面向机房设备日志构建异常检测流程，负责样本划分、特征工程与模型对比，使用Python、scikit-learn和PyTorch实现基线模型；与组员分工完成标注校验和结果复核。在课程实验环境、固定随机种子下测试，F1较逻辑回归基线提升约8个百分点，并整理可复现实验报告与答辩材料。项目加深了我对日志数据噪声处理与模型泛化能力的理解，为后续参与智算中心运维算法研发积累了工程经验。

模拟智算任务到达与资源占用，使用Python、Pandas和轻量时序模型预测短期负载，设计调度策略对比脚本；通过本地单机环境、自建样本集验证，预测误差较移动平均基线降低约12%，并输出可视化看板与调参记录，梳理模型在真实机房场景的适用边界。在此基础上尝试将预测结果接入简单调度决策，观察资源利用率变化，为理解算力基础设施中的负载均衡问题提供了实践参考。