今天是桃李芬芳
AI agent工程师
深圳市神州云海智能科技有限公司 · 1年经验
日薪：
￥500/8h
地点：
郑州 全区
时间：
下班后周六周日可工作日远程
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
新南威尔士大学（QS前30）计算机科学学士、人工智能硕士。具备扎实的计算机理论基础、机器学习算法功底与运筹学（OR）背景。
算法与建模：熟悉经典机器学习算法，擅长将复杂的实际业务问题抽象为数学模型。熟练运用启发式算法、遗传算法、混合整数线性规划（MILP）解决多约束条件下的资源分配、调度优化、物流路径规划（VRP）等经典运筹优化问题。
数据与开发：熟练掌握 Python 数据科学及算法生态（Pandas, NumPy, Scikit-learn 等），具备出色的关系型数据库（SQL）数据清洗、分析与特征工程能力。
工程落地：具备离线AI决策工具与本地化算法模块的独立开发经验，能够将“数据分析-算法建模-系统决策”全链路打通，为业务效率提升提供数据驱动的科学优化建议。
算法与建模：熟悉经典机器学习算法，擅长将复杂的实际业务问题抽象为数学模型。熟练运用启发式算法、遗传算法、混合整数线性规划（MILP）解决多约束条件下的资源分配、调度优化、物流路径规划（VRP）等经典运筹优化问题。
数据与开发：熟练掌握 Python 数据科学及算法生态（Pandas, NumPy, Scikit-learn 等），具备出色的关系型数据库（SQL）数据清洗、分析与特征工程能力。
工程落地：具备离线AI决策工具与本地化算法模块的独立开发经验，能够将“数据分析-算法建模-系统决策”全链路打通，为业务效率提升提供数据驱动的科学优化建议。
项目经验
多模态混合推荐系统（服装推荐场景）
项目概述：
面向无明确购买意图的浏览用户，设计并实现了一套结合内容、规则与协同过滤的混合推荐系统。系统利用多模态特征（图像与文本）进行候选集生成，通过多策略融合提升了推荐的准确性与多样性。
核心技术栈：
多模态特征提取： 使用 DINO v2 (Vision Transformer) 提取商品图像特征，利用 GloVe 提取商品文本属性特征，实现商品表征向量化。
召回与推荐算法：
基于内容： 基于欧氏距离计算多模态向量相似度，实现“相似商品推荐”。
协同过滤： 采用 ALS（交替最小二乘法） 进行矩阵分解捕获潜在兴趣；利用 Item2Vec 学习商品序列的上下文关联。
基于规则： 根据用户画像（年龄、地域）进行流行度分桶推荐，并构建共购矩阵进行关联商品推荐。
重排与集成： 采用基于排序得分的多路召回集成机制（Ensemble），产出最终推荐列表。
项目概述：
面向无明确购买意图的浏览用户，设计并实现了一套结合内容、规则与协同过滤的混合推荐系统。系统利用多模态特征（图像与文本）进行候选集生成，通过多策略融合提升了推荐的准确性与多样性。
核心技术栈：
多模态特征提取： 使用 DINO v2 (Vision Transformer) 提取商品图像特征，利用 GloVe 提取商品文本属性特征，实现商品表征向量化。
召回与推荐算法：
基于内容： 基于欧氏距离计算多模态向量相似度，实现“相似商品推荐”。
协同过滤： 采用 ALS（交替最小二乘法） 进行矩阵分解捕获潜在兴趣；利用 Item2Vec 学习商品序列的上下文关联。
基于规则： 根据用户画像（年龄、地域）进行流行度分桶推荐，并构建共购矩阵进行关联商品推荐。
重排与集成： 采用基于排序得分的多路召回集成机制（Ensemble），产出最终推荐列表。
今天是桃李芬芳
AI agent工程师 · 1年经验 · 深圳市神州云海智能科技有限公司
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
新南威尔士大学（QS前30）计算机科学学士、人工智能硕士。具备扎实的计算机理论基础、机器学习算法功底与运筹学（OR）背景。
