Ejemplo de currículo de becario de Intel

IA / ML | Minería de datos | Internet de las cosas | Criptografía y seguridad de redes | Sistemas distribuidos | Sistemas de gestión de bases de datos | Algoritmos y paradigma | Sistemas avanzados de comunicación de datos | Arquitectura de ordenadores | Sistemas embebidos | Estructura de datos y archivos

Aprendizaje Automático / Inteligencia Artificial: Pandas, Numpy, Matplotlib, Keras, Sklearn, TensorFlow, OpenCV, Procesamiento del Lenguaje Natural, Aprendizaje Supervisado, Aprendizaje No Supervisado, Aprendizaje Federado, Aprendizaje Profundo, Aprendizaje por Refuerzo, Redes Neuronales

Minería de datos: Preprocesamiento de Datos, Visualización de Datos,

Algoritmo Market-Basket

Matemáticas: Estadística, Red de Inferencia Bayesiana

Lenguaje de programación: Python, C, C++, Java, Unix/Linux Shell Scripting

Bases de datos: Mysql, Mysqlite

SO: Windows, Mac, Linux, Unix, Raspbian

Web y otros: HTML, CSS, JavaScript, redes inalámbricas, GitLab, herramientas Intel SSD, codificación de pruebas de tolerancia a fallos

• Recompensado por el 'ECS Research Assistant-ship Program' en el campo de ML y comunicación de datos inalámbricos por la cátedra de la ECS en CSUS para ayudar al profesor con la investigación creativa
• Recompensado 'Certificado de reconocimiento' por presentar el trabajo de investigación en 'Student Research & Creative Activity Fall Forum 2019' organizado por ECS en CSUS para el proyecto de investigación 'Performance Optimization in Physical Layer using Deep Learning'

1. Voluntario de la feria de carreras de la ECS CSUS, Estados Unidos
2. Voluntario delTech Fest KSV , India

Presencia de scripts de automatización de validación de SSD

• Aprendí la automatización de la validación de SSD requerida por el cliente, contribuí a un equipo orientado al cliente

Clasificación de la modulación inalámbrica con GAN Presente

• Clasificación de las diferentes distribuciones de modulación inalámbrica con aumento de datos por GAN

Optimización delrendimiento en la capa física (DL ) 08/2019

• La optimización del rendimiento del modelo profundo en la predicción de los bits transmitidos en base a los bits recibidos utilizando OFDM y QAM

Detección de falsificación de imágenes (visión por ordenador) 05/2019

• Utilizó generadores de datos de imagen, bibliotecas OpenCV para el manejo de datos de imagen que apuntaban a la clasificación binaria de las imágenes reales / falsas

Predicción del precio de las acciones usando LSTM y CNN 04/2019

• Comparación del rendimiento de los modelos profundos utilizados datos de series temporales

Detección de intrusiones en la red 03/2019

• Observado el impacto de la extracción de características destinadas a detectar la intrusión de la red basada en los datos de conexión de la red

Predicción de la calificación de negocios de Yelp 02/2019

• Trató con NLP para manejar la minería de texto como problemas de clasificación y regresión para predecir las calificaciones de estrellas basadas en la revisión

Clustering : Tweets de las elecciones de Estados Unidos 03/2019

• Observación de los hashtags de los tweets más trending y de los usuarios de tweeter mediante aprendizaje no supervisado

Adquisición de datos de Raspberry pi + esteganografía

• Realizada la adquisición de datos utilizando varios software forenses y esteganografía utilizando el script de python

Sensor de detección de incendios con Arduino (IoT)

• Utilizar el módulo de detección de incendios con Arduino para detectar la llama del fuego. Visualizar las lecturas del sensor utilizando python y la biblioteca Matplotlib