实习结束后获得双证后直接转正，解决上海户口。知名大学数学专家指导学习。

🧠 一、专业背景与理论基础

数学基础

线性代数：矩阵运算、特征分解等是理解神经网络架构（如Transformer）的基石。

概率论与统计学：贝叶斯理论、概率分布等支撑语言模型建模及不确定性分析。

微积分：梯度下降、优化算法（如Adam、SGD）是模型训练的核心工具。

机器学习与深度学习理论

掌握监督/无监督/强化学习原理，熟悉CNN、RNN、Transformer等主流模型架构。

深入理解大模型（如GPT、BERT）的设计思想与训练机制（如预训练、微调、RLHF）。

💻 二、核心技术能力

模型研发与优化

架构设计：根据任务需求设计神经网络结构（如医疗影像分析用CNN，时序数据用LSTM）。

训练调优：掌握分布式训练（DeepSpeed、Megatron）、高效微调技术（LoRA、Adapter）及超参数优化。

推理加速：熟悉模型压缩（量化、剪枝）、知识蒸馏及部署工具（TensorRT）。

算法实现与工程化

编程语言：精通Python（必会），熟悉C++（高性能场景）及CUDA（GPU加速）。

框架应用：熟练使用PyTorch/TensorFlow，掌握数据处理工具（Pandas、NumPy）及向量数据库（Chroma）。

领域适配技术

垂直领域优化：如医疗领域需结合知识图谱，金融领域需风控模型解释性。

多模态融合：微表情视频输出数据的模型集成能力。

📊 三、工程实践与系统设计

全流程开发能力

从数据清洗、特征工程到模型部署运维的全链路实践经验。

熟悉容器化部署（Docker/Kubernetes）及生产环境监控。

系统架构设计

构建可扩展的AI系统，支持GPU集群管理与大规模计算。

设计高并发推理服务，优化端到端延迟与资源消耗。