在校期间，系统学习了计算机科学与技术的核心课程，包括数据结构、算法分析、操作系统、计算机网络等。通过理论学习与实践操作相结合，培养了扎实的专业基础和解决问题的能力。参与了多项科研项目，如基于深度学习的图像识别算法研究，锻炼了科研思维和团队协作能力。

在公司负责深度学习架构的设计与优化，带领团队完成多个核心项目。

• 主导搭建了公司的深度学习平台，集成了主流深度学习框架（如TensorFlow、PyTorch），支持多种模型训练与推理任务，平台上线后，模型训练效率提升了40%，推理速度提高了30%。
• 负责深度学习算法的优化与创新，针对图像分类任务，提出了一种改进的卷积神经网络架构，在公开数据集上准确率提升了5%，并成功应用于公司的产品中，使产品的图像识别准确率达到行业领先水平。
• 与业务团队紧密合作，理解业务需求，将深度学习技术应用于实际业务场景，如智能客服系统中的意图识别模块，通过引入深度学习模型，意图识别准确率从75%提升至90%，显著提高了客服系统的效率和用户满意度。

在公司主要从事深度学习算法的研发与应用工作。

• 参与了自然语言处理领域的多个项目，如文本分类、情感分析等。针对文本分类任务，采用预训练语言模型（如BERT）进行微调，在公司内部数据集上准确率达到92%，相比传统机器学习方法提升了15%。
• 负责深度学习模型的部署与优化，将训练好的模型部署到生产环境中，通过模型压缩、量化等技术，使模型在移动端的推理速度提高了2倍，内存占用降低了50%，满足了产品的实时性要求。
• 与团队成员共同研究前沿深度学习技术，如强化学习、生成对抗网络等，并尝试将其应用于公司的业务场景中，为公司的技术储备和业务创新提供了有力支持。

该项目是一个基于深度学习的智能推荐系统，旨在为用户提供个性化的商品推荐服务。

• 负责深度学习模型的设计与开发，采用深度神经网络（DNN）和协同过滤算法相结合的方法，构建了推荐模型。通过对用户行为数据（如点击、购买、收藏等）的分析和建模，提高了推荐的准确性和个性化程度。
• 参与数据预处理和特征工程工作，对原始数据进行清洗、转换和特征提取，构建了高质量的特征数据集。通过特征选择和组合，提高了模型的训练效率和预测性能。
• 负责模型的训练和优化，采用分布式训练框架（如Horovod）进行大规模数据训练，通过调整模型参数、优化训练策略等方法，使模型在验证集上的准确率提高了8%，召回率提高了10%。
• 参与系统的部署和上线工作，将训练好的模型部署到生产环境中，通过实时数据更新和模型在线学习，保证了推荐系统的实时性和准确性。项目上线后，用户点击率提高了20%，转化率提高了15%，为公司带来了显著的经济效益。

这是一个基于深度学习的图像识别项目，主要用于识别工业产品中的缺陷。

• 负责深度学习模型的选型和优化，对比了多种卷积神经网络架构（如ResNet、Inception），最终选择了ResNet50作为基础模型，并通过迁移学习和微调技术，使其在工业产品缺陷识别任务上取得了较好的效果。
• 参与数据集的构建和标注工作，收集了大量工业产品的图像数据，并进行了人工标注。通过数据增强技术（如旋转、翻转、缩放等），扩充了数据集的规模，提高了模型的泛化能力。
• 负责模型的训练和评估，采用交叉验证方法对模型进行训练和评估，通过调整模型参数、优化损失函数等方法，使模型在测试集上的准确率达到95%，召回率达到90%。
• 参与系统的集成和测试工作，将训练好的模型集成到工业检测系统中，通过与硬件设备的对接和调试，实现了对工业产品缺陷的实时检测和报警。项目应用后，工业产品的缺陷检测准确率提高了30%，检测效率提高了50%，为企业降低了生产成本，提高了产品质量。