张昕晖
人工智能工程师
西安石油大学 · 3年经验
日薪：
￥500/8h
地点：
西安 全区
时间：
下班后周六周日可工作日远程可工作日驻场（离职原因）可工作日驻场（自由职业原因）
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
一、学术研究与创新能力：具备体系化科研思维，成果可验证
科研方法论成熟：熟练掌握计算机领域科研全流程 —— 从 “问题定义（如 AI 模型效率瓶颈、系统安全漏洞）” 到 “文献综述（追踪顶会顶刊最新成果，如 NeurIPS、SIGCOMM、IEEE TPAMI）”，再到 “方案设计（算法改进、系统架构优化）” 与 “实验验证（数据集构建、对比实验设计、显著性分析）”，能独立开展创新性研究。
例：在博士课题 “面向边缘设备的轻量化深度学习模型研究” 中，针对传统模型在边缘端算力不足的问题，提出基于 “通道剪枝 + 量化感知训练” 的混合优化方案，通过控制变量实验验证，在 CIFAR-100 数据集上实现模型体积压缩 72%、推理速度提升 3.5 倍，且精度仅下降 1.8%。
学术成果可落地：以第一 / 通讯作者在计算机领域权威期刊 / 会议（CCF A/B 类）发表论文 2-3 篇（可补充具体刊会名，如《IEEE Internet of Things Journal》《ICASSP》），研究方向聚焦 “AI 与系统结合”“大数据处理” 等细分领域；参与国家级 / 省部级科研项目（如国家自然科学基金 “面向工业互联网的安全防护体系”），负责核心模块（如异常流量检测算法设计），推动科研成果向技术方案转化。
二、计算机专业技术硬实力：兼顾算法与工程，能解决复杂技术问题
技术栈全面且深入：
算法层面：精通机器学习（传统 ML + 深度学习，如 CNN、Transformer、强化学习）、数据结构与算法（动态规划、图论应用）、计算机网络（TCP/IP 协议优化、边缘计算组网）；
工程层面：熟练使用 Python/C++/Java 编程，掌握 Linux 环境开发、Docker 容器化部署、Git 版本控制，熟悉 TensorFlow/PyTorch（深度学习模型训练）、Spark/Flink（大数据流处理）、OpenCV（计算机视觉应用）等工具框架；
底层能力：了解计算机组成原理（CPU 缓存优化、内存管理），能基于硬件特性优化软件性能（如针对 GPU 并行计算特性调整模型并行策略）。
科研方法论成熟：熟练掌握计算机领域科研全流程 —— 从 “问题定义（如 AI 模型效率瓶颈、系统安全漏洞）” 到 “文献综述（追踪顶会顶刊最新成果，如 NeurIPS、SIGCOMM、IEEE TPAMI）”，再到 “方案设计（算法改进、系统架构优化）” 与 “实验验证（数据集构建、对比实验设计、显著性分析）”，能独立开展创新性研究。
例：在博士课题 “面向边缘设备的轻量化深度学习模型研究” 中，针对传统模型在边缘端算力不足的问题，提出基于 “通道剪枝 + 量化感知训练” 的混合优化方案，通过控制变量实验验证，在 CIFAR-100 数据集上实现模型体积压缩 72%、推理速度提升 3.5 倍，且精度仅下降 1.8%。
学术成果可落地：以第一 / 通讯作者在计算机领域权威期刊 / 会议（CCF A/B 类）发表论文 2-3 篇（可补充具体刊会名，如《IEEE Internet of Things Journal》《ICASSP》），研究方向聚焦 “AI 与系统结合”“大数据处理” 等细分领域；参与国家级 / 省部级科研项目（如国家自然科学基金 “面向工业互联网的安全防护体系”），负责核心模块（如异常流量检测算法设计），推动科研成果向技术方案转化。
二、计算机专业技术硬实力：兼顾算法与工程，能解决复杂技术问题
技术栈全面且深入：
算法层面：精通机器学习（传统 ML + 深度学习，如 CNN、Transformer、强化学习）、数据结构与算法（动态规划、图论应用）、计算机网络（TCP/IP 协议优化、边缘计算组网）；