算法与建模：熟悉经典机器学习算法，擅长将复杂的实际业务问题抽象为数学模型。熟练运用启发式算法、遗传算法、混合整数线性规划（MILP）解决多约束条件下的资源分配、调度优化、物流路径规划（VRP）等经典运筹优化问题。
数据与开发：熟练掌握 Python 数据科学及算法生态（Pandas, NumPy, Scikit-learn 等），具备出色的关系型数据库（SQL）数据清洗、分析与特征工程能力。
工程落地：具备离线AI决策工具与本地化算法模块的独立开发经验，能够将“数据分析-算法建模-系统决策”全链路打通，为业务效率提升提供数据驱动的科学优化建议。
算法与建模：熟悉经典机器学习算法，擅长将复杂的实际业务问题抽象为数学模型。熟练运用启发式算法、遗传算法、混合整数线性规划（MILP）解决多约束条件下的资源分配、调度优化、物流路径规划（VRP）等经典运筹优化问题。
数据与开发：熟练掌握 Python 数据科学及算法生态（Pandas, NumPy, Scikit-learn 等），具备出色的关系型数据库（SQL）数据清洗、分析与特征工程能力。
工程落地：具备离线AI决策工具与本地化算法模块的独立开发经验，能够将“数据分析-算法建模-系统决策”全链路打通，为业务效率提升提供数据驱动的科学优化建议。
项目经验
多模态混合推荐系统（服装推荐场景）
项目概述：
面向无明确购买意图的浏览用户，设计并实现了一套结合内容、规则与协同过滤的混合推荐系统。系统利用多模态特征（图像与文本）进行候选集生成，通过多策略融合提升了推荐的准确性与多样性。
核心技术栈：
多模态特征提取： 使用 DINO v2 (Vision Transformer) 提取商品图像特征，利用 GloVe 提取商品文本属性特征，实现商品表征向量化。
召回与推荐算法：
基于内容： 基于欧氏距离计算多模态向量相似度，实现“相似商品推荐”。
协同过滤： 采用 ALS（交替最小二乘法） 进行矩阵分解捕获潜在兴趣；利用 Item2Vec 学习商品序列的上下文关联。
基于规则： 根据用户画像（年龄、地域）进行流行度分桶推荐，并构建共购矩阵进行关联商品推荐。
重排与集成： 采用基于排序得分的多路召回集成机制（Ensemble），产出最终推荐列表。
项目概述：
面向无明确购买意图的浏览用户，设计并实现了一套结合内容、规则与协同过滤的混合推荐系统。系统利用多模态特征（图像与文本）进行候选集生成，通过多策略融合提升了推荐的准确性与多样性。
核心技术栈：
多模态特征提取： 使用 DINO v2 (Vision Transformer) 提取商品图像特征，利用 GloVe 提取商品文本属性特征，实现商品表征向量化。
召回与推荐算法：
基于内容： 基于欧氏距离计算多模态向量相似度，实现“相似商品推荐”。
协同过滤： 采用 ALS（交替最小二乘法） 进行矩阵分解捕获潜在兴趣；利用 Item2Vec 学习商品序列的上下文关联。
基于规则： 根据用户画像（年龄、地域）进行流行度分桶推荐，并构建共购矩阵进行关联商品推荐。
重排与集成： 采用基于排序得分的多路召回集成机制（Ensemble），产出最终推荐列表。
案例展示
服装推荐系统
多模态混合推荐系统 面向无明确购买意图的浏览用户，设计并实现了一套结合内容、规则与协同过滤的混合推荐系统。系统利用多模态特征（图像与文本）进行候选集生成，通过多策略融合提升了推荐的准确性与多样性。 核心技术栈： 多模态特征提取： 使用 DINO v2 (Vision Tra
砖厂PLC监控控制模拟项目
本项目在技术架构上采用了典型的“端-边-云”物联网（IoT）与数字孪生（Digital Twin）设计模式。不局限于具体的业务场景，其背后的通用技术细节主要体现在以下几个方面： 基于 MQTT 的低延迟通信架构： 系统采用 MQTT 协议作为核心消息总线，利用发布/订阅（Pu
砖厂PLC监控控制模拟项目
本项目在技术架构上采用了典型的“端-边-云”物联网（IoT）与数字孪生（Digital Twin）设计模式。不局限于具体的业务场景，其背后的通用技术细节主要体现在以下几个方面： 基于 MQTT 的低延迟通信架构： 系统采用 MQTT 协议作为核心消息总线，利用发布/订阅（Pu
立即沟通
