猿急送>

成都Python兼职程序员

ID：411935

Lucas minghan_名涵

高级算法工程师

公司信息：
字节

工作经验：
3年

兼职日薪：
600元/8小时

兼职时间：
下班后
周六
周日

所在区域：
成都
高新

技术能力

1. 编程语言与开发工具
编程语言：Python 3.8+（精通）
开发工具：VS Code, PyCharm, Git
2. 深度学习与机器学习
框架与库：TensorFlow 2.8+, PyTorch 1.12+, Keras
常用算法：Transformer（BERT, GPT），RNN, LSTM, CNN, ResNet, SVM, 逻辑回归, XGBoost, LightGBM, 随机森林
应用领域：目标检测（YOLO, Faster R-CNN）、图像分类、特征提取、语音信号处理（MFCC）、NLP
3. 数据处理与分析
工具：Pandas, NumPy, SQL（精通）, Scikit-learn 1.1+, Matplotlib, Seaborn
特征工程与优化：特征选择与降维（POD降维）、模型压缩、知识蒸馏
4. 数值优化与仿真
数值计算：CAE仿真、数值优化（梯度下降、Adam优化器）
5. 计算机视觉与音频处理
计算机视觉：OpenCV、图像预处理与频谱分析
音频处理：MFCC特征提取、频谱分析
6. 高级算法与前沿研究
前沿算法：Kolmogorov-Arnold Network (KAN), 深度强化学习, 生成对抗网络（GAN）

项目经验

视频博主的流量分析结合AI数据分析应用
结合短视频博主在流量分析和内容优化方面的需求，我开发了一套基于大数据平台（Hadoop、Spark）和AI技术的数据分析系统，支持多维度数据分析和实时优化。
用户画像与需求分析：使用Spark进行海量用户数据的处理与分析，构建精准的用户画像，识别不同区域、年龄段、兴趣群体的需求，为后续内容优化提供数据支持。
AI驱动的内容优化建议：基于自然语言处理（NLP）和机器学习算法，分析平台上的成功视频内容，从中提取有效的剪辑风格、脚本结构等元素，为博主提供个性化的内容优化建议，提升视频吸引力和用户参与度。
投流策略优化：根据用户画像和内容分析结果，设计个性化的流量投放策略，运用Apache Kafka进行实时数据传输，动态调整投流策略，提升视频曝光率和点击率。
多维度数据监控：基于大数据看板（Power BI），实时监控博主内容数据、行业趋势、平台流量等多个维度的表现，并通过数据可视化手段提供易于理解的业务洞察。
基于深度学习的心脏病实时诊断系统
项目概述:
构建了一个端到端的心脏病音频分析与诊断系统,结合深度学习模型和分布式计算实现高精度,低延迟的心脏病风阶预测。
技术实现:
音频预处理管道:使用Spark Streaming构建实时音频处理流水线,实现心音信号的梅尔频谱特征
(MFCC)提取,通过自适应滤波算法消除环境噪声,提升特征质量
特征工程与存储:基于Hadoop HDFS设计分层数据湖架构,实现PB级医疗音频数据的高效存储与快速检索,使用Delta Lake确保数据版本控制与ACID事务支持
深度学习模型:设计了基于ResNet+Bil STM的混合神经网络模型,捕捉心音的时频特征,同时集成医学专家知识图谱增强诊断准确性,模型在1D-CNN和频谱分析间实现多模态特征融合
分布式训练:应用Horoyod在Spark集群上实现模型的分布式训练,通过梯度压缩和优化通信策略,训练速
度提升3.5倍
实时推理系统:使用TensorRT进行模型量化和推理优化,构建低延迟的推理服务,通过Kafka消息队列实现
实时诊断结果的推送,平均响应时间<100ms
DeyOps实践:基于Kubernetes构建容器化部署方案,使用lstio实现服务网格与流量控制,通过Prometheus和Grafana监控系统性能与资源利用率
业绩与影响:
系统诊断准确率达到88.5%,超过传统听诊方法15个百分点,降低了漏诊率
通过模型蒸馋技术,将模型大小压缩85%,实现边缘设备部署,支持医生移动终端使用设计的数据湖架构使数据查询速度提升7倍,支持医院研究人员高效分析病例数据系统已在3家三甲医院试点应用,每月辅助诊断超过5000例心脏病患
降阶3d物理模型训练系统
算法突破：首次将Kolmogorov-Arnold Network应用于CAE仿真降阶，突破传统神经网络表达能力限制
多模型融合：集成RBF、Kriging、DNN、KAN四种算法，构建ensemble预测框架，根据数据特征智能选择最优模型
POD降维优化：实现本征正交分解(POD)技术，通过能量阈值控制降维，保持99%+能量的同时将维度压缩至原来的5%
数据处理pipeline：支持VTU格式解析(Fluent/Comsol/Mechanical)，自动化数据清洗、归一化处理
分布式训练：设计异步训练框架，支持多GPU并行，训练效率提升12倍
微服务部署：RESTful API + Docker容器化，支持水平扩展，平均推理延迟<50ms
《ai上下文可视化管理，业务系统决策本体》

案例展示

数智本体

针对大规模预训练模型在复杂业务场景中存在的语义漂移、上下文失配与推理路径不可控等核心问题，从认知建模与知识表示角度引入本体（Ontology）驱动的类知识图谱建模方法。通过对业务领域概念、实体、属性及多层级关系进行形式化定义，构建统一的语义空间，实现业务知识的结构化表示与约束
模型仿真

算法突破：首次将Kolmogorov-Arnold Network应用于CAE仿真降阶，突破传统神经网络表达能力限制多模型融合：集成RBF、Kriging、DNN、KAN四种算法，构建ensemble预测框架，根据数据特征智能选择最优模型 POD降维优化：实现本征正交分解(