猿急送>

广州后端兼职程序员

ID：277282

yx

算法工程师

公司信息：
百度

工作经验：
1年

兼职日薪：
500元/8小时

兼职时间：
周六
周日
可工作日远程

所在区域：
广州
番禺

技术能力

本人码龄3~4年，精通Python编程，曾主导带领过多个大型Python项目。在具体的技术栈方面，本人擅长：爬虫、python后端开发。同时，本人在神经网络编程上也非常熟悉，曾发表SCI一作两篇，熟悉Pytorch、TensorFlow、Keras等框架的编程，擅长领域为网络剪枝网络轻量化、对抗安全学习（adversarial learning）、AI安全领域。

项目经验

历年顶会论文爬虫：项目需求为抓取NIPS、ICLR、ICML等各大顶会近年发表论文，并整理为CSV文件。项目中各顶会的paper list格式繁杂，有的为单文件，有的为在线预览，如何设计接口将所有会议抓取方式统一是一个难点。在该项目中，我通过PYTHON爬虫技术，结合BS4和request包，实现了一键抓取历年顶会论文爬虫的功能。

网络轻量化研究：在该项目中，我们针对多剪裁率问题，开发了一套基于元强化学习的网络剪枝模型。论文获得outstanding paper荣誉。发表一作SCI一篇。

Pests in the Nest, Under Arrest: A Hornet Sighting Report Evaluation System: I lead the team to design a hornet
sighting report system based on the ML method and the paper achieve Finalist in 2021 MCM. (Apr ’21)

Bert-based Legal Judgment Document Amount Entity Extraction Model: Design a system based on BERT to
conduct amount entity extraction.[COPYRIGHT, DEMO] (Nov ’20)

Covid-19 Prediction Model based on Huber Regression and Hierarchical Feature: Design hierarchical classification
feature coding scheme and design algorithm based on Huber Regression. We achieve a championship in this race. [TALK,
RESULT] (Oct ’20)

案例展示

顶会论文爬虫爬取

作品功能为从各大顶会利用爬虫技术爬取论文。所用到的编程语言为Python，涉及到的编程库有BS4、Request包、numpy、pandas等。目前已经实现了从ICLR、NIPS、ICML、AAAI等9个顶会上自动收集历年的数据、并且能够根据关键词对论文进行筛选，快速得到感兴趣的
法律文书金额提取

法律文书金额实体提取，NLP实体提取任务。实际法律业务需求中，提取法律借贷判决文书中的本金、利息等金额字段通常都是由人工完成，费时费力。本项目结合NLP技术，提出基于BERT的法律借贷判决文书金额实体提取模型，实现十类金额实体的自动化提取。①设计TF-IDF+朴素贝叶斯分类方案
基于分级特征编码Huber回归的新冠预测

《基于分级分类特征编码和Huber回归的新冠确诊人数预测模型》- 队长 2020年10月项目描述：第六届中国健康信息处理会议的新冠预测评测竞赛（CHIP2021），给定三个区域的确诊病例时序数据和区域性特征数据，要进行未来7天每天新冠确诊人数的预测。本项目提出基于分级分类特征
多剪裁率网络通道剪枝

Conditional Automated Channel Pruning for Deep Neural Networks - 一作 2020年08月 - 2021年05月研究背景：通道剪枝是模型压缩中的一种重要方法。然而在多剪裁率问题下，现有传统剪枝方法对于不同的剪裁率需要
目击报告预测二分类模型开发

研究背景：发动群众提交目击报告是防治亚洲大黄蜂的重要手段，然而大部分目击报告提交者缺乏对该物种的了解，报告中存在大量误报，如何从海量的目击报告中鉴别高可信报告是一个重要课题。本研究是从传播机理和报告特征出发，构建了报告优先级预测模型。工作与贡献：①基于亚洲大黄蜂的迁徙习性，基
《疫情通报文本中涉疫地点的自动提取》

新冠疫情背景下，涉疫地点信息的整合公开对于疫情防控而言至关重要。然而，涉疫地点数据多以非结构化的方式出现在疫情通报网页上，在以往这项工作主要通过人工标注实现，不仅消耗人力而且效率低下。近年来，自然语言处理作为人工智能的一个重要领域得到了飞速的发展。因此，本文通过比较不同的方