法入门、搜索算法
掌握扎实的专业基础知识，擅长工程项目实现，有很强的分析和实现能力，业余广泛了解相近专业的一般原理和知识，如经济学调度问题等，深入研究多智能体强化学习方向。对于基础算法、机器学习和深度学习有了解和实践经验。
掌握扎实的专业基础知识，擅长工程项目实现，有很强的分析和实现能力，业余广泛了解相近专业的一般原理和知识，如经济学调度问题等，深入研究多智能体强化学习方向。对于基础算法、机器学习和深度学习有了解和实践经验。
项目经验
使用三种机器学习方法处理多维度特征的回归问题:
使用 SVR 回归模型、非线性映射的线性回归模型、带有 BP 算法的多层感知 机模型、三种方法处理工业上生产设备多种因素对于推进速度性能影响的回归 拟合问题。
https://github.com/CraKane/Machine_Learning_Methods_For_Regression_Matlab
其中线性回归模型使用 ACO 算法进行改进，使其最小化损失函数，该方法在 测试集中回归正确率 84%、SVR 正确率 81%、线性回归 87%、MLP 87%。
使用深度学习方法从数据中预测未来温度变化:
复现 IJCAI 2018 论文中的模型，同时修改 GeoMAN 时序模型，在其中加入卷 积层以抽象特征，模型能充分分析历史气象数据及粮食温度数据以预测未来粮 食温度变化。(https://github.com/CraKane/GeoMAN-grain-temperature)
该模型会将气象数据作为外部特征，将粮食数据作为内部特征进行学习，测试 集数据中预测率高达 98%，数据中误差 1 - 2 个单位数量级。
基于强化学习的平台任务分配问题（兼职项目）:
三个平台，N 个任务，N 个任务寻找合适的平台进行计算，在每一个平台完成 任务有不同的方法，有不同的总成本。目的是最小化三个平台的总和成本。
使用 KNN 算法将任务分成不同类别，即不同平台表示不同类别；通过不同平台自己的成本公式计算任务完成需要的成本，以此作为强化学习中的 reward。
任务调度的顺序作为动作建立 Q table，基于 Q - learning 学习方法使得调度成本最小化，该算法可以收敛。经过多种任务数据多次测试性能良好，可以保证收敛，得到客户的好评。
使用 SVR 回归模型、非线性映射的线性回归模型、带有 BP 算法的多层感知 机模型、三种方法处理工业上生产设备多种因素对于推进速度性能影响的回归 拟合问题。
https://github.com/CraKane/Machine_Learning_Methods_For_Regression_Matlab
其中线性回归模型使用 ACO 算法进行改进，使其最小化损失函数，该方法在 测试集中回归正确率 84%、SVR 正确率 81%、线性回归 87%、MLP 87%。
使用深度学习方法从数据中预测未来温度变化:
复现 IJCAI 2018 论文中的模型，同时修改 GeoMAN 时序模型，在其中加入卷 积层以抽象特征，模型能充分分析历史气象数据及粮食温度数据以预测未来粮 食温度变化。(https://github.com/CraKane/GeoMAN-grain-temperature)
该模型会将气象数据作为外部特征，将粮食数据作为内部特征进行学习，测试 集数据中预测率高达 98%，数据中误差 1 - 2 个单位数量级。
基于强化学习的平台任务分配问题（兼职项目）:
三个平台，N 个任务，N 个任务寻找合适的平台进行计算，在每一个平台完成 任务有不同的方法，有不同的总成本。目的是最小化三个平台的总和成本。
使用 KNN 算法将任务分成不同类别，即不同平台表示不同类别；通过不同平台自己的成本公式计算任务完成需要的成本，以此作为强化学习中的 reward。
任务调度的顺序作为动作建立 Q table，基于 Q - learning 学习方法使得调度成本最小化，该算法可以收敛。经过多种任务数据多次测试性能良好，可以保证收敛，得到客户的好评。
案例展示
使用深度学习方法从数据中预测未来温度变化
复现 IJCAI 2018 论文中的模型，同时修改 GeoMAN 时序模型，在其中加入卷 积层以抽象特征，模型能充分分析历史气象数据及粮食温度数据以预测未来粮 食温度变化。(https://github.com/CraKane/GeoMAN-grain-temperature)
使用三种机器学习方法处理回归问题
使用 SVR 回归模型、非线性映射的线性回归模型、带有 BP 算法的多层感知 机模型、三种方法处理工业上生产设备多种因素对于推进速度性能影响的回归 拟合问题。 https://github.com/CraKane/Machine_Learning_Methods_For_Reg
立即沟通
