在研究生期间，系统学习了深度学习相关理论知识，包括神经网络架构、优化算法等。通过课程项目实践，掌握了深度学习模型的搭建与训练方法。积极参与学术研讨，发表了一篇关于深度学习在图像识别领域应用的论文，提升了科研能力与学术素养。

• 负责公司深度学习算法的研发与优化，针对图像分类任务，优化了ResNet模型，将准确率从85%提升至92%，在实际业务场景中使图像分类效率提高了30%。
• 参与自然语言处理项目，利用Transformer架构开发文本生成模型，为公司客服系统生成智能回复，使客服响应速度提升了40%，客户满意度提高了25%。
• 带领团队进行深度学习模型的部署工作，成功将多个模型部署到公司的服务器集群，支持了每天百万级的数据处理量，保障了线上服务的稳定运行。

• 主导了公司推荐系统的深度学习升级项目，引入DeepFM模型，结合用户行为数据与物品特征，使推荐准确率提升了20%，用户点击率提高了15%，为公司带来了显著的业务增长。
• 优化了目标检测算法，将YOLOv5模型应用于安防监控场景，检测速度提升了25%，误检率降低了10%，成功部署到多个安防项目中，保障了项目的顺利交付。
• 与产品团队紧密合作，根据业务需求设计深度学习解决方案，为公司开拓了新的业务领域，如智能医疗影像分析，推动了公司业务的多元化发展。

• 该项目为图像识别项目，主要应用于电商平台的商品分类。作为核心成员，负责数据预处理、模型选择与优化。
• 对海量商品图像数据进行清洗、标注，构建高质量数据集。采用迁移学习技术，在ResNet50基础上进行微调，针对电商商品特点优化模型结构。
• 经过多轮训练与验证，模型在测试集上准确率达到95%，上线后使商品分类效率提升了40%，减少了人工标注成本，提高了平台运营效率。

• 参与的自然语言处理项目是智能客服问答系统。负责深度学习模型的训练与优化。
• 收集大量客服对话数据，进行数据增强与预处理。采用BERT模型进行微调，结合意图识别与实体提取技术，构建多轮对话模型。
• 通过优化训练策略与参数调整，模型在意图识别准确率达到93%，实体提取准确率达到90%，上线后使客服系统自动回复率提升了35%，降低了人工客服压力。