镜同和
科研助理 · 2年经验 · 哈尔滨工业大学
0
累计接单
0
用户评价
0
被收藏
技术能力
大模型与AI应用：
熟悉LangChain框架和提示词工程（Prompt Engineering），尤其擅长通过Few-shot等技巧引导和优化模型输出，提升任务完成的准确性与流畅度。具备AI Agent的概念理解与独立开发能力，能够设计并实现基于大模型的自动化工作流。拥有丰富的开源大模型实践经验，能够在Linux云服务器环境下独立完成如ChatGLM3-6B等模型的私有化部署、环境配置及依赖问题解决。深入研究并应用4-bit量化（Quantization）等模型优化技术，在推理效果基本无损的情况下，显著降低显存占用（约70%）并提升推理速度。
数据科学与机器学习：
精通使用Python进行数据科学研究与分析，熟练运用Pandas、NumPy进行亿级数据的ETL（清洗、转换、聚合）和高效处理。熟练掌握Matplotlib、Seaborn、Plotly等可视化库，能够进行多维度的探索性数据分析与结果展示。深度掌握PyTorch框架，具备从零开始搭建、训练和调优机器学习模型的能力，尤其在深度学习方面有扎实的工程经验。熟悉性能分析与调优，Optuna分布式调参、模型可解释性分析，能够运用SHAP等工具深入剖析模型决策依据。
后端开发与语言能力：
Linux服务器环境的基本操作与维护，对Windows平台开发解决方案有深入经验。具备将AI模型或数据应用封装为后端API并结合Gradio等工具部署为Web应用的能力。熟悉Python开发，具备C++和JavaScript的基础能力。
熟悉LangChain框架和提示词工程（Prompt Engineering），尤其擅长通过Few-shot等技巧引导和优化模型输出，提升任务完成的准确性与流畅度。具备AI Agent的概念理解与独立开发能力，能够设计并实现基于大模型的自动化工作流。拥有丰富的开源大模型实践经验，能够在Linux云服务器环境下独立完成如ChatGLM3-6B等模型的私有化部署、环境配置及依赖问题解决。深入研究并应用4-bit量化（Quantization）等模型优化技术，在推理效果基本无损的情况下，显著降低显存占用（约70%）并提升推理速度。
数据科学与机器学习：
精通使用Python进行数据科学研究与分析，熟练运用Pandas、NumPy进行亿级数据的ETL（清洗、转换、聚合）和高效处理。熟练掌握Matplotlib、Seaborn、Plotly等可视化库，能够进行多维度的探索性数据分析与结果展示。深度掌握PyTorch框架，具备从零开始搭建、训练和调优机器学习模型的能力，尤其在深度学习方面有扎实的工程经验。熟悉性能分析与调优，Optuna分布式调参、模型可解释性分析，能够运用SHAP等工具深入剖析模型决策依据。
后端开发与语言能力：
Linux服务器环境的基本操作与维护，对Windows平台开发解决方案有深入经验。具备将AI模型或数据应用封装为后端API并结合Gradio等工具部署为Web应用的能力。熟悉Python开发，具备C++和JavaScript的基础能力。
项目经验
1. 基于LSTM网络的金融时序数据预测与量化策略研究
项目描述： 旨在通过深度学习模型（LSTM）对期货交易数据进行高频价格走势预测，为自动化交易提供高胜率的信号源。项目采用可配置化的工作流（YAML管理），实现了从数据处理、特征工程、模型训练、超参数优化到多维度评估验证的全流程。
数据工程与系统：设计并实现了一套鲁棒的交易所L2行情数据监听系统（WebSocket），包含自动重连与数据校验机制，确保了亿级金融数据的实时、稳定与高质量采集 。高效完成对1.2亿条原始数据的聚合、清洗与归一化处理。
模型构建与严苛验证：基于PyTorch搭建并训练了多层LSTM时序预测模型，并通过Optuna进行超参数搜索（如学习率、隐藏层维度、窗口大小等）进行系统性调优 。
模型迭代（SHAP分析）：利用SHAP进行深度可解释性分析，揭示了模型存在极端的新近性偏好（Recency Bias），决策权重压倒性地集中在距离预测点最近的1-5个时间步。分析明确了特征的有效性层级。
2. 智能翻译与润色AI Agent
项目描述： 基于LangChain框架设计并实现了一个自动化的多语言处理AI Agent 。该智能体能够接收文本输入后，自动执行“语种识别-目标语言初译-风格化润色”的链式工作流，将大模型能力有效落地为具体的应用场景 。
深入应用提示词工程（Prompt Engineering），特别是通过Few-shot示例引导，显著提升了模型在翻译任务中的准确性、流畅度及特定风格的遵循能力 。
使用Gradio将AI Agent的能力封装为一个带有可视化交互界面的Web应用，实现了项目的端到端功能验证和效果展示 。
3. 开源大模型私有化部署与性能优化
项目描述： 独立在云服务器上完成了深度学习环境的搭建（配置CUDA、PyTorch等），成功部署了包括ChatGLM3-6B在内的多款开源大语言模型，并解决了部署过程中的环境配置与依赖冲突问题 。
性能优化实践： 深入研究并应用了4-bit量化技术对已部署模型进行推理优化。在模型回答效果基本无损的情况下，成功将显存占用降低了约70%，同时有效提升了模型的推理速度，为后续AI应用的开发提供了高性能、低成本的底层算力支持 。
项目描述： 旨在通过深度学习模型（LSTM）对期货交易数据进行高频价格走势预测，为自动化交易提供高胜率的信号源。项目采用可配置化的工作流（YAML管理），实现了从数据处理、特征工程、模型训练、超参数优化到多维度评估验证的全流程。
数据工程与系统：设计并实现了一套鲁棒的交易所L2行情数据监听系统（WebSocket），包含自动重连与数据校验机制，确保了亿级金融数据的实时、稳定与高质量采集 。高效完成对1.2亿条原始数据的聚合、清洗与归一化处理。
模型构建与严苛验证：基于PyTorch搭建并训练了多层LSTM时序预测模型，并通过Optuna进行超参数搜索（如学习率、隐藏层维度、窗口大小等）进行系统性调优 。
模型迭代（SHAP分析）：利用SHAP进行深度可解释性分析，揭示了模型存在极端的新近性偏好（Recency Bias），决策权重压倒性地集中在距离预测点最近的1-5个时间步。分析明确了特征的有效性层级。
2. 智能翻译与润色AI Agent
项目描述： 基于LangChain框架设计并实现了一个自动化的多语言处理AI Agent 。该智能体能够接收文本输入后，自动执行“语种识别-目标语言初译-风格化润色”的链式工作流，将大模型能力有效落地为具体的应用场景 。
深入应用提示词工程（Prompt Engineering），特别是通过Few-shot示例引导，显著提升了模型在翻译任务中的准确性、流畅度及特定风格的遵循能力 。
使用Gradio将AI Agent的能力封装为一个带有可视化交互界面的Web应用，实现了项目的端到端功能验证和效果展示 。
3. 开源大模型私有化部署与性能优化
项目描述： 独立在云服务器上完成了深度学习环境的搭建（配置CUDA、PyTorch等），成功部署了包括ChatGLM3-6B在内的多款开源大语言模型，并解决了部署过程中的环境配置与依赖冲突问题 。
性能优化实践： 深入研究并应用了4-bit量化技术对已部署模型进行推理优化。在模型回答效果基本无损的情况下，成功将显存占用降低了约70%，同时有效提升了模型的推理速度，为后续AI应用的开发提供了高性能、低成本的底层算力支持 。
立即沟通
相似人才推荐：
