grimmmm
学生,价格可谈
南方科技大学 · 1年经验
日薪：
￥500/8h
地点：
深圳 南山
时间：
下班后
信用行为
0
接单数
0
评价数
2
收藏数
技术能力
具备系统性的深度学习与机器学习工程能力，能够独立完成从数据整理、特征工程、模型设计、训练调优到结果分析与交付部署的完整流程。熟练使用 Python 与 PyTorch 进行模型开发，具备 Vision Transformer、CNN、LSTM 等多类模型的实际应用经验，能够根据业务场景选择并改造合适的网络结构。在计算机视觉方向，具备图像分类、目标检测及复杂纹理特征建模经验，熟悉自监督学习方法在小样本或弱监督场景下的应用。在时序预测与数据建模方面，能够处理高噪声、强波动数据，并通过混合模型提升预测稳定性与泛化能力。同时具备大语言模型本地化部署与调用经验，能够结合 Prompt Engineering 将结构化数据转化为可解释的分析结果。重视工程规范与可交付性，具备良好的代码组织、调试与性能优化能力，可根据需求输出稳定、可复用的技术方案。
项目经验
项目一：多模态视网膜血管图像自监督预训练方法研发
角色：项目负责人 ｜ 状态：进行中
围绕医学影像领域标注成本高、样本利用率低的问题，主导构建约19.6万张多模态视网膜影像数据集，覆盖多种成像模态与复杂血管结构特征。在此基础上，设计并实现基于 Vision Transformer 的非对称掩码自编码自监督预训练框架，用于高质量视觉表征学习。针对血管纹理细节易被忽视的问题，引入基于 LoG 边缘检测的医学先验信息，提出动态自适应掩码策略，引导模型关注关键结构区域；同时结合动态反馈机制，根据模型训练状态自适应调整掩码比例与难度，有效提升模型收敛速度与特征判别能力。项目过程中完成多种主流自监督学习框架的部署、改造与对比评测，具备完整的数据构建、模型设计、训练调优与结果分析经验。
技术关键词：PyTorch，自监督学习，Vision Transformer，DINOv3，MAE，MoCo v3，医学影像处理
项目二：虚拟资产价格预测与智能分析系统
角色：项目负责人 ｜ 状态：已完成
针对CSGO高波动虚拟资产市场的时序非平稳性与价格噪声问题，设计并实现基于 CNN-LSTM 的混合深度学习预测模型，将局部价格模式提取与长期依赖建模相结合。通过与 RNN、GRU 等基线模型进行系统对比，在测试集上取得较高拟合度与较低预测误差，验证模型在复杂金融时序场景下的稳定性与泛化能力。在系统层面，部署本地化大语言模型服务，将模型预测结果与结构化市场数据进行融合，并通过 Prompt Engineering 转化为可解释的分析文本与决策建议，构建集预测、分析与交互于一体的智能辅助系统，实现从模型到应用的完整落地。
技术关键词：PyTorch，CNN-LSTM，时序预测，大语言模型部署，Prompt Engineering，后端与前端系统集成
角色：项目负责人 ｜ 状态：进行中
围绕医学影像领域标注成本高、样本利用率低的问题，主导构建约19.6万张多模态视网膜影像数据集，覆盖多种成像模态与复杂血管结构特征。在此基础上，设计并实现基于 Vision Transformer 的非对称掩码自编码自监督预训练框架，用于高质量视觉表征学习。针对血管纹理细节易被忽视的问题，引入基于 LoG 边缘检测的医学先验信息，提出动态自适应掩码策略，引导模型关注关键结构区域；同时结合动态反馈机制，根据模型训练状态自适应调整掩码比例与难度，有效提升模型收敛速度与特征判别能力。项目过程中完成多种主流自监督学习框架的部署、改造与对比评测，具备完整的数据构建、模型设计、训练调优与结果分析经验。
技术关键词：PyTorch，自监督学习，Vision Transformer，DINOv3，MAE，MoCo v3，医学影像处理
项目二：虚拟资产价格预测与智能分析系统
角色：项目负责人 ｜ 状态：已完成
针对CSGO高波动虚拟资产市场的时序非平稳性与价格噪声问题，设计并实现基于 CNN-LSTM 的混合深度学习预测模型，将局部价格模式提取与长期依赖建模相结合。通过与 RNN、GRU 等基线模型进行系统对比，在测试集上取得较高拟合度与较低预测误差，验证模型在复杂金融时序场景下的稳定性与泛化能力。在系统层面，部署本地化大语言模型服务，将模型预测结果与结构化市场数据进行融合，并通过 Prompt Engineering 转化为可解释的分析文本与决策建议，构建集预测、分析与交互于一体的智能辅助系统，实现从模型到应用的完整落地。
技术关键词：PyTorch，CNN-LSTM，时序预测，大语言模型部署，Prompt Engineering，后端与前端系统集成
grimmmm
学生,价格可谈 · 1年经验 · 南方科技大学
0
累计接单
0
用户评价
2
被收藏
信用行为
0
接单数
0
评价数
2
收藏数
技术能力
