� 项目经历
🏥 医疗诊断动态因果事理图谱系统开发（国家自然科学基金）
时间：2022年9月 - 2025年6月
项目描述：为提升基层医疗诊断的实时性与精确度，本人参与研发基于动态不确定因果图（DUCG）的全科临床辅助诊断系统。熟练使用Pandas/Numpy进行万条数据，64种特征进行数据清洗与分析，成功利用Scikit-learn的机器学习模型提取21种关键病理因素，其中AUC为0.72。同时，研发DUCG的动态概率推理引擎，设计基于疾病表征剪枝的图遍历算法，实现单个疾病的诊断时间在至200毫秒以下，且诊断正确率高达99%，目前该系统已在北京朝阳医院试运行，基于真实数据实现疾病诊断。相关成果已投稿SCI一区（返修）。
技术栈：JAVA、图论算法、MySQL
项目职责：软件系统开发与推理算法设计实现
🔒 网络安全态势感知数据分析项目（毕业设计）
时间：2022年11月 - 2024年06月
项目描述：提出动态不确定因果攻击图（DUCAG），基于历史告警数据准确描绘攻击路径和潜在风险。与此同时设计了基于因果链的节点风险概率推理算法（CCRP）实现节点风险评估。通过与传统的变量消除算法对比，在大规模网络中，CCRP算法平均耗时<100ms。目前该项目已经成功申请国自然科学基金（面上）。
技术栈：Python、MySQL、贝叶斯网、Pytorch
项目成果：论文4篇（SCI 2区、中文核心与EI会议，学生一作）、1篇在投
📚 中国传媒大学人工智能课程教材书稿编写项目
时间：2022年11月 - 至今
项目描述：为将人工智能理论知识转换为实践应用，本项目在Pytorch环境下分别实现因果推断、强化学习与群体智能三个方向实战案例。因果推断方面，实现了酒店房间预定情况的预测分析等实际案例，应用Pandas进行数据清洗与分析，利用Scikit-learn与Dowhy工具构建分类模型与因果图，实现测试集上90%的准确率。强化学习方面，模拟了Alpha Zero等强化学习算法，将其应用于棋类游戏的博弈中。群体智能方面，综合比较并实现了蚁群算法与粒子群优化等八种群体智能算法，主要应用于解决路径规划等问题。
技术栈：因果推断、群智能优化算法、强化学习
项目职责：书稿撰写与算法实现
�🚀 核心研究项目
🧠 动态不确定性因果图模型理论研究
项目描述：开发并应用动态不确定性因果图(DUCG)模型，用于复杂系统的因果建模与推理。
应用领域：
- 法律领域 - 证据推理与案件分析
- 金融领域 - 风险评估与投资决策
- 软件可靠性 - 系统故障诊断与预测
- 网络安全 - 威胁检测与响应
技术栈：Python, NetworkX, 概率推理算法
成果：在多个实际场景中验证了DUCG模型的有效性
🎮 智能算法与游戏AI
♟️ Alpha Zero算法实现五子棋AI
项目描述：基于AlphaZero算法，结合蒙特卡洛树搜索和深度神经网络，实现高水平的五子棋AI系统。
核心技术：
- 深度强化学习 (Deep Reinforcement Learning)
- 蒙特卡洛树搜索 (MCTS)
- 卷积神经网络 (CNN)
- 自我对弈训练
技术栈：Python, TensorFlow/PyTorch, NumPy
项目亮点：AI能够通过自我学习达到专业水平
🃏 CFR算法实现德州扑克对战
项目描述：应用反事实遗憾最小化(CFR)算法，开发智能德州扑克对战系统。
核心技术：
- 反事实遗憾最小化 (Counterfactual Regret Minimization)
- 博弈论与纳什均衡
- 信息集抽象
- 策略迭代优化
技术栈：Python, 博弈论算法库
应用价值：展示了CFR在不完全信息博弈中的强大能力
🧮 新型群体智能算法对比实验
项目描述：对比研究多种群体智能算法在不同优化问题上的性能表现。
算法覆盖：
- 粒子群优化 (PSO)
- 遗传算法 (GA)
- 蚁群算法 (ACO)
- 人工蜂群算法 (ABC)
技术栈：Python, Matplotlib, 优化算法库
研究成果：为不同类型优化问题提供算法选择指导
📊 数据分析与机器学习
🔍 机器学习可解释性研究
项目描述：应用SHAP库实现机器学习模型的可解释性分析，提升模型透明度。
核心技术：
- SHAP (SHapley Additive exPlanations)
- 特征重要性分析
- 模型解释性可视化
- 决策路径追踪
技术栈：Python, SHAP, Scikit-learn, XGBoost
应用场景：金融风控、医疗诊断、推荐系统
📈 因果推断框架应用
项目描述：应用DoWhy和YLearn框架，在实际业务场景中实现因果推断分析。
核心方法：
- 工具变量法 (Instrumental Variables)
- 断点回归 (Regression Discontinuity)
- 差分法 (Difference-in-Differences)
- 倾向性评分匹配 (PSM)
技术栈：Python, DoWhy, YLearn, EconML
实践案例：酒店业务分析、营销效果评估
📚 技术能力展示
编程语言：Python (专家级), R (熟练), SQL (熟练), JavaScript (中级)
机器学习：TensorFlow, PyTorch, Scikit-learn, XGBoost, LightGBM
数据处理：Pandas, NumPy, Dask, Spark
可视化：Matplotlib, Seaborn, Plotly, Tableau
因果推断：DoWhy, YLearn, CausalML, EconML
深度学习：CNN, RNN, LSTM, Transformer, GAN
强化学习：Q-Learning, Policy Gradient, Actor-Critic, AlphaZero
Perfect integration of theory and practice
🚀 Core Research Projects
🧠 Dynamic Uncertain Causality Graph Theory Research
Description: Development and application of Dynamic Uncertain Causality Graph (DUCG) models for causal modeling and inference in complex systems.
