高级python程序员
环宇创意 · 3年经验
日薪：
￥1100/8h
地点：
广州 天河
时间：
下班后周六周日
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
在大数据技术层面，我精通构建可扩展的数据处理管道。我具备深厚的 Hadoop 与 Spark 生态体系知识，能够利用其进行大规模数据的分布式存储与批流一体化处理。对于实时数据处理，我熟悉 Flink 和 Kafka，确保数据能够被低延迟、高吞吐地消费与分析。在数据仓储方面，我能够基于 Hive、ClickHouse 或 Snowflake 等构建高效的企业级数据仓库与湖仓一体架构，确保数据资产得到良好的管理和治理。
在人工智能领域，我的核心能力在于机器学习与深度学习模型的开发与部署。我熟练掌握 Python 生态中的核心库（如 PyTorch, TensorFlow, scikit-learn），能够完成从特征工程、模型训练到超参数调优的全过程。对于计算机视觉任务，我具备使用 CNN、YOLO 等模型进行图像识别与目标检测的实践经验；在自然语言处理领域，我能够应用 BERT、GPT 等预训练模型及 RAG 架构来解决文本分类、情感分析、智能问答等实际问题。
在人工智能领域，我的核心能力在于机器学习与深度学习模型的开发与部署。我熟练掌握 Python 生态中的核心库（如 PyTorch, TensorFlow, scikit-learn），能够完成从特征工程、模型训练到超参数调优的全过程。对于计算机视觉任务，我具备使用 CNN、YOLO 等模型进行图像识别与目标检测的实践经验；在自然语言处理领域，我能够应用 BERT、GPT 等预训练模型及 RAG 架构来解决文本分类、情感分析、智能问答等实际问题。
项目经验
项目一：某大型零售企业“超感知”实时智能推荐系统
项目概述： 为应对亿级用户与千万级商品带来的信息过载问题，我主导设计并构建了新一代实时智能推荐系统，旨在全面提升用户购物体验与平台转化率。
我的角色与技术实践：
作为该项目的技术负责人，我构建了以 Apache Flink 为核心的实时数据流处理管道，通过 Apache Kafka 承接用户实时行为日志（点击、浏览、搜索），实现了毫秒级的事件处理与特征工程。在算法层面，我并未局限于传统的协同过滤，而是创新性地融合了基于 Graph Neural Network (GNN) 的会话图模型来捕捉用户的短期兴趣，并与基于 DeepFM 的深度模型学习的用户长期画像进行动态加权集成。整个模型训练与服务体系采用 Kubernetes 进行容器化编排，并通过 MLflow 实现了模型的版本管理、自动化训练与一键发布。
项目成果：
系统上线后，推荐商品点击率提升了15%，核心转化率提升了8%，首次实现了在用户离开商品页后5秒内即可根据其最新行为更新推荐列表，极大地增强了互动的实时性与精准性。
项目二：工业制造领域“先知”设备预测性维护平台
项目概述： 为解决传统制造业设备突发性停机导致的巨大经济损失，我为某大型制造企业打造了基于AI的预测性维护解决方案，变“事后维修”为“事前预警”。
我的角色与技术实践：
我负责从0到1搭建整个数据与算法中台。利用 Spark 处理来自数百个传感器长达数年的TB级历史时序数据，并构建了特征仓库。针对设备振动信号等非结构化数据，我创新性地应用了一维卷积神经网络（1D-CNN）进行故障特征的自动提取。同时，为应对工况变化，我引入了 LSTM 与自编码器（Autoencoder）相结合的无监督学习模型，用于检测设备的异常运行状态，有效降低了误报率。最终，我将模型封装为 RESTful API 微服务，集成到客户的MES系统中。
项目成果：
平台成功将关键设备的非计划停机时间降低了40%，平均故障预测准确率达到92%，每年为客户节省维护成本近千万元，实现了从“制造”到“智造”的关键跨越。
