精华内容
下载资源
问答
  • 1 机器学习相关 ...参与360脑项目项目研发, 通过数据特征和算法三要素来构建完整模型服务Model-as-a-Service平台。  2、工作内容包括限于:大规模分布式机器学习算法研发和应用、

    1

    机器学习相关

    根据候选人能力及经验,职位包括但不限于:工程师、技术专家、技术经理、总监等。

    工作内容


    1、负责或参与360金融、视频、搜索广告等核心业务中机器学习算法研发,提升现有业务效果。参与360云脑项目项目研发, 通过数据、特征和算法的三要素来构建完整的模型服务Model-as-a-Service的平台。 

    2、工作内容包括但不限于:大规模分布式机器学习算法研发和应用、强化学习算法框架研发的应用、大规模自动特征工程框架研发与应用、负责领域知识图谱的构建、深度学习框架和模型的集成和开发。 

    3、探索、使用业界最前沿的机器学习方法 。

    任职要求


    1、对在以下至少一个领域有深入的研究:统计机器学习、分布式机器学习、特征工程师、深度学习、自然语言理解 

    2、编程能力优秀,熟练掌握C/C++/Java/Python,可以胜任快速原型实现与开发 

    3、对前沿、有价值的研究领域保持敏感,有能力判断或选定探索的方向 

    4、强烈的目标驱动,对技术与研究有热情,愿意挑战新的算法和新的领域 

    5、能在未知与不确定的探索研究过程中保持舒适的状态

    2

    AI平台研发相关职位

    工作内容


    1、负责/参与360机器学习建模平台、智能云平台的等核心业务中平台和框架研发和搭建工作。 

    2、对接分布式的机器学习框架,包括模型的离线学习和在线预测,以及模型评估和风险管理等,通过数据、特征和算法的三要素来构建完整的模型服务,打造一个Model-as-a-Service的PaaS / SaaS平台 。

    任职要求


    以下要求有部分吻合者即可

    1、计算机相关专业,本科或以上学历 

    2、2+年后端系统研发经验或者基础架构开发经验,熟练掌握C/C++或Java等至少一种主流机器学习语言,具备扎实的算法和数据结构功底

    3、熟练掌握性能调优的方法和工具

    4、参与过高并发分布式在线系统的研发,解决过相关性能问题 

    5、掌握MPI / 参数服务器 等分布式计算泛型技术,并有实际开发经验 

    6、精通TensorFlow等开源机器学习框架,熟悉其性能调优方法,并有实际经验 

    7、精通NoSQL数据库技术和内存数据库技术(如redis, leveldb) 

    8、精通大数据实时处理或流式处理技术(如Storm, Flink,Spark) 

    9、良好的沟通和团队协作能力

    3

    自然语言处理应用计算专家/应用工程师

    工作内容


    1、支持360金融、视频、搜索广告、智能客服等核心业务中自然语言处理工作,包括但不限于: 

    2、负责大规模非结构化的文本信息挖掘、语义理解相关的研发工作 

    3、负责领域知识图谱的构建 

    4、负责智能聊天机器人的构建 

    5、负责团队基础NLP工具开发和维护 

    6、探索、使用业界最前沿的方法提升现有NLP能力 

    任职要求

    1、计算机相关专业本科及以上学历 

    2、自然语言处理、机器学习、数据挖掘或相关专业

    3、基础扎实,编码过关,熟悉常用的算法和数据结构 

    4、熟悉Linux操作系统开发环境,熟悉数据分析 

    5、具有海量数据处理经验者优先

    4

    AI产品经理

    工作内容

    1、负责360核心业务中机器学习、深度学习、推荐引擎等AI平台和框架的产品化、服务化设计和项目管理工作。工作内容包括但不限于:设计并对接分布式的机器学习框架API,模型的离线学习和在线预测API,NLP技术产品化、以及模型评估和诊断管理等框架模块API

    2、通过数据、特征和算法的三要素来构建完整的模型服务,打造一个Model-as-a-Service的PaaS / SaaS平台。促进智能服务生态形成。

    3、负责AI平台及框架产品的业务对接落地,提升各个业务线的智能化水平及业务绩效。

    根据候选人能力及经验,职位包括但不限于:产品技术专家、产品经理、产品总监等。

    任职要求

    以下要求有部分吻合者即可

    1、全日制统招本科及以上学历,3年以上工作经验,1年以上互联网或人工智能产品经理经验;

