印第安纳州南本德 | (574) 329-2495 | hi@sghuang.com LinkedIn:in.sghuang.com | GitHub:git.sghuang.com | 网站:sghuang.com 目标 开发能够赋予人们权力的软件产品。 在高影响力项目中证明了经过验证的开发和产品/项目管理技能,具有快速适应新领域和新技术以及敏捷理念的记录。 精通技术堆栈,包括 Next.js、React、Vue、Tailwind CSS、MongoDB、Python、Git。 教育 圣母大学 (ND) 印第安纳州圣母大学 计算机科学与工程硕士 | GPA 3.722/4.000 2023 年 8 月 - 2025 年 5 月 南方科技大学 (SUSTECH) 中国广东深圳 微电子科学与工程工学学士 | GPA 3.69/4.00 2019 年 9 月 – 2023 年 6 月 经验 MYTICKETS 印第安纳州圣母大学 全栈软件工程师 2024 年 12 月 – 至今 § 作为第三位开发人员加入,为 Next.js Web 应用程序和基于 React 的
2025 – 2029 美国国立卫生研究院,R01NS134754 总计:2,277,758 美元 上肢和语音适应中的基本预测计算 角色:MPI(与 Caroline Niziolek、Benjamin Parrell 和 Jordan Taylor 合作) 2024 – 2028 美国国立卫生研究院,R01MH133886 总计:3,652,686 美元 学习、决策和记忆的神经计算 角色:Co-I(PI:Ifat Levy 教授) 2023 – 2027 美国国立卫生研究院,R01NS132926 总计:2,093,750 美元 人类小脑中的广义预测误差 角色:PI 2022 – 2024 耶鲁大学吴仔研究所,创新资助 总计: $150,000 用于运动检测的领域通用神经算法 角色:联合 PI(与 Damon Clark 教授合作) 2023 Meta,无限制研究礼物 总计:$25,000 角色:PI 2022 – 2023 耶鲁大学,Seesel 博士后招聘捐赠奖 总计:$75,000 小脑在基于奖励的学习中的作用:对神经计算的影响 角色:PI
摘要 — 现在,物联网应用需要增强识别和自适应等功能。虽然物联网节点功耗是这些应用的主要关注点,但由于通过无线网络连续传输传感器或图像数据,基于云的处理变得难以为继。因此,应在物联网节点中集成优化的 ML 功能和数据传输。此外,物联网应用在零星数据记录和耗能数据处理(例如图像分类)之间左右为难。因此,节点的多功能性是解决这种多样化能源和处理需求的关键。本文介绍了 SamurAI,这是一种多功能物联网节点,它通过利用两个片上子系统来弥补处理和能源方面的差距:低功耗、无时钟、事件驱动的始终响应 (AR) 部分和节能的按需 (OD) 部分。 AR 包含一个 1.7MOPS 事件驱动的异步唤醒控制器 (WuC),唤醒时间为 207ns,针对零星计算进行了优化,而 OD 结合了深度睡眠 RISC-V CPU 和 1.3TOPS/W 机器学习 (ML),可执行高达 36GOPS 的更复杂任务。这种架构分区实现了同类最佳的多功能性指标,例如峰值性能与空闲功率比。在应用分类场景中,它展示了系统功率增益,与基于云的处理相比高达 3.5 倍,从而延长了电池寿命。
我很高兴在2024年11月13日至15日在COSA举行的COSA 51年度科学会议上介绍我们的研究。我是早期的职业肿瘤学家,主要对癌症护理对患者和社会的价值感兴趣。我目前的研究重点是晚期癌症的姑息治疗的时间负担,那里的时间有限,生存时间的很大一部分通常专门用于接收,通勤和协调癌症护理,否则称为癌症治疗的“时间毒性”。我介绍了我们的海报:“癌症是我的生命”:2024年COSA ASM上晚期GI癌的时间毒性的耐心观点。我们的工作是从患有晚期癌症患者的角度来看,时间毒性的第一个基础定性分析之一,也是第一个探索探索大都市和区域性位置的澳大利亚人的探索。美丽的黄金海岸是来自所有学科的1000多名癌症临床医生的理想场所,以围绕该主题聚集:弥合差距,建立进步,分解差异。有一个明显的渴望来解决获得医疗保健方面的全球和本地问题,由主题演讲者丹妮尔·罗丹(Danielle Rodin)博士(加拿大玛格丽特癌症中心)和罗宾·Zon(ASCO总裁)(美国的ASCO总裁)精美地强调了。包括盖尔·加维(Gail Garvey AM)(昆士兰州大学)和一位/梅·梅·伊普(A/A/A Prof)的一系列强大的当地研究人员在广泛的讨论中增加了他们的专业知识,这些讨论描述了不平等,同时对某些挑战性问题的解决方案充满乐观的态度。值得注意的会议包括涵盖生活质量,预后不良,患者报告的结果和实施科学的那些会议,所有这些都与我们小组在