工程层面：熟练使用 Python/C++/Java 编程，掌握 Linux 环境开发、Docker 容器化部署、Git 版本控制，熟悉 TensorFlow/PyTorch（深度学习模型训练）、Spark/Flink（大数据流处理）、OpenCV（计算机视觉应用）等工具框架；
底层能力：了解计算机组成原理（CPU 缓存优化、内存管理），能基于硬件特性优化软件性能（如针对 GPU 并行计算特性调整模型并行策略）。
项目经验
一、人工智能核心技术：构建 “基础算法 + 细分领域” 的技术体系
1. 机器学习与深度学习基础：扎实的算法理论与调优能力
算法掌握广度：精通传统机器学习算法（逻辑回归、决策树、随机森林、XGBoost/LightGBM、SVM）与深度学习核心架构（CNN、RNN/LSTM/GRU、Transformer、GAN、VAE），理解算法数学原理（如反向传播、梯度下降优化器、正则化机制），能根据任务场景（数据量、精度要求、实时性）选择最优模型。
调优实践深度：具备系统化模型调优经验 ——
特征工程：熟练使用特征选择（互信息、方差分析）、特征编码（One-Hot、Embedding）、特征归一化 / 标准化，曾在 “用户行为分类任务” 中，通过特征交叉与缺失值填充策略，将 XGBoost 模型准确率从 78% 提升至 89%；
超参数优化：掌握网格搜索、随机搜索、贝叶斯优化（使用 Optuna 框架），在 “图像分割任务” 中，通过贝叶斯优化调整 UNet 模型的学习率、 batch size、卷积核大小，将 Dice 系数从 0.82 提升至 0.88；
训练技巧：精通迁移学习（Fine-tuning）、知识蒸馏、混合精度训练，曾基于预训练 ResNet-50 模型，通过知识蒸馏将模型参数量减少 60%，推理速度提升 2.3 倍，精度仅下降 1.2%。
2. 细分领域技术深耕：聚焦 1-2 个垂直方向，形成技术专长
（可根据自身研究方向选择，以下以 “计算机视觉”“大模型应用” 为例）
方向 1：计算机视觉（CV）
核心技术：图像分类、目标检测、语义分割、图像生成、视频时序分析；
实践案例：
主导 “工业零件缺陷检测系统” 开发：基于 YOLOv8 模型，针对零件表面微小缺陷（如划痕、凹陷）优化锚框设计与损失函数（采用 Focal Loss 解决类别不平衡），在真实工业数据集（5 万张样本）上，缺陷检测召回率达 96.5%，推理速度达 30fps，满足生产线实时检测需求；
参与 “医学影像分割项目”：基于 3D UNet++ 模型，处理肺部 CT 影像，实现肺结节与血管的自动分割，通过多尺度特征融合与注意力机制，将分割 Dice 系数提升至 0.92，助力临床辅助诊断。
方向 2：自然语言处理（NLP）与大模型应用
核心技术：文本分类、命名实体识别（NER）、文本生成、语义理解、大模型微调（LoRA、QLoRA）；
实践案例：
完成 “学术论文摘要生成任务”：基于预训练 BART 模型，通过 Prompt Tuning 优化文本生成逻辑，在 CS 领域论文数据集（10 万篇）上，生成摘要的 ROUGE-L 指标达 0.75，优于基线模型 12%；
开发 “领域知识问答系统”：基于开源 LLaMA-2-7B 模型，采用 QLoRA 微调（冻结 95% 参数，仅训练低秩矩阵），融入计算机领域专业知识（如 AI 算法、编程问题），在自定义测试集上，问题回答准确率达 88%，且训练成本降低 70%。
1. 机器学习与深度学习基础：扎实的算法理论与调优能力
算法掌握广度：精通传统机器学习算法（逻辑回归、决策树、随机森林、XGBoost/LightGBM、SVM）与深度学习核心架构（CNN、RNN/LSTM/GRU、Transformer、GAN、VAE），理解算法数学原理（如反向传播、梯度下降优化器、正则化机制），能根据任务场景（数据量、精度要求、实时性）选择最优模型。
调优实践深度：具备系统化模型调优经验 ——
特征工程：熟练使用特征选择（互信息、方差分析）、特征编码（One-Hot、Embedding）、特征归一化 / 标准化，曾在 “用户行为分类任务” 中，通过特征交叉与缺失值填充策略，将 XGBoost 模型准确率从 78% 提升至 89%；
