数学专业本科大四在读
邮电大学 · 1年经验
日薪：
￥500/8h
地点：
其他 全区
时间：
周六周日
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
大语言模型（LLM）工程化部署与微调：深入理解大模型架构，具备独立完成 RAG（检索增强生成）系统从0到1开发落地的能力，曾主导开发过结合本地向量知识库的垂直领域智能助手。熟练掌握大模型微调技术，能够运用 LLaMA Factory 框架和 LoRA 技术对开源大模型进行垂直场景的指令微调与优化。
深度学习（NLP/CV）与基础算法：拥有扎实的数据结构与算法功底，长期保持算法刷题习惯以锤炼代码的严密性与对时间复杂度的把控。熟悉掌握主流的深度学习网络架构（如 CNN、RNN、Bi-LSTM、Transformer、BERT 等）。具备处理垂直行业长文本、小样本语料的数据增强及情感分类模型训练，以及图像分类架构对比的实战经验。
运筹规划与智能优化算法：具备良好的数学建模与数值实验分析能力。熟悉线性规划（LP）等传统运筹学方法，能够对多约束条件下的资源调度与分配问题进行数学抽象与求解。同时，对各类启发式算法、智能优化算法及相关的路径搜索/规划算法（如底层搜索策略、RRT及改进算法等）有清晰的理论认知与代码实现经验，能够在复杂的搜索空间中寻找兼顾效率与精度的最优解。
后端开发与数据处理：具备全链路开发思维，熟练使用 Python 进行数据爬取、清洗与分析。能够熟练运用 Flask 框架搭建后端服务与 API 接口，并配合前端完成数据可视化网站的部署与上线，独立走通数据获取到页面展示的完整闭环。
深度学习（NLP/CV）与基础算法：拥有扎实的数据结构与算法功底，长期保持算法刷题习惯以锤炼代码的严密性与对时间复杂度的把控。熟悉掌握主流的深度学习网络架构（如 CNN、RNN、Bi-LSTM、Transformer、BERT 等）。具备处理垂直行业长文本、小样本语料的数据增强及情感分类模型训练，以及图像分类架构对比的实战经验。
运筹规划与智能优化算法：具备良好的数学建模与数值实验分析能力。熟悉线性规划（LP）等传统运筹学方法，能够对多约束条件下的资源调度与分配问题进行数学抽象与求解。同时，对各类启发式算法、智能优化算法及相关的路径搜索/规划算法（如底层搜索策略、RRT及改进算法等）有清晰的理论认知与代码实现经验，能够在复杂的搜索空间中寻找兼顾效率与精度的最优解。
后端开发与数据处理：具备全链路开发思维，熟练使用 Python 进行数据爬取、清洗与分析。能够熟练运用 Flask 框架搭建后端服务与 API 接口，并配合前端完成数据可视化网站的部署与上线，独立走通数据获取到页面展示的完整闭环。
项目经验
基于多模型架构的真实场景图像识别与评估系统
基线模型搭建与调优：基于真实动物图像数据集（约2.6万张），从零手工搭建5层深层 CNN。通过引入 BatchNorm、L2 正则化及数据增强策略，解决模型“头重脚轻”导致的严重过拟合瓶颈，成功打通数据预处理到 TensorBoard 监控的全生命周期。
经典架构迁移学习： 引入ResNet18 预训练模型执行微调（Fine-tuning）。通过冻结特征层并修改全连接分类头，仅用极小的计算开销（5个Epoch）便将测试准确率从基线模型的80%拔高至95%以上，验证了CNN 的归纳偏置 (Inductive Bias) 在中小数据集上的优势。
前沿大模型底座对比： 完成Vision Transformer (ViT-Base) 架构的横向对比实验。针对 ViT 在训练中出现的倒V型过拟合现象（准确率回落至 89% 且算力开销激增 8 倍），从“全局注意力机制与数据依赖性”的底层原理维度进行深度复盘，确立了实际工程落地中基于算力与数据规模的模型选型标准。
基于 Bi-LSTM 与 BERT 的海量文本情感分类实践
基于 PyTorch 的 Bi-LSTM + Attention 作为基线模型（Baseline）。实现了中文字符级词表构建、序列截断与填充等数据预处理链路，验证了时序模型与注意力机制在中文情感分类上的有效性。
引入 bert-base-chinese 预训练模型进行全量数据（逾 21 万条）的下游任务微调。针对原始数据集正负样本极度不平衡的痛点优化了评估策略，最终在测试集上取得了 89.36% 的准确率（Accuracy）和 77.08% 的宏平均 F1-Score，精准识别出长尾的负面及中立评价。
独立打通了从数据清洗（Pandas）、批次化处理（DataLoader）、训练评估到模型本地化保存的完整 NLP 流水线。并以此为基础封装了轻量级的交互式推理脚本，实现了从任意相关文本输入到情感标签及置信度输出的实时预测。
