项目经历
在线教育平台开发
项目经历
- 项目名称: 在线教育平台开发
- 项目描述: 开发一个在线教育平台，提供学生登录、签到、课程浏览、互动课堂、在线学习等功能。
- 技术架构:
- 前端界面使用React Native框架搭建，与后端API进行数据交互，实现用户权限管理、课程播放和作业提交等功能。
- 处理大量异步数据的加载和展示，优化页面性能和用户体验。
- 使用懒加载和分片加载减少首屏加载时间，提高页面加载速度。
- 使用LocalStorage缓存用户数据，减少请求次数，提高响应速度。
- 使用防抖和节流等策略，防止用户多次提交表单或触发组件多次渲染。
- 成果与效果:
- 成功开发并部署了功能完善的在线教育平台，提供了学生登录、签到、课程浏览、互动课堂、在线学习等功能。
- 通过优化页面加载速度和用户体验，提高了平台的性能和用户满意度。
- 后续工作:
- 持续改进平台的功能和性能，添加更多教育相关的功能模块，如在线测验、讨论区等。
- 进一步优化前端代码和后端API，提高系统的稳定性和扩展性。
- 收集用户反馈，不断改进平台的用户界面和功能，以满足不同用户的需求。
通过使用React Native框架搭建前端界面，并与后端API进行数据交互，该项目成功开发了一个功能完善的在线教育平台。为了提高页面性能和用户体验，采取了懒加载和分片加载策略，减少首屏加载时间，并使用LocalStorage缓存用户数据以提高响应速度。同时，使用防抖和节流等策略防止用户多次提交表单或触发组件多次渲染。这些优化措施有效提升了平台的性能和用户满意度。在后续工作中，计划不断改进平台的功能和性能，并根据用户反馈持续优化用户界面和功能，以提供更好的在线教育体验。
异步数据加载和展示优化：
- 分页加载：对于大量数据的展示，可以采用分页加载的方式，每次加载适量数据，减少页面加载时间。
- 虚拟滚动：对于长列表的展示，使用虚拟滚动技术，只渲染可见区域的数据，减少页面渲染时间和内存占用。
- 数据缓存：对于频繁访问的数据，可以使用LocalStorage或IndexedDB进行缓存，减少请求次数，提高响应速度。
首屏加载性能优化：
- 懒加载：将页面中非关键内容延迟加载，只在用户需要时才加载，减少首屏加载时间。可以使用React Suspense和React.lazy等技术实现懒加载。
- 分片加载：将页面的代码分为多个模块，按需加载，减少首屏需要加载的代码量。可以使用Webpack的代码分割功能实现分片加载。
用户数据缓存：
- 使用LocalStorage：对于用户的登录状态、学习进度等数据，可以使用LocalStorage进行缓存，提高用户体验和响应速度。
- 合理缓存策略：根据数据的更新频率和重要性，制定合理的缓存策略，避免缓存过期或过多占用存储空间。
防止用户多次提交和组件多次渲染：
- 防抖：对于用户可能频繁触发的操作，如点击按钮提交表单，可以使用防抖技术，限制触发频率，防止多次提交。
- 节流：对于需要频繁触发的事件，如滚动事件、输入框输入事件，可以使用节流技术，限制触发频率，减少组件渲染次数。
通过采用懒加载、分片加载、数据缓存、防抖和节流等优化策略，可以提升在线教育平台的性能和用户体验，减少页面加载时间、优化数据展示，并防止用户多次提交和组件多次渲染。
手写数学公式识别
项目经历
- 项目名称: 手写数学公式识别网络
- 项目描述: 使用encoder-decoder结构搭建手写数学公式识别网络，将图片识别为Latex字符串。项目创新点在于将Latex串处理为树形结构，转化为子节点串、父节点串和结构串的组合，利用Latex串的特点进行识别。
- 技术架构:
- encoder部分采用ResNet提取图像特征。
- decoder分为两个子层：
- 第一层采用TransformerDecoder的结构，计算图片和父节点串之间的对应关系。
- 第二层采用两个TransformerDecoder结构的解码器：
- 第一个解码器计算第一层的输出与子节点串的对应关系。
- 第二个解码器计算图片与第一个解码器得到的结果的对应关系。
- 将得到的输出映射到字典空间，预测Latex串与结构串，并根据这两个串得到原始的Latex串。
- 成果与效果:
- 在CHROME2014、2019 HME100K等公开数据集上分别取得61%、55%的良好效果。
- 后续工作:
- 使用Yolov8对图片的公式部分与中文部分进行分割。
- 分别使用不同的网络识别中文与数学公式，实现数学主观题图像到文本的识别。
通过使用encoder-decoder结构和创新的Latex串处理方法，该项目实现了手写数学公式的识别。采用ResNet提取图像特征，并通过TransformerDecoder结构的解码器进行多层解码，最终将输出映射到字典空间以预测Latex串与结构串。该方案在公开数据集上取得了良好的识别效果。在后续工作中，使用Yolov8对图片进行公式和中文部分的分割，并使用不同的网络进行中文和数学公式的识别，进一步提高数学主观题图像到文本的识别能力。
以下是对项目经历的优化建议：
项目描述简化：
- 将项目描述中的具体技术细节进行简化，突出项目的创新点和成果。
结构化描述：
- 将项目的整体结构进行清晰的描述，包括encoder-decoder结构和各个子层的功能。
技术细节优化：
- 在描述技术细节时，可以提供更具体的信息，如具体使用的ResNet版本、TransformerDecoder的参数设置等。
数据集效果描述：
- 描述数据集的名称和规模，并提供更具体的效果指标，如准确率、召回率等。
后续工作展望：
- 提供项目的后续工作展望，如使用Yolov8进行公式和中文部分的分割，进一步提高数学主观题图像到文本的识别效果。
通过优化项目经历的描述，可以更清晰地展示项目的创新点、技术细节和成果。这样能够更好地突出个人的能力和项目的价值，给招聘者留下深刻的印象。同时，建议在简历中提供更多具体的项目细节和成果，以便招聘者更好地了解您的能力和经验。
自我评价
我是一个热爱前端开发的工程师，熟悉HTML，CSS，熟悉Sass预处理语言，具有扎实的JS基础，熟悉ES6+语法，TypeScript语法，熟悉Vue技术栈（Vue2/Vue3，Vue router，Pinia），了解webpack，vite前端工程化工具，了解git项目管理工具，了解nodejs框架。