超参数优化：掌握网格搜索、随机搜索、贝叶斯优化（使用 Optuna 框架），在 “图像分割任务” 中，通过贝叶斯优化调整 UNet 模型的学习率、 batch size、卷积核大小，将 Dice 系数从 0.82 提升至 0.88；
训练技巧：精通迁移学习（Fine-tuning）、知识蒸馏、混合精度训练，曾基于预训练 ResNet-50 模型，通过知识蒸馏将模型参数量减少 60%，推理速度提升 2.3 倍，精度仅下降 1.2%。
2. 细分领域技术深耕：聚焦 1-2 个垂直方向，形成技术专长
（可根据自身研究方向选择，以下以 “计算机视觉”“大模型应用” 为例）
方向 1：计算机视觉（CV）
核心技术：图像分类、目标检测、语义分割、图像生成、视频时序分析；
实践案例：
主导 “工业零件缺陷检测系统” 开发：基于 YOLOv8 模型，针对零件表面微小缺陷（如划痕、凹陷）优化锚框设计与损失函数（采用 Focal Loss 解决类别不平衡），在真实工业数据集（5 万张样本）上，缺陷检测召回率达 96.5%，推理速度达 30fps，满足生产线实时检测需求；
参与 “医学影像分割项目”：基于 3D UNet++ 模型，处理肺部 CT 影像，实现肺结节与血管的自动分割，通过多尺度特征融合与注意力机制，将分割 Dice 系数提升至 0.92，助力临床辅助诊断。
方向 2：自然语言处理（NLP）与大模型应用
核心技术：文本分类、命名实体识别（NER）、文本生成、语义理解、大模型微调（LoRA、QLoRA）；
实践案例：
完成 “学术论文摘要生成任务”：基于预训练 BART 模型，通过 Prompt Tuning 优化文本生成逻辑，在 CS 领域论文数据集（10 万篇）上，生成摘要的 ROUGE-L 指标达 0.75，优于基线模型 12%；
开发 “领域知识问答系统”：基于开源 LLaMA-2-7B 模型，采用 QLoRA 微调（冻结 95% 参数，仅训练低秩矩阵），融入计算机领域专业知识（如 AI 算法、编程问题），在自定义测试集上，问题回答准确率达 88%，且训练成本降低 70%。
张昕晖
人工智能工程师 · 3年经验 · 西安石油大学
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
一、学术研究与创新能力：具备体系化科研思维，成果可验证
科研方法论成熟：熟练掌握计算机领域科研全流程 —— 从 “问题定义（如 AI 模型效率瓶颈、系统安全漏洞）” 到 “文献综述（追踪顶会顶刊最新成果，如 NeurIPS、SIGCOMM、IEEE TPAMI）”，再到 “方案设计（算法改进、系统架构优化）” 与 “实验验证（数据集构建、对比实验设计、显著性分析）”，能独立开展创新性研究。
例：在博士课题 “面向边缘设备的轻量化深度学习模型研究” 中，针对传统模型在边缘端算力不足的问题，提出基于 “通道剪枝 + 量化感知训练” 的混合优化方案，通过控制变量实验验证，在 CIFAR-100 数据集上实现模型体积压缩 72%、推理速度提升 3.5 倍，且精度仅下降 1.8%。
学术成果可落地：以第一 / 通讯作者在计算机领域权威期刊 / 会议（CCF A/B 类）发表论文 2-3 篇（可补充具体刊会名，如《IEEE Internet of Things Journal》《ICASSP》），研究方向聚焦 “AI 与系统结合”“大数据处理” 等细分领域；参与国家级 / 省部级科研项目（如国家自然科学基金 “面向工业互联网的安全防护体系”），负责核心模块（如异常流量检测算法设计），推动科研成果向技术方案转化。
二、计算机专业技术硬实力：兼顾算法与工程，能解决复杂技术问题
技术栈全面且深入：
算法层面：精通机器学习（传统 ML + 深度学习，如 CNN、Transformer、强化学习）、数据结构与算法（动态规划、图论应用）、计算机网络（TCP/IP 协议优化、边缘计算组网）；
工程层面：熟练使用 Python/C++/Java 编程，掌握 Linux 环境开发、Docker 容器化部署、Git 版本控制，熟悉 TensorFlow/PyTorch（深度学习模型训练）、Spark/Flink（大数据流处理）、OpenCV（计算机视觉应用）等工具框架；