Application Domains:
- Legal Domain - Evidence reasoning and case analysis
- Finance - Risk assessment and investment decisions
- Software Reliability - System fault diagnosis and prediction
- Cybersecurity - Threat detection and response
Tech Stack: Python, NetworkX, Probabilistic reasoning algorithms
Achievements: Validated DUCG effectiveness across multiple real-world scenarios
🎮 Intelligent Algorithms & Game AI
♟️ Alpha Zero Gomoku AI Implementation
Description: High-level Gomoku AI system based on AlphaZero algorithm, combining Monte Carlo Tree Search and deep neural networks.
Core Technologies:
- Deep Reinforcement Learning
- Monte Carlo Tree Search (MCTS)
- Convolutional Neural Networks (CNN)
- Self-play training
Tech Stack: Python, TensorFlow/PyTorch, NumPy
Highlights: AI achieves professional level through self-learning
🃏 Texas Hold'em with CFR Algorithm
Description: Intelligent Texas Hold'em battle system using Counterfactual Regret Minimization (CFR) algorithm.
Core Technologies:
- Counterfactual Regret Minimization (CFR)
- Game theory and Nash equilibrium
- Information set abstraction
- Strategy iteration optimization
Tech Stack: Python, Game theory algorithm libraries
Value: Demonstrates CFR's power in imperfect information games
📊 Data Analysis & Machine Learning
🔍 Machine Learning Explainability Research
Description: Implementation of machine learning model interpretability analysis using SHAP library to improve model transparency.
Core Technologies:
- SHAP (SHapley Additive exPlanations)
- Feature importance analysis
- Model interpretability visualization
- Decision path tracking
Tech Stack: Python, SHAP, Scikit-learn, XGBoost
Applications: Financial risk control, medical diagnosis, recommendation systems
📈 Causal Inference Framework Applications
Description: Implementation of causal inference analysis in real business scenarios using DoWhy and YLearn frameworks.
Core Methods:
- Instrumental Variables
- Regression Discontinuity
- Difference-in-Differences
- Propensity Score Matching (PSM)
Tech Stack: Python, DoWhy, YLearn, EconML
Case Studies: Hotel business analysis, marketing effectiveness evaluation
🏢 Industry Data Analysis Practice
🚗 Ride-hailing Platform Analysis
Analysis Dimensions: User behavior, supply-demand matching, pricing strategy, operational efficiency
Key Metrics: DAU, order completion rate, driver online rate, revenue optimization
📱 Short Video Platform Analysis
Analysis Dimensions: Content consumption, user profiling, recommendation effectiveness, creator ecosystem
Key Metrics: Watch time, engagement rate, retention rate, content quality assessment
📚 Technical Skills Showcase
Programming: Python (Expert), R (Proficient), SQL (Proficient), JavaScript (Intermediate)
ML/DL: TensorFlow, PyTorch, Scikit-learn, XGBoost, LightGBM
Data Processing: Pandas, NumPy, Dask, Spark
Visualization: Matplotlib, Seaborn, Plotly, Tableau
Causal Inference: DoWhy, YLearn, CausalML, EconML
Deep Learning: CNN, RNN, LSTM, Transformer, GAN
Reinforcement Learning: Q-Learning, Policy Gradient, Actor-Critic, AlphaZero