    2、深入理解人工智能行业发展,和科技前沿视野,以及扎实的产品规划落地能力;

    3、具备独立撰写产品文档的能力,熟练掌握产品需求分析、设计技巧,对交互设计过程有深入了解;

    4、对技术前沿有敏锐的洞察力、数据敏感、逻辑思维严谨、对用户产品体验敏感;

    5、具备开发者平台、API、SDK产品设计工作经验;

    6、具有开源项目贡献者或者参与过BAT、Microsoft、Amazon、Google、Facebook搜索、推荐、计算广告框架产品设计者优先

    7、理解推荐系统、机器学习、大数据处理、自然语言处理等技术关键环节者优先。


    部门介绍


    360智能工程中心,专注利用人工智能技术赋能集团业务,通过构建360云脑,实现人工智能技术的快速有效落地,创造流量及商业价值。依托360多年产品技术优势和数据优势,云脑团队重点研发人工智能PaaS产品,包括:可定制推荐引擎服务、AI自动化建模平台、可定制智能客服、舆情安全引擎、智能营销引擎等;并通过构建游戏、视频、金融、iOT、营销大脑等垂直领域SaaS智能服务,来实现各核心业务线的流量、变现能力和运营效能提升。

    请将简历投递

    wangmengtong@360.cn


    展开全文
  • 《国家信息中心—政务安全要求》等标准文件,对云计算平台安全合规性进行检查,检验平台合规性满足情况,根据检查项综合评判平台合规程度,针对合规项给出整改建议。 数据安全咨询服务 数据安全咨询服务 ...
  • 云计算基础-余沛.pdf

    2020-04-21 09:57:53
    数据中心的现有网络能满足云计算的物理需求:进入云计算 时代后,业务特征变得更加复杂,包括:虚拟化支持、多业务 承载、资源灵活调度等。同时,随着云计算规模的增大,也给 云计算的网络带来了巨大的压力。  ...
  • 37篇经过消化云计算论文

    热门讨论 2013-05-23 23:23:30
    对比现有的数据,Sector不但支持作为数据中心的数据存储,而且可以在广域网上进行数据分发。Sphere执行流处理示例,从而支持数据密集型的应用。Sphere支持所有能用MapReduce完成的应用,Sphere更简单更容易使用。...
  • 我们希望将sourceX扩展到包括其他受众特征和领域,而仅仅是学生和教师。 使用技术 因此,该Web应用程序采用了易于使用,廉价基于云的工具和服务,例如Google Drive和GitHub来托管文件。 为了一起使用许多这些...
  • arcgis10.1正式版下载加完美破解

    千次下载 热门讨论 2012-08-14 19:20:54
    服务端强调RESTful的服务、松耦合、可监控、自服务、定量化,这些云的特征为信息共享奠定了坚实、可靠而灵活的基础。  为开发者设计的各个环境的Runtime,其轻便性、易部署性及一致的开发模式,将会为GIS定制开发...
  • Case-Study-Freshly-源码

    2021-04-19 08:55:25
    Freshly Cosmetics希望创建一个工具,以使我们能够灵活地管理物流中心的订单准备工作,为此,我们需要开发一个新的应用程序来显示在Freshe电子商务中做出的订单,并允许进行过滤和组织他们优化日常工作。...
  • 对比现有的数据,Sector不但支持作为数据中心的数据存储,而且可以在广域网上进行数据分发。Sphere执行流处理示例,从而支持数据密集型的应用。Sphere支持所有能用MapReduce完成的应用,Sphere更简单更容易使用。...
  • 人才缺口:数据中心、容器技术应用、企业级SaaS服务、网络设计、运营、复 合型管理人才 人才来源:云计算厂商:如AWS、微软、阿里、腾讯、华为云、金山云、 ucloud、七牛云等;To B领域传统厂商:如政务领域神州...
  • KArchive:用于创建,读写和操作文件档案(例如zip和 tar)库,它通过QIODevice一系列子类,使用gzip格式,提供了透明压缩和解压缩的数据。 libarchive:多格式存档和压缩库。 LZ4 :非常快速压缩算法。...
  • 控制需要显示输入法和需要显示输入法,当某些控件需要弹出输入法,只需要对应需要弹出输入法控件设置属性noinput为真即可。例如ui->txt->setProperty("noinput", true); 自适应屏幕大小,输入法弹出...
  • awesome-python 是 vinta 发起维护 Python 资源列表,内容包括:Web 框架、网络爬虫、网络内容提取、模板引擎、数据库、数据可视化、图片处理、文本处理、自然语言处理、机器学习、日志、代码分析等。由「开源前哨...
  • springCloud