项目概述： 为应对亿级用户与千万级商品带来的信息过载问题，我主导设计并构建了新一代实时智能推荐系统，旨在全面提升用户购物体验与平台转化率。
我的角色与技术实践：
作为该项目的技术负责人，我构建了以 Apache Flink 为核心的实时数据流处理管道，通过 Apache Kafka 承接用户实时行为日志（点击、浏览、搜索），实现了毫秒级的事件处理与特征工程。在算法层面，我并未局限于传统的协同过滤，而是创新性地融合了基于 Graph Neural Network (GNN) 的会话图模型来捕捉用户的短期兴趣，并与基于 DeepFM 的深度模型学习的用户长期画像进行动态加权集成。整个模型训练与服务体系采用 Kubernetes 进行容器化编排，并通过 MLflow 实现了模型的版本管理、自动化训练与一键发布。
项目成果：
系统上线后，推荐商品点击率提升了15%，核心转化率提升了8%，首次实现了在用户离开商品页后5秒内即可根据其最新行为更新推荐列表，极大地增强了互动的实时性与精准性。
项目二：工业制造领域“先知”设备预测性维护平台
项目概述： 为解决传统制造业设备突发性停机导致的巨大经济损失，我为某大型制造企业打造了基于AI的预测性维护解决方案，变“事后维修”为“事前预警”。
我的角色与技术实践：
我负责从0到1搭建整个数据与算法中台。利用 Spark 处理来自数百个传感器长达数年的TB级历史时序数据，并构建了特征仓库。针对设备振动信号等非结构化数据，我创新性地应用了一维卷积神经网络（1D-CNN）进行故障特征的自动提取。同时，为应对工况变化，我引入了 LSTM 与自编码器（Autoencoder）相结合的无监督学习模型，用于检测设备的异常运行状态，有效降低了误报率。最终，我将模型封装为 RESTful API 微服务，集成到客户的MES系统中。
项目成果：
平台成功将关键设备的非计划停机时间降低了40%，平均故障预测准确率达到92%，每年为客户节省维护成本近千万元，实现了从“制造”到“智造”的关键跨越。
高级python程序员 · 3年经验 · 环宇创意
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
在大数据技术层面，我精通构建可扩展的数据处理管道。我具备深厚的 Hadoop 与 Spark 生态体系知识，能够利用其进行大规模数据的分布式存储与批流一体化处理。对于实时数据处理，我熟悉 Flink 和 Kafka，确保数据能够被低延迟、高吞吐地消费与分析。在数据仓储方面，我能够基于 Hive、ClickHouse 或 Snowflake 等构建高效的企业级数据仓库与湖仓一体架构，确保数据资产得到良好的管理和治理。
在人工智能领域，我的核心能力在于机器学习与深度学习模型的开发与部署。我熟练掌握 Python 生态中的核心库（如 PyTorch, TensorFlow, scikit-learn），能够完成从特征工程、模型训练到超参数调优的全过程。对于计算机视觉任务，我具备使用 CNN、YOLO 等模型进行图像识别与目标检测的实践经验；在自然语言处理领域，我能够应用 BERT、GPT 等预训练模型及 RAG 架构来解决文本分类、情感分析、智能问答等实际问题。
在人工智能领域，我的核心能力在于机器学习与深度学习模型的开发与部署。我熟练掌握 Python 生态中的核心库（如 PyTorch, TensorFlow, scikit-learn），能够完成从特征工程、模型训练到超参数调优的全过程。对于计算机视觉任务，我具备使用 CNN、YOLO 等模型进行图像识别与目标检测的实践经验；在自然语言处理领域，我能够应用 BERT、GPT 等预训练模型及 RAG 架构来解决文本分类、情感分析、智能问答等实际问题。
项目经验
项目一：某大型零售企业“超感知”实时智能推荐系统
项目概述： 为应对亿级用户与千万级商品带来的信息过载问题，我主导设计并构建了新一代实时智能推荐系统，旨在全面提升用户购物体验与平台转化率。
