Lumos
无
全套流程 · 3年经验
日薪：
￥500/8h
地点：
其他
时间：
可工作日远程
信用行为
0
接单数
0
评价数
1
收藏数
技术能力
Python 全栈开发，主攻教育数据挖掘与智能评测方向。熟悉 PyTorch 深度学习建模（认知诊断、知识追踪、图注意力网络），FastAPI 后端服务开发，原生 HTML + ECharts 数据可视化。熟悉知识图谱构建与图算法（DAG 拓扑排序、前置依赖闭包、根因溯源），以及基于 IRT 模型的真实感考试数据生成。熟悉自动批改流水线设计：客观题确定性规则判分、编程题静态代码分析、LLM（OpenAI 兼容接口，可对接 DeepSeek / 通义）主观题语义评分与一致性校准。熟悉 Pandas/NumPy 数据处理、pytest 单元测试、CSV/Excel 多格式数据导入。擅长解决 "答题数据 → 知识点掌握度诊断 → 可视化学情报告 → 个性化学习路径" 这一类教育智能化问题。
项目经验
项目背景：高校 C 语言课程考后，教师人工批改与学情分析耗时长，且学生 "表面薄弱点" 背后的真正根因难以定位。
我的职责：独立完成全栈设计与实现 —— 构建 65 个知识点、121 条前置依赖的 C 语言知识图谱；设计并训练基于知识点关联注意力与学生条件门控的认知诊断模型；开发覆盖客观题 / 编程题 / 简答题的自动批改流水线（55 项评分维度绑定知识点）；实现 FastAPI 后端与 ECharts 可视化前端；沿前置依赖 DAG 反向溯源最上游薄弱根因，生成拓扑有序的个性化学习路径。
结果产出：内置 75,600 条真实感答题数据（252 学生 × 300 题），模型在真实数据集上 AUC 0.886、准确率 82.0%、RMSE 0.348；主观题 LLM 评分与教师评分 Pearson 相关系数 0.9665、平均绝对误差 0.086；客观题判分准确率 100%；32 个 pytest 用例保障质量，支持动态增删知识点并自动重建模型。
我的职责：独立完成全栈设计与实现 —— 构建 65 个知识点、121 条前置依赖的 C 语言知识图谱；设计并训练基于知识点关联注意力与学生条件门控的认知诊断模型；开发覆盖客观题 / 编程题 / 简答题的自动批改流水线（55 项评分维度绑定知识点）；实现 FastAPI 后端与 ECharts 可视化前端；沿前置依赖 DAG 反向溯源最上游薄弱根因，生成拓扑有序的个性化学习路径。
结果产出：内置 75,600 条真实感答题数据（252 学生 × 300 题），模型在真实数据集上 AUC 0.886、准确率 82.0%、RMSE 0.348；主观题 LLM 评分与教师评分 Pearson 相关系数 0.9665、平均绝对误差 0.086；客观题判分准确率 100%；32 个 pytest 用例保障质量，支持动态增删知识点并自动重建模型。
Lumos
无 · 3年经验 · 全套流程
0
累计接单
0
用户评价
1
被收藏
信用行为
0
接单数
0
评价数
1
收藏数
技术能力
Python 全栈开发，主攻教育数据挖掘与智能评测方向。熟悉 PyTorch 深度学习建模（认知诊断、知识追踪、图注意力网络），FastAPI 后端服务开发，原生 HTML + ECharts 数据可视化。熟悉知识图谱构建与图算法（DAG 拓扑排序、前置依赖闭包、根因溯源），以及基于 IRT 模型的真实感考试数据生成。熟悉自动批改流水线设计：客观题确定性规则判分、编程题静态代码分析、LLM（OpenAI 兼容接口，可对接 DeepSeek / 通义）主观题语义评分与一致性校准。熟悉 Pandas/NumPy 数据处理、pytest 单元测试、CSV/Excel 多格式数据导入。擅长解决 "答题数据 → 知识点掌握度诊断 → 可视化学情报告 → 个性化学习路径" 这一类教育智能化问题。
项目经验
项目背景：高校 C 语言课程考后，教师人工批改与学情分析耗时长，且学生 "表面薄弱点" 背后的真正根因难以定位。
我的职责：独立完成全栈设计与实现 —— 构建 65 个知识点、121 条前置依赖的 C 语言知识图谱；设计并训练基于知识点关联注意力与学生条件门控的认知诊断模型；开发覆盖客观题 / 编程题 / 简答题的自动批改流水线（55 项评分维度绑定知识点）；实现 FastAPI 后端与 ECharts 可视化前端；沿前置依赖 DAG 反向溯源最上游薄弱根因，生成拓扑有序的个性化学习路径。
结果产出：内置 75,600 条真实感答题数据（252 学生 × 300 题），模型在真实数据集上 AUC 0.886、准确率 82.0%、RMSE 0.348；主观题 LLM 评分与教师评分 Pearson 相关系数 0.9665、平均绝对误差 0.086；客观题判分准确率 100%；32 个 pytest 用例保障质量，支持动态增删知识点并自动重建模型。
我的职责：独立完成全栈设计与实现 —— 构建 65 个知识点、121 条前置依赖的 C 语言知识图谱；设计并训练基于知识点关联注意力与学生条件门控的认知诊断模型；开发覆盖客观题 / 编程题 / 简答题的自动批改流水线（55 项评分维度绑定知识点）；实现 FastAPI 后端与 ECharts 可视化前端；沿前置依赖 DAG 反向溯源最上游薄弱根因，生成拓扑有序的个性化学习路径。
结果产出：内置 75,600 条真实感答题数据（252 学生 × 300 题），模型在真实数据集上 AUC 0.886、准确率 82.0%、RMSE 0.348；主观题 LLM 评分与教师评分 Pearson 相关系数 0.9665、平均绝对误差 0.086；客观题判分准确率 100%；32 个 pytest 用例保障质量，支持动态增删知识点并自动重建模型。
立即沟通
