猿急送>

北京后端兼职程序员

ID：260035

Siyueonthego

系统开发工程师

公司信息：
Intel

工作经验：
5年

兼职日薪：
1000元/8小时

兼职时间：
下班后
周六
周日
可工作日远程

所在区域：
北京
海淀

技术能力

1、Python 基础知识、面向对象编程思想，遵从 PEP8 编程规范。
2、熟练 Python 邮件操作，sftp文件传输及 pdf导出。
3、python 文件操作，字符串查询，正则表达式。
4、熟悉多线程，多进程，协程开发，熟悉进程间通信，celery 消息队列，socket 长链接。
5、Python 封装、继承、多态。
6、Django、Flask 等主流 web 框架开发经验，了解 tornado 框架，Restful 开发模式。
7、熟悉 http、https 协议、MVC 模块化设计、Web 认证机制。
8、熟练掌握 Mysql、sqlite、Postgresql、Redis、Mongodb 等常用数据库的使用，索引优化。
9、熟悉高并发高性能架构，有高并发、高性能架构开发经验。
10、熟练第三方对接，如根绝阿里云、百度 BOS 云存储、华为开发 FC 接口文档进行独立开发。
11、部署维护 Nginx、FTP 等服务器，熟练使用K8s、编写docker-compose
12、有多个项目独立开发经验，独立设计整体项目
（包括流程图，设计文档，开发文档，测试用例）。

项目经验

项目二：智能研报平台（http://aipha.asuscomm.com:8000/）
软件环境：Flask、Mysql、Nginx
项目描述：主要针对一级市场从业人员，为专业的金融人士提供个性化的研报服务。无论是证券从业者，还是普通知识型散户，该软件都是投资学习过程中有力的辅助工具。
智能研报平台主要由 report 和 component 组成，提供自动生成研报及周报的服务，同时report 内部的 component 可以是文字板块或者图标板块，能够让数据快速直观地展示在用户眼前。
项目模块：
1、 component 模块定制信息，可生成图表或是文字，用于解读具体信息；
2、 componet 高级设置，指标计算，递归及二分法查询；
3、report 页面内的 component 整体定位，自由拖移
4、用户的 report 管理及标签管理
5、外接数据源，使用上传的数据源画图。
项目四：公司内部数据中台服务
软件环境：CentOS 、Flask、Mysql、Nginx
项目描述：
主要提供数据查询服务的接口，统一处理数据请求服务。由于是一家针对券商或投资者提供个性化服务的公司，所以大量宏观、行业、公司、债券数据，mysql 服务器较为分散，且有测试数据库，为了方便前后端开发，在不需要知道数据库中数据具体存储的情况下，依然能够便利同事获取对应的数据。
责任描述：
搭建数据中台，按规则输入指标、纬度、where 条件、聚合方式等即可获取格式化数据
主要技术：
1、Metric 类获取指标信息，必要时候需要给出数据源 source_id, 避免重复指标的查询，公司指标需要补全指标的信息，根绝指标 id 可获取到完整的指标信息；
2、Filter & Condition 类计算筛选条件，判断运算符及纬度运算条件；
3、Dimension 类判断纬度类型，返回结果按照纬度展现数据；
4、AggregateType 判断聚合方式，Calcengine 聚合数据；
5、外接数据源服务，支持上传文件标注指标纬度或者连接内部数据库（目前仅支持 mysql)
项目五：watercube 通信系统（ prealpha --> alpha）
（https://m.huxiu.com/article/391000.html?f=app_android_friends）
软件环境：本地服务器 24 台，AWS 服务器 40 台（36GPU + 4CPU），K8s，docker，redis
项目描述：
watercube 是一个算法集成系统，主要通过设计一系列 pipline 实现任务的快速实现。项目采用 microservice 架构，将每个模块设计成独立的进程，通过与算法组的任务相结合，短时间内能够处理大量的通信，异步地完成大量的计算，实现 18 路摄像机 ball 以及 player 的识别及 3d 合成，再迅速的将计算结果传输至云端，从而实现上帝视角的比赛观赏效果。
责任描述：
项目中负责设计一系列的 pipline，保证项目的平稳快速运行，项目分为两条线：ball_pipline 的设计和 player_pipline 的设计。我主要负责 ball 的相关任务，保证 microservice 架构中的每个模块的快速运行以及 player-result 与 bal-servicel 汇总之后结果的正确性。
技术要点：
1、ball 分为 X-entry（加载图片，控制参数）、X-detectoion（检测球的位置）、X-tracking(跟踪球的位置）、X-multicam（多路摄像机合成 ball 的 3d 位置）、X-filter(优化 ball 的 3d结果)、X-bhp(ball 和 player 结果合成)、X-fusion(生成最终数据 )七个模块，每个模块为一个服务，前三个模块需要区分摄像机和分组，后四个模块只有一个服务。
2、在 ball 的 track、multicam 两个环节需要相互将自身的 result 作为对方的 input，所以存在一个环状的结构，其他的部分以及 player 的部分均为直线型处理流程
3、最初采用自身写的 protocol 或是 redis 作为集中通信，所有的 job 均存放在公用的内存中，存在大量 IO 操作，实现了初步的通信手段。随着业务推进，不断的

案例展示

ML算法平台

软件环境：Django、Postgres、Nginx、docker、Othanc 项目描述：集成ML算法模型，帮助ML更方便的训练模型，并直观的呈现训练结果，方便ML小组长评估各个模型状况，保证生产模型的质量，并直接将模型集成到生产环境中责任描述：负责算法平台组内资
通信系统开发

项目五：watercube 通信系统软件环境：本地服务器 24 台，AWS 服务器 40 台（36GPU + 4CPU），K8s，docker，redis 项目描述：通过设计一系列 pipline 实现任务的快速实现。项目采用 microservice 架构，将每个模块