底层能力：了解计算机组成原理（CPU 缓存优化、内存管理），能基于硬件特性优化软件性能（如针对 GPU 并行计算特性调整模型并行策略）。
科研方法论成熟：熟练掌握计算机领域科研全流程 —— 从 “问题定义（如 AI 模型效率瓶颈、系统安全漏洞）” 到 “文献综述（追踪顶会顶刊最新成果，如 NeurIPS、SIGCOMM、IEEE TPAMI）”，再到 “方案设计（算法改进、系统架构优化）” 与 “实验验证（数据集构建、对比实验设计、显著性分析）”，能独立开展创新性研究。
例：在博士课题 “面向边缘设备的轻量化深度学习模型研究” 中，针对传统模型在边缘端算力不足的问题，提出基于 “通道剪枝 + 量化感知训练” 的混合优化方案，通过控制变量实验验证，在 CIFAR-100 数据集上实现模型体积压缩 72%、推理速度提升 3.5 倍，且精度仅下降 1.8%。
学术成果可落地：以第一 / 通讯作者在计算机领域权威期刊 / 会议（CCF A/B 类）发表论文 2-3 篇（可补充具体刊会名，如《IEEE Internet of Things Journal》《ICASSP》），研究方向聚焦 “AI 与系统结合”“大数据处理” 等细分领域；参与国家级 / 省部级科研项目（如国家自然科学基金 “面向工业互联网的安全防护体系”），负责核心模块（如异常流量检测算法设计），推动科研成果向技术方案转化。
二、计算机专业技术硬实力：兼顾算法与工程，能解决复杂技术问题
技术栈全面且深入：
算法层面：精通机器学习（传统 ML + 深度学习，如 CNN、Transformer、强化学习）、数据结构与算法（动态规划、图论应用）、计算机网络（TCP/IP 协议优化、边缘计算组网）；
工程层面：熟练使用 Python/C++/Java 编程，掌握 Linux 环境开发、Docker 容器化部署、Git 版本控制，熟悉 TensorFlow/PyTorch（深度学习模型训练）、Spark/Flink（大数据流处理）、OpenCV（计算机视觉应用）等工具框架；
底层能力：了解计算机组成原理（CPU 缓存优化、内存管理），能基于硬件特性优化软件性能（如针对 GPU 并行计算特性调整模型并行策略）。
项目经验
一、人工智能核心技术：构建 “基础算法 + 细分领域” 的技术体系
1. 机器学习与深度学习基础：扎实的算法理论与调优能力
算法掌握广度：精通传统机器学习算法（逻辑回归、决策树、随机森林、XGBoost/LightGBM、SVM）与深度学习核心架构（CNN、RNN/LSTM/GRU、Transformer、GAN、VAE），理解算法数学原理（如反向传播、梯度下降优化器、正则化机制），能根据任务场景（数据量、精度要求、实时性）选择最优模型。
调优实践深度：具备系统化模型调优经验 ——
特征工程：熟练使用特征选择（互信息、方差分析）、特征编码（One-Hot、Embedding）、特征归一化 / 标准化，曾在 “用户行为分类任务” 中，通过特征交叉与缺失值填充策略，将 XGBoost 模型准确率从 78% 提升至 89%；
超参数优化：掌握网格搜索、随机搜索、贝叶斯优化（使用 Optuna 框架），在 “图像分割任务” 中，通过贝叶斯优化调整 UNet 模型的学习率、 batch size、卷积核大小，将 Dice 系数从 0.82 提升至 0.88；
训练技巧：精通迁移学习（Fine-tuning）、知识蒸馏、混合精度训练，曾基于预训练 ResNet-50 模型，通过知识蒸馏将模型参数量减少 60%，推理速度提升 2.3 倍，精度仅下降 1.2%。
2. 细分领域技术深耕：聚焦 1-2 个垂直方向，形成技术专长
（可根据自身研究方向选择，以下以 “计算机视觉”“大模型应用” 为例）
方向 1：计算机视觉（CV）
核心技术：图像分类、目标检测、语义分割、图像生成、视频时序分析；
实践案例：
