謝宜霖


我叫謝宜霖,中興大學資工研究所畢業。擁有資料前處理、模型建構、統計分析、資料庫存取、資料視覺化能力與經驗,個性樂觀善於溝通與團隊合作。 


學歷

碩士 2019 - 2021
中興大學 資訊科學與工程學系
大學 2015 - 2019
長庚大學 資訊工程學系

語文能力

英文

聽:中等  說:中等  讀:中等  寫:中等
TOEIC (多益測驗) 695分

中文

聽:精通  說:精通  讀:精通  寫:精通 

工作技能

深度學習實作


  • 電腦視覺 
    ·Image Classification:腦波辨識,視網膜病變檢測 
    ·Object Detection:車輛偵測 
  • 自然語言處理(NLP) ·文本分類、意象分析、文章生成 
  • 惡意軟體檢測
     #Python  #Machine Learning  #軟體程式設計
程式語言

  • Python 
  • C/C++ 
  • Matlab
技能

  • 資料庫:MySQL 
  • Container:Docker 
  • API:Flask 
  • 資料視覺化:Superset

求職條件


  • 希望性質
    全職工作
  • 上班時段     日班
  • 可上班日     錄取後一個月內可上班
  • 希望待遇     面議
  • 希望地點     台中市、桃園市、新竹縣市、苗栗縣、台北市、新北市



  • 希望職稱
    深度學習工程師/研發工程師/軟體工程師
  • 希望職類
    演算法開發工程師、軟體設計工程師
  • 工作內容
    AI工程師/軟體研發工程師

專案

結合虛擬實境、腦電介面與深度學習之復健平台

本研究之目的為開發一套能夠辨識左右手運動想像的腦機介面系統。患者會於虛擬實境中按照畫面進行左右手運動想像,然後根據開發的系統對蒐集到的腦波進行分析處理。
*競賽得獎: 1. 106學年度 大專院校資訊應用服務創新競賽      -兩岸交流組 第一名 
2.106 學年度 育秀盃創意獎 -入圍 決賽
3.106 學年度 中國大學生服務外包創新創業大賽(為台灣代表隊)榮獲 -團體二等獎
4.106學年度 COMPUTEX TAIPEI2018 -參與簡報

https://drive.google.com/file/d/1EE6jzB_bSmMH-Dd1Xl9SPxbZHM2DI97D/view?usp=sharing

運用注意力機制與層標準化技術於孿生神經網路以改善雙向長短期記憶模型之不平衡資料集分類

將深度學習方法應用在數量不平衡的文本分類任務,利用孿生網路架構比較特徵相似性的構想以及利用注意力機制與層標準化技術提高特徵挑選的品質,改善分類結果。 
1.與傳統解決不平衡類別分布資料的方法相比:  
 *精確率(Precision)提升至少6%以上。  
 *召回率(Recall)和F1值(F1-score)至少提升10%以上。
2.與其他深度學習模型相比:    
*精確率(Precision)提高了20%左右。    
*召回率(Recall)和F1值(F1-score)至少提高17%。
關鍵字:孿生網路、注意力機制、層標準化、文件分類、類別不平衡分布資料集

視網膜病變檢測

2020/9~2021/1
糖尿病視網膜病(DR),被認為是導致失明的主要原因。因此及早發現疾病並提供準確的診斷也許可以減少疾病併發症和視力喪失的風險。本專題參考論文A convolutional neural network for the screening and staging of diabetic retinopathy,並實現其模型架構。 1.  5-fold cross validation      
·Precision:0.9893
·Recall:0.9887
·F1-score:0.9890
關鍵字:視網膜病變檢測、CNN、Data Augmentation
https://github.com/csps108/ML_Project



自傳

[關於我] 

我叫謝宜霖,於中興大學資訊科學與工程學系研究所畢業。個性樂觀積極、善於溝通、學習力強,在團隊中是一位可靠的好隊員。 

[學習歷程] 

大學專題: 開發一套能夠辨識左右手運動想像的腦機介面系統,患者會於虛擬實境中按照畫面進行左右手運動想像,然後根據開發的系統對腦波進行分析。 

-利用matlab對腦電波進行濾波前處理。 

-使用tensorflow建立CNN模型進行訓練,並預測結果。 

碩士: 

修課:影像處理(影像處理技術、影像去模糊)、圖形識別(統計與機器學習神經網路分類器設計)、深度學習應用 

論文:將深度學習方法應用在數量不平衡的文本分類任務,利用孿生網路架構比較特徵相似性的構想以及利用注意力機制與層標準化技術提高特徵挑選的品質,改善分類結果 

-與傳統解決不平衡類別分布資料的方法相比: 

*精確率(Precision)提升至少6%以上。 

*召回率(Recall)和F1值(F1-score)至少提升10%以上。

 -與其他5種深度學習模型相比: 

*精確率(Precision)提高了20%左右。 

*召回率(Recall)和F1值(F1-score)至少提高17%。 

[工作經驗] 資策會-人工智慧研發工程師 

惡意軟體檢測: 

-資料前處理:撰寫自動化反組譯腳本降低資料前處理的時間成本 

-模型開發:使用Tensorflow開發深度學習模型,建立可解釋模型

 -資料庫連接:Python連接MySQL儲存分析結果 

-開發api:使用Flask並運用多進程技術處理異步任務 

科專計畫*1 

模型概念偏移偵防 

Powered By CakeResume