在校期间系统学习了机器学习、深度学习、数据结构与算法等专业课程，GPA 3.8（满分4.0）。曾参与校级机器学习创新项目，负责算法设计与优化部分，通过对经典算法的改进，使项目模型的准确率提升了10%。

• 负责公司核心推荐系统的机器学习模型研发与优化，基于深度学习框架（TensorFlow/PyTorch）构建了点击率预测模型，通过特征工程优化（新增用户行为序列特征等），使模型 AUC 指标从0.78提升至0.85，线上推荐效果提升显著，用户点击转化率提高了15%。
• 主导搭建了机器学习模型的自动化部署与监控平台，将模型部署时间从原来的3天缩短至1天，同时实现了模型性能指标（如延迟、吞吐量等）的实时监控与预警，保障了线上服务的稳定性。
• 带领3人团队开展图像识别相关的机器学习项目，针对工业质检场景，设计了基于迁移学习的目标检测模型，在测试集上 mAP 达到0.92，成功应用于某汽车零部件厂商的生产线，降低了人工质检成本30%。

• 作为技术负责人，负责公司自然语言处理方向的机器学习项目，针对智能客服场景，构建了基于预训练语言模型（BERT）的对话理解模型，通过数据增强（同义替换、回译等）和模型微调策略，使意图识别准确率从85%提升至93%，上线后客服人力成本降低25%。
• 主导构建了公司级的机器学习特征平台，整合了多源异构数据（用户画像、业务日志等），实现了特征的自动化提取、存储与管理，特征复用率提高40%，缩短了新模型开发周期30%。
• 与业务团队紧密合作，深入挖掘业务需求，设计并实施了个性化内容生成的机器学习解决方案，基于生成对抗网络（GAN）生成的文本内容，用户阅读时长提升20%，为公司带来了显著的业务增长。

• 项目背景：某电商平台为提升商品搜索的精准度与用户购物体验，开展商品图像搜索项目。
• 项目内容：作为核心成员，负责图像特征提取与匹配算法的研发。采用深度卷积神经网络（如 ResNet50）进行图像特征学习，通过 triplet loss 优化特征空间，使相似商品图像的特征距离更近。同时，设计了高效的特征索引与检索算法（如 HNSW），支持亿级图像的快速检索。
• 项目成果：在测试集上，图像搜索的平均召回率达到90%，线上应用后，商品搜索的点击率提升12%，用户购物转化率提高8%。

• 项目背景：某金融机构为防范欺诈交易，需要构建智能欺诈检测系统。
• 项目内容：主导机器学习模型的选型与开发。对比分析了多种模型（如随机森林、XGBoost、LightGBM）在欺诈交易数据上的表现，最终选择 LightGBM 模型。通过数据清洗（处理缺失值、异常值）、特征选择（基于互信息、递归特征消除等方法）和模型调参（网格搜索、贝叶斯优化），使模型在测试集上的 F1 值达到0.88。同时，设计了模型的可解释性方案（SHAP 值分析），帮助业务人员理解模型决策逻辑。
• 项目成果：系统上线后，成功拦截欺诈交易金额每月平均达500万元，误报率降低15%，显著提升了金融机构的风险防控能力。

• 在 GitHub 上开源了基于 PyTorch 的轻量级图像分类框架，获得了[X]颗星标，帮助[X]位开发者快速上手图像分类任务。
• 参与了某自然语言处理开源社区项目，贡献了文本数据增强模块代码，被社区广泛采用。