在计算机视觉课程项目中，基于PyTorch搭建ResNet与轻量CNN两条图像分类流程，负责数据增强策略设计、训练脚本编写与验证集评估。系统对比不同学习率、批大小和输入分辨率对准确率与收敛速度的影响，整理多组消融结果并绘制训练曲线。与组员分工调参、交叉复核实验记录，在课程划分的验证集口径下输出完整实验报告与后续优化建议，并说明小样本条件下结论的适用范围。

独立使用Python实现简历文本与岗位JD的清洗、分词、关键词抽取和相似度打分，先以TF-IDF构建基线，再引入句向量做语义匹配，并设计规则过滤明显误判。在自建的小规模标注样本上人工核对准确率与召回情况，逐条记录误差案例，归纳同义词缺失和长文本截断两类主要问题，形成可复现的脚本、配置说明与改进方向文档，为后续接入更强语义模型预留接口。