IT人力外包人才简历库

精通Python编程语言，擅长数据采集与清洗技术，掌握时序数据分析方法论，熟悉TensorFlow/PyTorch深度学习框架，具备目标检测（YOLO/Faster R-CNN）和图像分割（U-Net）算法实现经验，精通自然语言处理技术（NLP），可独立完成中文分词、实体识别等经典算法开发，熟悉分布式计算框架（Spark/MapReduce）

长期从事大数据分析工作，聚焦时序预测、计算机视觉和自然语言处理领域。主导电力负荷预测项目，采用LSTM-Transformer混合模型实现95%预测准确率；开发金融时序分析系统，通过特征工程和模型调优提升预测精度20%。在计算机视觉方向，完成农作物图像分类项目，基于ResNet-50实现92%识别准确率；参与小样本目标检测研发，采用Focal Loss和MixUp数据增强技术提升模型鲁棒性。NLP方向主导电子病历结构化处理，构建基于BiLSTM-CRF的命名实体识别系统，实现85%的实体识别准确率。

1. 电力负荷预测系统：基于LSTM-Transformer混合模型构建时序预测方案，通过滑动窗口特征提取和Attention机制优化，实现95%预测准确率，支持日/周/月多粒度负荷预测

2. 金融时序分析平台：开发基于Prophet+ARIMA的混合预测模型，结合特征工程和模型调优，提升预测精度20%，支持风险预警和趋势分析

3. 农作物图像分类项目：采用ResNet-50架构进行特征提取，通过数据增强和迁移学习实现92%识别准确率，支持多类别农作物自动识别

4. 小样本目标检测研发：基于Faster R-CNN框架实现，采用Focal Loss和MixUp数据增强技术，提升小样本场景下目标检测准确率35%

5. 电子病历结构化处理：构建基于BiLSTM-CRF的命名实体识别系统，实现85%的实体识别准确率，支持病历文本的自动分词、实体标注和结构化存储