基线模型搭建与调优：基于真实动物图像数据集（约2.6万张），从零手工搭建5层深层 CNN。通过引入 BatchNorm、L2 正则化及数据增强策略，解决模型“头重脚轻”导致的严重过拟合瓶颈，成功打通数据预处理到 TensorBoard 监控的全生命周期。
经典架构迁移学习： 引入ResNet18 预训练模型执行微调（Fine-tuning）。通过冻结特征层并修改全连接分类头，仅用极小的计算开销（5个Epoch）便将测试准确率从基线模型的80%拔高至95%以上，验证了CNN 的归纳偏置 (Inductive Bias) 在中小数据集上的优势。
前沿大模型底座对比： 完成Vision Transformer (ViT-Base) 架构的横向对比实验。针对 ViT 在训练中出现的倒V型过拟合现象（准确率回落至 89% 且算力开销激增 8 倍），从“全局注意力机制与数据依赖性”的底层原理维度进行深度复盘，确立了实际工程落地中基于算力与数据规模的模型选型标准。
基于 Bi-LSTM 与 BERT 的海量文本情感分类实践
基于 PyTorch 的 Bi-LSTM + Attention 作为基线模型（Baseline）。实现了中文字符级词表构建、序列截断与填充等数据预处理链路，验证了时序模型与注意力机制在中文情感分类上的有效性。
引入 bert-base-chinese 预训练模型进行全量数据（逾 21 万条）的下游任务微调。针对原始数据集正负样本极度不平衡的痛点优化了评估策略，最终在测试集上取得了 89.36% 的准确率（Accuracy）和 77.08% 的宏平均 F1-Score，精准识别出长尾的负面及中立评价。
独立打通了从数据清洗（Pandas）、批次化处理（DataLoader）、训练评估到模型本地化保存的完整 NLP 流水线。并以此为基础封装了轻量级的交互式推理脚本，实现了从任意相关文本输入到情感标签及置信度输出的实时预测。
ID:418881
复制
数学专业本科大四在读 · 1年经验 · 邮电大学
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
大语言模型（LLM）工程化部署与微调：深入理解大模型架构，具备独立完成 RAG（检索增强生成）系统从0到1开发落地的能力，曾主导开发过结合本地向量知识库的垂直领域智能助手。熟练掌握大模型微调技术，能够运用 LLaMA Factory 框架和 LoRA 技术对开源大模型进行垂直场景的指令微调与优化。
深度学习（NLP/CV）与基础算法：拥有扎实的数据结构与算法功底，长期保持算法刷题习惯以锤炼代码的严密性与对时间复杂度的把控。熟悉掌握主流的深度学习网络架构（如 CNN、RNN、Bi-LSTM、Transformer、BERT 等）。具备处理垂直行业长文本、小样本语料的数据增强及情感分类模型训练，以及图像分类架构对比的实战经验。
运筹规划与智能优化算法：具备良好的数学建模与数值实验分析能力。熟悉线性规划（LP）等传统运筹学方法，能够对多约束条件下的资源调度与分配问题进行数学抽象与求解。同时，对各类启发式算法、智能优化算法及相关的路径搜索/规划算法（如底层搜索策略、RRT及改进算法等）有清晰的理论认知与代码实现经验，能够在复杂的搜索空间中寻找兼顾效率与精度的最优解。
后端开发与数据处理：具备全链路开发思维，熟练使用 Python 进行数据爬取、清洗与分析。能够熟练运用 Flask 框架搭建后端服务与 API 接口，并配合前端完成数据可视化网站的部署与上线，独立走通数据获取到页面展示的完整闭环。
深度学习（NLP/CV）与基础算法：拥有扎实的数据结构与算法功底，长期保持算法刷题习惯以锤炼代码的严密性与对时间复杂度的把控。熟悉掌握主流的深度学习网络架构（如 CNN、RNN、Bi-LSTM、Transformer、BERT 等）。具备处理垂直行业长文本、小样本语料的数据增强及情感分类模型训练，以及图像分类架构对比的实战经验。
运筹规划与智能优化算法：具备良好的数学建模与数值实验分析能力。熟悉线性规划（LP）等传统运筹学方法，能够对多约束条件下的资源调度与分配问题进行数学抽象与求解。同时，对各类启发式算法、智能优化算法及相关的路径搜索/规划算法（如底层搜索策略、RRT及改进算法等）有清晰的理论认知与代码实现经验，能够在复杂的搜索空间中寻找兼顾效率与精度的最优解。
后端开发与数据处理：具备全链路开发思维，熟练使用 Python 进行数据爬取、清洗与分析。能够熟练运用 Flask 框架搭建后端服务与 API 接口，并配合前端完成数据可视化网站的部署与上线，独立走通数据获取到页面展示的完整闭环。
项目经验
