机器学习 (Machine Learning)
序列 Transformer 建模、梯度提升(CatBoost、LightGBM)、时间序列建模与预测、可解释性 AI(Attention Maps 注意力热力图)、无泄露严格验证流程。
训练模型只是第一步。我更注重将算法转化为可在实际业务中稳定运行的高效服务。
我专注于机器学习与 Python 全栈工程:构建与清洗数据集,严谨执行无数据泄露的模型训练与交叉验证,并通过 FastAPI 封装为生产就绪的微服务。
目前正在寻找 机器学习工程师(ML Engineer)、AI 开发者(AI Developer)或数据科学家(Data Scientist)方向的实习与初级(Junior)岗位。同时在推进毕业设计,并开发基于 Flutter 的跨平台移动端应用。
序列 Transformer 建模、梯度提升(CatBoost、LightGBM)、时间序列建模与预测、可解释性 AI(Attention Maps 注意力热力图)、无泄露严格验证流程。
FastAPI 与 REST API 设计、Docker 容器化、Nginx、CI/CD 自动化流水线、PostgreSQL、Redis 高速缓存、Prometheus 监控、API 安全防护(IDOR / BOLA 漏洞)。
深度剖析两个重点项目:从实际问题、架构设计,到客观评测指标与局限性思考。
面向 API 流量的用户与自动化脚本异常行为检测,重点防范越权访问(IDOR)等针对非授权资源的请求。
采用 Transformer Encoder 提取 API 调用序列的时序语义,结合多层感知机(MLP)处理网络元数据(IP、user_id、请求频次),通过后期融合(Late Fusion)实现多模态联合决策。
引入自编码器(Autoencoder)在无标注场景下发现未知的潜在攻击模式。
利用注意力热力图(Attention Maps)可视化关键 API 调用对判定结果的贡献度,使模型决策具备清晰可溯源的审计解释性,拒绝“黑盒推断”。
客观评估与局限性说明: 目前基线模型 CatBoost 的 ROC-AUC 达到 0.893,当前的混合深度模型在全局 AUC 指标上尚未超越纯树模型。具体归因分析与后续改进方案已在项目 README 中详尽论述。
专为知识管理软件 Obsidian 打造的智能重构助手:自动发掘库中语义相近的重复笔记,并辅助沉淀为高内聚的原子知识点。
在 Web Worker 后台运行轻量级多语言嵌入模型(Multilingual MiniLM, ONNX 格式),基于余弦相似度进行聚类分析,并结合 Google Gemini Flash(BYOK 自带 Key)进行语义合成与精炼校验。
坚持“人机协作(Human-in-the-loop)”设计哲学:提供单词级差异比对(Diff),支持采纳、编辑或驳回,并可一键撤销重构。
扫描检索全流程在本地执行,笔记文本绝不外泄。
部分项目因商业或保密协议暂未公开(涵盖时间序列量化预测、高并发 FastAPI 微服务及 Flutter 跨平台项目),可依要求提供脱敏演示。
深入实践 Redis 高速缓存、认证鉴权架构与高效命令行工具研发。
网络爬虫、加密货币资产流数据追踪及多平台开放 API 深度集成。
三星创新校园(Samsung Innovation Campus)优秀结业、API 流量异常行为检测算法研发、Flutter 移动端及 Obsidian 插件工程实践。
目前正在寻找机器学习 / 人工智能方向的实习或初级工程师机会。Telegram 回复最为迅速,如需审查源码与工程规范,欢迎随时浏览我的 GitHub 代码主页。