我的角色与技术实践：
作为该项目的技术负责人，我构建了以 Apache Flink 为核心的实时数据流处理管道，通过 Apache Kafka 承接用户实时行为日志（点击、浏览、搜索），实现了毫秒级的事件处理与特征工程。在算法层面，我并未局限于传统的协同过滤，而是创新性地融合了基于 Graph Neural Network (GNN) 的会话图模型来捕捉用户的短期兴趣，并与基于 DeepFM 的深度模型学习的用户长期画像进行动态加权集成。整个模型训练与服务体系采用 Kubernetes 进行容器化编排，并通过 MLflow 实现了模型的版本管理、自动化训练与一键发布。
项目成果：
系统上线后，推荐商品点击率提升了15%，核心转化率提升了8%，首次实现了在用户离开商品页后5秒内即可根据其最新行为更新推荐列表，极大地增强了互动的实时性与精准性。
项目二：工业制造领域“先知”设备预测性维护平台
项目概述： 为解决传统制造业设备突发性停机导致的巨大经济损失，我为某大型制造企业打造了基于AI的预测性维护解决方案，变“事后维修”为“事前预警”。
我的角色与技术实践：
我负责从0到1搭建整个数据与算法中台。利用 Spark 处理来自数百个传感器长达数年的TB级历史时序数据，并构建了特征仓库。针对设备振动信号等非结构化数据，我创新性地应用了一维卷积神经网络（1D-CNN）进行故障特征的自动提取。同时，为应对工况变化，我引入了 LSTM 与自编码器（Autoencoder）相结合的无监督学习模型，用于检测设备的异常运行状态，有效降低了误报率。最终，我将模型封装为 RESTful API 微服务，集成到客户的MES系统中。
项目成果：
平台成功将关键设备的非计划停机时间降低了40%，平均故障预测准确率达到92%，每年为客户节省维护成本近千万元，实现了从“制造”到“智造”的关键跨越。
项目概述： 为应对亿级用户与千万级商品带来的信息过载问题，我主导设计并构建了新一代实时智能推荐系统，旨在全面提升用户购物体验与平台转化率。
我的角色与技术实践：
作为该项目的技术负责人，我构建了以 Apache Flink 为核心的实时数据流处理管道，通过 Apache Kafka 承接用户实时行为日志（点击、浏览、搜索），实现了毫秒级的事件处理与特征工程。在算法层面，我并未局限于传统的协同过滤，而是创新性地融合了基于 Graph Neural Network (GNN) 的会话图模型来捕捉用户的短期兴趣，并与基于 DeepFM 的深度模型学习的用户长期画像进行动态加权集成。整个模型训练与服务体系采用 Kubernetes 进行容器化编排，并通过 MLflow 实现了模型的版本管理、自动化训练与一键发布。
项目成果：
系统上线后，推荐商品点击率提升了15%，核心转化率提升了8%，首次实现了在用户离开商品页后5秒内即可根据其最新行为更新推荐列表，极大地增强了互动的实时性与精准性。
项目二：工业制造领域“先知”设备预测性维护平台
项目概述： 为解决传统制造业设备突发性停机导致的巨大经济损失，我为某大型制造企业打造了基于AI的预测性维护解决方案，变“事后维修”为“事前预警”。
我的角色与技术实践：
我负责从0到1搭建整个数据与算法中台。利用 Spark 处理来自数百个传感器长达数年的TB级历史时序数据，并构建了特征仓库。针对设备振动信号等非结构化数据，我创新性地应用了一维卷积神经网络（1D-CNN）进行故障特征的自动提取。同时，为应对工况变化，我引入了 LSTM 与自编码器（Autoencoder）相结合的无监督学习模型，用于检测设备的异常运行状态，有效降低了误报率。最终，我将模型封装为 RESTful API 微服务，集成到客户的MES系统中。
项目成果：
平台成功将关键设备的非计划停机时间降低了40%，平均故障预测准确率达到92%，每年为客户节省维护成本近千万元，实现了从“制造”到“智造”的关键跨越。
立即沟通
