Feng Yu's Academic Blog

数据科学与人工智能研究 | 探索智能算法的奥秘

Hi,我是冯宇,一名专注于数据科学人工智能领域的研究者。

📧 联系方式

  • 邮箱:19805189125@163.com
  • 电话:19805189125
  • 现居地:北京

🎓 教育经历

中国传媒大学 211 | 计算机科学与技术 硕士

时间:2022年9月 - 2025年7月 | 地点:北京

研究方向:动态因果推理、机器学习模型优化

南京邮电大学 双一流 | 信息管理与信息系统 本科

时间:2018年9月 - 2022年7月 | 地点:南京

💼 工作经历

模型驱动的动态本体引擎与可演进的工业智能系统架构设计

时间:2025年7月 - 至今

项目描述:为解决复杂工业流程(煤层气开采产气量预测)中数据孤岛与语义异构的问题,主导设计了一套模型驱动的动态本体引擎及支撑生态系统。本项目以动态本体作为统一知识表征的基础,集成了多范式AI(物理机理模型、机器学习、因果推理)、高级AI智能体(LLM, RL),旨在构建一个能够实现可演进的工业数字孪生基础设施。

核心职责:

  • 系统顶层架构设计与演进:独立负责动态本体引擎系统V1至V3的核心架构设计与迭代,确立了"内核与能力解耦"的插件化设计范式,显著提升了系统的可扩展性与鲁棒性。设计了涵盖煤层气数据管道、动态本体构建、地质建模、物理数值模拟及AI推理的全流程技术蓝图。构建了"知识表示、智能规划、自主执行、开放API"四层流水线模型,为上层智能应用提供了标准化的能力支撑。
  • AI智能体与物理数值模拟集成:基于ReAct (Reason + Act) 框架,将动态本体引擎封装为大型语言模型(LLM)Agent的核心工具集(Toolkit),赋能Agent通过自然语言理解,自主地进行开放式、多步骤的复杂任务规划与执行(如产量预测)。独立构建并实现了用于产气量预测等下游任务的物理数值模拟求解器,覆盖黑油模型与组分模型,为AI提供了高保真的物理约束。
  • 全景生态系统设计与混合数据集成模式构建:面向多用户角色(如地质工程师、数据科学家)设计了全景人机交互生态,明确并开发了本体工作台、计算注册台等核心功能模块的定位与职责。创新性地设计了"混合数据集成模式",清晰定义了批处理物化(ETL)、流式同步(CDC)和联邦查询三种架构与本体平台的协同工作流,有效解决大规模异构数据源的统一语义化与动态集成难题。

技术栈:Python、图论算法、MySQL、LLM

项目职责:动态本体设计与推理算法设计实现

🎓 研究方向

  • 概率图模型 - 动态不确定性因果图(DUCG)建模与推理
  • 机器学习 - 深度学习、强化学习算法研究与应用
  • 数据分析 - 因果推断、统计建模、业务分析
  • 智能算法 - 群体智能算法优化与博弈论应用

🔬 学术成果

  • 动态不确定性因果图模型理论研究及多领域应用
  • 深度强化学习在游戏AI中的创新应用
  • 机器学习可解释性方法研究
  • 因果推断框架在实际业务中的应用实践

💻 技术项目

  • Alpha Zero五子棋AI - 基于深度强化学习的游戏AI系统
  • 德州扑克对战系统 - 应用CFR算法实现的智能博弈系统
  • 数据分析实战平台 - 涵盖多个行业的数据分析案例集
  • SHAP可解释性工具 - 机器学习模型解释性分析框架

🛠️ 专业技能

专业软件:熟练使用Pytorch、Sklearn等机器学习框架

机器学习:熟悉LR、XGBoost、聚类等机器学习算法,熟悉Transformer等前沿技术

数据分析与可视化工具:熟悉A/B测试、回归分析与贝叶斯推理。熟练使用SPSS、R语言与Python语言,熟悉Numpy、Pandas等数据处理库,熟练掌握Gephi与PowerBI等工具

数据查询工具:熟练掌握MySql,包括增删改查、窗口函数等相关工具

算法结构:熟悉常见数据结构及算法,比如栈、链表、二叉树、十大排序等

语言能力与技能证书:CET-6(488),能够流畅阅读英文文档。计算机二级

🎯 研究兴趣

我致力于将理论研究与实际应用相结合,特别关注:

  • 概率图模型在复杂系统建模中的应用
  • 因果推断方法在业务决策中的价值
  • 深度学习的可解释性与可信AI
  • 强化学习在实际场景中的落地应用

� 其他链接



🎓 学术研究亮点

🧠 概率图模型

动态不确定性因果图(DUCG)理论研究,应用于法律、金融、安全等多个领域

🎮 强化学习

AlphaZero算法优化、CFR博弈算法,在游戏AI领域取得创新突破

📊 因果推断

DoWhy、YLearn框架应用,为业务决策提供科学的因果分析方法

Existence precedes essence, exploration drives growth

Hi, I am 冯宇, a researcher focused on Data Science and Artificial Intelligence.