脑源性神经营养因子(BDNF)是神经营养蛋白家族的成员,在神经元保护和突触可塑性中起关键作用。BDNF的变化与各种病理条件有关,包括甲基苯丙胺(METH)成瘾,尽管Meth对BDNF表达的影响并不总是一致。我们先前已经证明了慢性甲基甲基化对大鼠脑中BDNF甲基化和表达的区域特异性作用。这项研究旨在确定慢性甲基施用对大鼠额叶皮层和海马中的免疫组织化学使用BDNF蛋白表达的影响。还确定了新颖的对象识别(NOR)作为认知功能的量度。雄性Sprague Dawley大鼠被施用甲基甲基或媒介物14天内的慢性升级剂量(0.1-4 mg/kg);在没有测试前一天的最后一天,还给予接受甲基苯酚的动物亚组。结果表明,海马CA1 BDNF蛋白在ED-BING大鼠中显着增加了72%,而其他海马区域和额叶皮层没有显着影响。甲基采集的动物在延迟24小时后也表现出赤字。显而易见的是,额外的暴饮暴食对BDNF蛋白或没有发现的显着影响。这一发现与我们先前的DNA甲基化降低和BDNF基因表达增加的结果一致。海马BDNF的增加可能反映出响应于谷氨酸升高而产生的保护因子的初始增加,从而导致神经退行性兴奋性。
学者工程与技术杂志缩写关键标题:Sch J Eng Tech ISSN 2347-9523(印刷版)| ISSN 2321-435X(在线) 期刊主页:https://saspublishers.com 应用人工智能算法预测镰状细胞危机可能性 Essang Samuel Okon 1*、Kolawole Olamide Michael 1、Runyi Emmanuel Francis 2、Ante Jackson Efiong 3*、Ogar-Abang Micheal Obi 1、Auta Jonathan Timothy 4、Okon Paul Edet 5、Effiong Raphael Dominic 6、Ukim Akanimo Jimmy 5 1 尼日利亚阿克帕布约亚瑟贾维斯大学数学与计算机科学系 2 尼日利亚乌盖普联邦理工学院统计系 3 尼日利亚姆克帕塔克 Topfaith 大学数学系 4 尼日利亚阿布贾非洲科技大学纯数学与应用数学系 5 电气/电子学系Topfaith 大学,尼日利亚姆克帕塔克 6 卡拉巴尔大学数学系,尼日利亚卡拉巴尔 DOI:https://doi.org/10.36347/sjet.2024.v12i12.008 | 收到日期:2024 年 11 月 9 日 | 接受日期:2024 年 12 月 16 日 | 出版日期:2024 年 12 月 26 日 * 通讯作者:Essang Samuel Okon;Ante Jackson Efiong 亚瑟贾维斯大学数学与计算机科学系,尼日利亚阿克帕布约;Topfaith 大学数学系,尼日利亚姆克帕塔克
艾伯塔省教育要求每所学校制定一项计划以改善学生学习。学校发展计划(SDP)将单个学校目标与CBE教育计划中确定的目标保持一致| 2024-2027。每年,学校都会捕获对设定目标的持续改进的证据。根据艾伯塔省教育对学校权限计划和成绩报告的要求,学校随后在一份年度报告中通过传达学生的成长和成就来向学校社区提供保证,以证明改进结果和下一步。这些结果支持不断提高向学生提供的教育计划的质量和有效性,同时也改善了学生的学习和成就(学校当局的资助手册2024-25学年p。196)。
[1] 詹姆斯“吉姆”科里根在工作了一天后回到家,头痛欲裂,而且随着时间的推移,头痛愈演愈烈。2 他躺下,但房间开始旋转,视力模糊。他感觉到有什么不对劲,便去了急诊室,等候区里挤满了寻求医疗救助的人。一名护士叫来了吉姆,她从屏幕上读出了各种问题。他的回答产生了计算机响应,表明他可能中风了,需要进行计算机断层扫描 (CT)。病人立即被送往放射科,进行了 CT 扫描。二十秒后,计算机显示吉姆患有缺血性中风,并通知主治医生病人需要组织型纤溶酶原激活剂来溶解血栓,恢复脑血流。3 采取了适当的措施,病人迅速成功康复。 [2] 这一场景并非科幻电影的剧本,而是人工智能 (AI) 如何推动医疗保健发展的表现。通过使用与人类相似的技术,
•编程和脚本:熟练掌握R,Python,Matlab,Bash进行数据分析,统计建模和生物信息学管道。•生物信息学:在单细胞和空间转录组学,变体分析,RNA-seq和多摩学集成中经验丰富。•数据分析和可视化:使用Seurat,Deseq2和Pseudobulk等工具开发自定义工作流程进行生物数据分析的熟练。使用GGPLOT2和绘图的数据可视化中的强大功能。•云和高性能计算:设置和管理云基础架构(AWS,GCP)和HPC环境方面的专业知识,使用Slurm和Docker进行可扩展计算。•软件和Web开发:开发了带有r闪亮,简化和反应的生物信息学Web应用程序,重点是交互式数据探索。•机器学习与建模:应用机器学习技术到生物医学数据,具有特征选择,分类模型和网络分析的经验。•工作流程管理:使用NextFlow和管道开发进行大规模基因组数据处理的工作流管理经验。