基于多模型架构的真实场景图像识别与评估系统
基线模型搭建与调优：基于真实动物图像数据集（约2.6万张），从零手工搭建5层深层 CNN。通过引入 BatchNorm、L2 正则化及数据增强策略，解决模型“头重脚轻”导致的严重过拟合瓶颈，成功打通数据预处理到 TensorBoard 监控的全生命周期。
经典架构迁移学习： 引入ResNet18 预训练模型执行微调（Fine-tuning）。通过冻结特征层并修改全连接分类头，仅用极小的计算开销（5个Epoch）便将测试准确率从基线模型的80%拔高至95%以上，验证了CNN 的归纳偏置 (Inductive Bias) 在中小数据集上的优势。
前沿大模型底座对比： 完成Vision Transformer (ViT-Base) 架构的横向对比实验。针对 ViT 在训练中出现的倒V型过拟合现象（准确率回落至 89% 且算力开销激增 8 倍），从“全局注意力机制与数据依赖性”的底层原理维度进行深度复盘，确立了实际工程落地中基于算力与数据规模的模型选型标准。
基于 Bi-LSTM 与 BERT 的海量文本情感分类实践
基于 PyTorch 的 Bi-LSTM + Attention 作为基线模型（Baseline）。实现了中文字符级词表构建、序列截断与填充等数据预处理链路，验证了时序模型与注意力机制在中文情感分类上的有效性。
引入 bert-base-chinese 预训练模型进行全量数据（逾 21 万条）的下游任务微调。针对原始数据集正负样本极度不平衡的痛点优化了评估策略，最终在测试集上取得了 89.36% 的准确率（Accuracy）和 77.08% 的宏平均 F1-Score，精准识别出长尾的负面及中立评价。
独立打通了从数据清洗（Pandas）、批次化处理（DataLoader）、训练评估到模型本地化保存的完整 NLP 流水线。并以此为基础封装了轻量级的交互式推理脚本，实现了从任意相关文本输入到情感标签及置信度输出的实时预测。
基线模型搭建与调优：基于真实动物图像数据集（约2.6万张），从零手工搭建5层深层 CNN。通过引入 BatchNorm、L2 正则化及数据增强策略，解决模型“头重脚轻”导致的严重过拟合瓶颈，成功打通数据预处理到 TensorBoard 监控的全生命周期。
经典架构迁移学习： 引入ResNet18 预训练模型执行微调（Fine-tuning）。通过冻结特征层并修改全连接分类头，仅用极小的计算开销（5个Epoch）便将测试准确率从基线模型的80%拔高至95%以上，验证了CNN 的归纳偏置 (Inductive Bias) 在中小数据集上的优势。
前沿大模型底座对比： 完成Vision Transformer (ViT-Base) 架构的横向对比实验。针对 ViT 在训练中出现的倒V型过拟合现象（准确率回落至 89% 且算力开销激增 8 倍），从“全局注意力机制与数据依赖性”的底层原理维度进行深度复盘，确立了实际工程落地中基于算力与数据规模的模型选型标准。
基于 Bi-LSTM 与 BERT 的海量文本情感分类实践
基于 PyTorch 的 Bi-LSTM + Attention 作为基线模型（Baseline）。实现了中文字符级词表构建、序列截断与填充等数据预处理链路，验证了时序模型与注意力机制在中文情感分类上的有效性。
引入 bert-base-chinese 预训练模型进行全量数据（逾 21 万条）的下游任务微调。针对原始数据集正负样本极度不平衡的痛点优化了评估策略，最终在测试集上取得了 89.36% 的准确率（Accuracy）和 77.08% 的宏平均 F1-Score，精准识别出长尾的负面及中立评价。
独立打通了从数据清洗（Pandas）、批次化处理（DataLoader）、训练评估到模型本地化保存的完整 NLP 流水线。并以此为基础封装了轻量级的交互式推理脚本，实现了从任意相关文本输入到情感标签及置信度输出的实时预测。
案例展示
基于Bi-LSTM的海量文本情感分类实
基于 PyTorch 的 Bi-LSTM + Attention 作为基线模型（Baseline）。实现了中文字符级词表构建、序列截断与填充等数据预处理链路，验证了时序模型与注意力机制在中文情感分类上的有效性。 引入 bert-base-chinese 预训练模型进行全
基于多模型架构的真实场景图像识别
基线模型搭建与调优：基于真实动物图像数据集（约2.6万张），从零手工搭建5层深层 CNN。通过引入 BatchNorm、L2 正则化及数据增强策略，解决模型“头重脚轻”导致的严重过拟合瓶颈，成功打通数据预处理到 TensorBoard 监控的全生命周期。 经典架构迁移学习： 引
立即沟通
