梦中人若翩翩
大模型开发
- 公司信息：
- 华为
- 工作经验：
- 2年
- 兼职日薪：
- 500元/8小时
- 兼职时间：
- 下班后
- 可工作日远程
- 所在区域：
- 成都
- 高新
技术能力
1.精通python语言，掌握C++语言及其他多种语言的使用。
2.熟悉多种办公软件的使用及专业工具的灵活运用。
3.精通大模型的部署，搭建，训练，微调，评估流程。
4.掌握领域模型算法，熟悉多种框架开发。
5.对当前大模型开发具有完整经验。
项目经验
1.独立完成对于大模型的部署工作，比如deep seek，qwen，等模型的本地部署和使用流程。
2.完成了基于知识图谱的医疗领域辅助系统的实现，通过知识图谱和接入大模型，实现对于医疗知识的分析，并设计了前端界面，加入rag等功能并实现。
3.完成过基于深度学习的对于动作的识别与评分，通过目标检测与关键点检测，实时识别行为，并给出相应评分，同时使用了yolo等模型辅助。
4.独立完成了智能聊天机器人的整个项目流程实现，从收集语料到分词，使用seq2seq，构建网络，从头训练模型，实现问答功能，通过云服务器进行多轮训练，并且通过node.js，使用代理将项目展现在网页。
5.小组设计并实现了基于yolo模型的实时目标检测任务，通过爬虫等多种方式收集图片，并使用labelimg和labelme等工具进行数据标注，使用预训练权重进行训练，并分析效果。
案例展示
-
基于知识图谱的医疗领域辅助系统
首先，数据收集与整合是构建知识图谱的基石。从海量的医疗文献、临床指南、医学教材、病历记录以及各类医学数据库中广泛采集数据。这些数据来源多样，涵盖了疾病症状、诊断方法、治疗方案、药物信息、检查结果等众多医疗相关实体及其相互关系。通过数据清洗和预处理，去除噪声数据和重复信息，确保数据
-
智能聊天机器人
随着自然语言处理技术的不断发展，基于序列到序列（seq2seq）架构训练的聊天机器人成为了研究和应用的热点。seq2seq 模型的核心在于其独特的编码器 - 解码器结构，能够将输入的对话上下文序列编码为一个固定长度的向量表示，再通过解码器将该向量转换为合理的回复序列，为聊天机器人
-
智能聊天机器人
随着自然语言处理技术的不断发展，基于序列到序列（seq2seq）架构训练的聊天机器人成为了研究和应用的热点。seq2seq 模型的核心在于其独特的编码器 - 解码器结构，能够将输入的对话上下文序列编码为一个固定长度的向量表示，再通过解码器将该向量转换为合理的回复序列，为聊天机器人
-
智能聊天机器人
随着自然语言处理技术的不断发展，基于序列到序列（seq2seq）架构训练的聊天机器人成为了研究和应用的热点。seq2seq 模型的核心在于其独特的编码器 - 解码器结构，能够将输入的对话上下文序列编码为一个固定长度的向量表示，再通过解码器将该向量转换为合理的回复序列，为聊天机器人