🎓 Research Areas

  • Probabilistic Graphical Models - Dynamic Uncertain Causality Graph (DUCG) modeling and inference
  • Machine Learning - Deep learning and reinforcement learning algorithms
  • Data Analysis - Causal inference, statistical modeling, and business analytics
  • Intelligent Algorithms - Swarm intelligence optimization and game theory applications

🔬 Academic Achievements

  • Research on Dynamic Uncertain Causality Graph theory and multi-domain applications
  • Innovative applications of deep reinforcement learning in game AI
  • Research on explainable machine learning methods
  • Practical applications of causal inference frameworks in business

💻 Technical Projects

  • Alpha Zero Gomoku AI - Game AI system based on deep reinforcement learning
  • Texas Hold'em Battle System - Intelligent game system using CFR algorithm
  • Data Analysis Platform - Collection of data analysis cases across multiple industries
  • SHAP Explainability Tool - Framework for machine learning model interpretability

�️ Tech Stack

Programming: Python, R, JavaScript, SQL

ML/DL: TensorFlow, PyTorch, Scikit-learn, XGBoost

Data Tools: Pandas, NumPy, Matplotlib, Seaborn, Plotly

Causal Inference: DoWhy, YLearn, CausalML

Others: Git, Docker, Jupyter, VS Code

🎯 Research Interests

I am committed to combining theoretical research with practical applications, particularly focusing on:

  • Applications of probabilistic graphical models in complex system modeling
  • Value of causal inference methods in business decision-making
  • Explainability of deep learning and trustworthy AI
  • Landing applications of reinforcement learning in real scenarios

📫 Contact


🎓 Research Highlights

🧠 Probabilistic Models

DUCG theory research with applications in legal, financial, and security domains

🎮 Reinforcement Learning

AlphaZero optimization and CFR algorithms achieving breakthroughs in game AI

📊 Causal Inference

DoWhy and YLearn framework applications for scientific decision-making


📝 最新文章 Latest Posts

动态不确定性因果图模型理论

DUCG模型的理论基础与核心算法

动态不确定因果图(Dynamic Uncertain Causality Graph, DUCG)是一种用于知识表示和推理的前沿概率图模型,它巧妙地融合了图论、概率论与因果科学,特别适用于处理复杂动态系统中的不确定性问题,例如工业领域的故障诊断、医疗领域的辅助决策等。 DUCG的核心思想是将不确定的因果作用机制用一组虚拟的、独立的随机事件来精细刻画,并通过对这些随机事件发生的概率...

Alpha Zero算法实现五子棋

深度强化学习在游戏AI中的创新应用

引言 AlphaZero 通过“自对弈 + 蒙特卡洛树搜索(MCTS)+ 深度神经网络”的闭环训练,在围棋、国际象棋、将棋等博弈中达到超人水平。本文以五子棋(Gomoku)为载体,给出可运行的最小实现与工程化建议。 1. 算法框架概览 策略-价值网络 fθ(s) → (p, v) p:对每个合法动作的先验概率 v:状态 s 对当前玩家的胜率评估 ...

强化学习笔记记录

从基础概念到算法实现的完整学习路径

引言 强化学习(Reinforcement Learning,RL)是机器学习的一个重要分支,它研究智能体如何在环境中通过试错学习来最大化累积奖励。本文将系统性地记录强化学习的核心概念、主要算法和实践经验。 1. 基础概念与框架 1.1 马尔可夫决策过程(MDP) 强化学习的数学基础是马尔可夫决策过程,它由以下五元组定义: \[MDP = (S, A, P, R, \gamma)\...

关于数据分析的一些思考

数据科学方法论与实践框架构建

整体性框架 指标体系 什么是指标体系? 简单来说就是找到不同的角度去描述同一件事情,只是说,我们在找的过程中可以关注下面的点 能够体现当下业务的关注点 同时包含过程性指标和结果性指标 有对应的业务抓手 在前面两点的基础上,我们除了希望通过指标体系反映业务现状、定位问题原因外,更希望它能够指导业务动作,告诉哪些部门应该在哪些环节进行改进,这个就是我们说的“要有对...