具备系统性的深度学习与机器学习工程能力，能够独立完成从数据整理、特征工程、模型设计、训练调优到结果分析与交付部署的完整流程。熟练使用 Python 与 PyTorch 进行模型开发，具备 Vision Transformer、CNN、LSTM 等多类模型的实际应用经验，能够根据业务场景选择并改造合适的网络结构。在计算机视觉方向，具备图像分类、目标检测及复杂纹理特征建模经验，熟悉自监督学习方法在小样本或弱监督场景下的应用。在时序预测与数据建模方面，能够处理高噪声、强波动数据，并通过混合模型提升预测稳定性与泛化能力。同时具备大语言模型本地化部署与调用经验，能够结合 Prompt Engineering 将结构化数据转化为可解释的分析结果。重视工程规范与可交付性，具备良好的代码组织、调试与性能优化能力，可根据需求输出稳定、可复用的技术方案。
项目经验
项目一：多模态视网膜血管图像自监督预训练方法研发
角色：项目负责人 ｜ 状态：进行中
围绕医学影像领域标注成本高、样本利用率低的问题，主导构建约19.6万张多模态视网膜影像数据集，覆盖多种成像模态与复杂血管结构特征。在此基础上，设计并实现基于 Vision Transformer 的非对称掩码自编码自监督预训练框架，用于高质量视觉表征学习。针对血管纹理细节易被忽视的问题，引入基于 LoG 边缘检测的医学先验信息，提出动态自适应掩码策略，引导模型关注关键结构区域；同时结合动态反馈机制，根据模型训练状态自适应调整掩码比例与难度，有效提升模型收敛速度与特征判别能力。项目过程中完成多种主流自监督学习框架的部署、改造与对比评测，具备完整的数据构建、模型设计、训练调优与结果分析经验。
技术关键词：PyTorch，自监督学习，Vision Transformer，DINOv3，MAE，MoCo v3，医学影像处理
项目二：虚拟资产价格预测与智能分析系统
角色：项目负责人 ｜ 状态：已完成
针对CSGO高波动虚拟资产市场的时序非平稳性与价格噪声问题，设计并实现基于 CNN-LSTM 的混合深度学习预测模型，将局部价格模式提取与长期依赖建模相结合。通过与 RNN、GRU 等基线模型进行系统对比，在测试集上取得较高拟合度与较低预测误差，验证模型在复杂金融时序场景下的稳定性与泛化能力。在系统层面，部署本地化大语言模型服务，将模型预测结果与结构化市场数据进行融合，并通过 Prompt Engineering 转化为可解释的分析文本与决策建议，构建集预测、分析与交互于一体的智能辅助系统，实现从模型到应用的完整落地。
技术关键词：PyTorch，CNN-LSTM，时序预测，大语言模型部署，Prompt Engineering，后端与前端系统集成
角色：项目负责人 ｜ 状态：进行中
围绕医学影像领域标注成本高、样本利用率低的问题，主导构建约19.6万张多模态视网膜影像数据集，覆盖多种成像模态与复杂血管结构特征。在此基础上，设计并实现基于 Vision Transformer 的非对称掩码自编码自监督预训练框架，用于高质量视觉表征学习。针对血管纹理细节易被忽视的问题，引入基于 LoG 边缘检测的医学先验信息，提出动态自适应掩码策略，引导模型关注关键结构区域；同时结合动态反馈机制，根据模型训练状态自适应调整掩码比例与难度，有效提升模型收敛速度与特征判别能力。项目过程中完成多种主流自监督学习框架的部署、改造与对比评测，具备完整的数据构建、模型设计、训练调优与结果分析经验。
技术关键词：PyTorch，自监督学习，Vision Transformer，DINOv3，MAE，MoCo v3，医学影像处理
项目二：虚拟资产价格预测与智能分析系统
角色：项目负责人 ｜ 状态：已完成
针对CSGO高波动虚拟资产市场的时序非平稳性与价格噪声问题，设计并实现基于 CNN-LSTM 的混合深度学习预测模型，将局部价格模式提取与长期依赖建模相结合。通过与 RNN、GRU 等基线模型进行系统对比，在测试集上取得较高拟合度与较低预测误差，验证模型在复杂金融时序场景下的稳定性与泛化能力。在系统层面，部署本地化大语言模型服务，将模型预测结果与结构化市场数据进行融合，并通过 Prompt Engineering 转化为可解释的分析文本与决策建议，构建集预测、分析与交互于一体的智能辅助系统，实现从模型到应用的完整落地。
技术关键词：PyTorch，CNN-LSTM，时序预测，大语言模型部署，Prompt Engineering，后端与前端系统集成
案例展示
CSGO 饰品价格预测平台
CSGO.AI：虚拟资产价格预测与智能分析平台 来源： 新加坡国⽴⼤学 (NUS) SoC Summer Workshop 2025 项⽬说明： 针对 CS2 饰品市场的⾼波动性，设计并训练了基于 CNN-LSTM 的混合神经⽹络 模型。对⽐ RNN/GRU 模型，通过
多影像模态眼底图像血管分割系统
多影像模态眼底图像血管分割系统 眼底血管分割与定量分析系统：前端 Vue 3 + Vite 单页应用，支持图片拖拽/上传、模态切换（CFP/OCTA）、低质量增强模式、历史记录管理和分割结果可视化（原图/掩膜/叠加）。 后端 Spring Boot REST 网关（/ap
立即沟通