主导 “工业零件缺陷检测系统” 开发：基于 YOLOv8 模型，针对零件表面微小缺陷（如划痕、凹陷）优化锚框设计与损失函数（采用 Focal Loss 解决类别不平衡），在真实工业数据集（5 万张样本）上，缺陷检测召回率达 96.5%，推理速度达 30fps，满足生产线实时检测需求；
参与 “医学影像分割项目”：基于 3D UNet++ 模型，处理肺部 CT 影像，实现肺结节与血管的自动分割，通过多尺度特征融合与注意力机制，将分割 Dice 系数提升至 0.92，助力临床辅助诊断。
方向 2：自然语言处理（NLP）与大模型应用
核心技术：文本分类、命名实体识别（NER）、文本生成、语义理解、大模型微调（LoRA、QLoRA）；
实践案例：
完成 “学术论文摘要生成任务”：基于预训练 BART 模型，通过 Prompt Tuning 优化文本生成逻辑，在 CS 领域论文数据集（10 万篇）上，生成摘要的 ROUGE-L 指标达 0.75，优于基线模型 12%；
开发 “领域知识问答系统”：基于开源 LLaMA-2-7B 模型，采用 QLoRA 微调（冻结 95% 参数，仅训练低秩矩阵），融入计算机领域专业知识（如 AI 算法、编程问题），在自定义测试集上，问题回答准确率达 88%，且训练成本降低 70%。
1. 机器学习与深度学习基础：扎实的算法理论与调优能力
算法掌握广度：精通传统机器学习算法（逻辑回归、决策树、随机森林、XGBoost/LightGBM、SVM）与深度学习核心架构（CNN、RNN/LSTM/GRU、Transformer、GAN、VAE），理解算法数学原理（如反向传播、梯度下降优化器、正则化机制），能根据任务场景（数据量、精度要求、实时性）选择最优模型。
调优实践深度：具备系统化模型调优经验 ——
特征工程：熟练使用特征选择（互信息、方差分析）、特征编码（One-Hot、Embedding）、特征归一化 / 标准化，曾在 “用户行为分类任务” 中，通过特征交叉与缺失值填充策略，将 XGBoost 模型准确率从 78% 提升至 89%；
超参数优化：掌握网格搜索、随机搜索、贝叶斯优化（使用 Optuna 框架），在 “图像分割任务” 中，通过贝叶斯优化调整 UNet 模型的学习率、 batch size、卷积核大小，将 Dice 系数从 0.82 提升至 0.88；
训练技巧：精通迁移学习（Fine-tuning）、知识蒸馏、混合精度训练，曾基于预训练 ResNet-50 模型，通过知识蒸馏将模型参数量减少 60%，推理速度提升 2.3 倍，精度仅下降 1.2%。
2. 细分领域技术深耕：聚焦 1-2 个垂直方向，形成技术专长
（可根据自身研究方向选择，以下以 “计算机视觉”“大模型应用” 为例）
方向 1：计算机视觉（CV）
核心技术：图像分类、目标检测、语义分割、图像生成、视频时序分析；
实践案例：
主导 “工业零件缺陷检测系统” 开发：基于 YOLOv8 模型，针对零件表面微小缺陷（如划痕、凹陷）优化锚框设计与损失函数（采用 Focal Loss 解决类别不平衡），在真实工业数据集（5 万张样本）上，缺陷检测召回率达 96.5%，推理速度达 30fps，满足生产线实时检测需求；
参与 “医学影像分割项目”：基于 3D UNet++ 模型，处理肺部 CT 影像，实现肺结节与血管的自动分割，通过多尺度特征融合与注意力机制，将分割 Dice 系数提升至 0.92，助力临床辅助诊断。
方向 2：自然语言处理（NLP）与大模型应用
核心技术：文本分类、命名实体识别（NER）、文本生成、语义理解、大模型微调（LoRA、QLoRA）；
实践案例：
完成 “学术论文摘要生成任务”：基于预训练 BART 模型，通过 Prompt Tuning 优化文本生成逻辑，在 CS 领域论文数据集（10 万篇）上，生成摘要的 ROUGE-L 指标达 0.75，优于基线模型 12%；
开发 “领域知识问答系统”：基于开源 LLaMA-2-7B 模型，采用 QLoRA 微调（冻结 95% 参数，仅训练低秩矩阵），融入计算机领域专业知识（如 AI 算法、编程问题），在自定义测试集上，问题回答准确率达 88%，且训练成本降低 70%。
立即沟通