    2018-08-09 16:54:33
    AMQP主要特征是面向消息、队列、路由(包括点对点和发布/订阅)、可靠性、安全。 Github:https://github.com/rabbitmq 官网地址:http://www.rabbitmq.com 安装RabbitMQ 安装RabbitMQ 可以参考之前文章 ...
  • CAD快捷键文档

    2011-12-17 19:02:10
    BO, *BOUNDARY(边界创建,包括创建闭合多段线和面域) IMP, *IMPORT(输入3DS|DXF|EPS|SAT|WMF等文件) 2、绘图命令: PO, *POINT(点) L, *LINE(直线) XL, *XLINE(构造线) PL, *PLINE(多段线) ML, *M...
  • 输入是36个通道3D体素数据包括35个通道3D体素特征,每个体素网格表示这个网格中是否有点云中点,有记为1无记为0。还有1个通道代表体素网格反射率)。然后做2D卷积,在鸟瞰图下预测2D框(即预测z值和框...

    1、 为什么要做这个研究(理论走向和目前缺陷) ?
    做3D卷积计算量太大,2D CNN信息损失又太多,考虑可以输入是3D体素但是做的是2D卷积。
    2、 他们怎么做这个研究 (方法,尤其是与之前不同之处) ?
    输入是36个通道的3D体素数据(包括35个通道的3D体素特征,每个体素网格表示这个网格中是否有点云中的点,有记为1无记为0。还有1个通道代表体素网格反射率)。然后做2D卷积,在鸟瞰图下预测2D框(即不预测z值和框的高度),包括中心点坐标,航向角和框宽和高。不用anchor,以缩小版gt框内的像素点为正例点,原版Gt框之外像素点为负例点,中间部分不参与计算损失。直接预测中心点偏移,框宽高及航向角。
    3、 发现了什么(总结结果,补充和理论的关系)?
    单阶段,anchor-free,的3D目标检测网络。也不能算是标准意义上的3D目标检测,因为没预测Z值。本文的输入表征即36个通道3D体素表征却采用2D CNN处理这种思路有点意思,但好像也不是首创,MV3D已经用过了。另外文中的一些trick如正负例像素点的选择以及回归时的decoded loss有点意思。其余整体来看创新性不大,实验结果也不怎么行。

    **摘要:**提出了PIXOR,是一个anchor-free的、单阶段的3D目标检测网络,运行速度10fps。
    1、 引言
    此时,F-pointnet还没出来,3D目标检测对点云输入的处理方式主要是3D体素化(代表3D FCN)或者2D投影(代表MV3D)。3D网格对应使用3D CNN,2D投影对应使用2D CNN。3D CNN往往计算量很大,模型运行很慢。

    2、 相关研究(略)
    在这里插入图片描述
    在这里插入图片描述

    3. PIXOR检测器
    3.1 输入表示

    还是把点云进行3D体素化,但是并不是使用3D CNN,而是2D CNN,从而减少一个维度而大量减少计算量。在做体素化过程中,每个网格中若有点,则此网格置为1,无点则置为0,由于是3D体素化,这一步会生成n=35个通道的3D网格,另外还加了一个归一化的反射率的通道,共计是n+1=36个通道作为输入特征表达。另外还做了一个简化就是默认车、人都在地面上,故不做Z值的预测,只做{θ, xc, yc, w, l}的预测,最后评估是在kitti的鸟瞰图上评估的。
    3.2 网络头设计
    网络头设计有一些trick。首先一个gt box框表示为{θ, xc, yc, w, l},θ为航向角,范围为[-pi, pi],不做z值的预测。回归分支的回归量有6个量{cos(θ), sin(θ), dx, dy, w, l},前两个用于确定θ,dx和dy用于确定box的中心点的偏移(默认中心点为当前像素点所在位置),后两个量直接就预测box的长和宽。学习目标为{cos(θ), sin(θ), log(dx), log(dy), log(w), log(l)}。
    在这里插入图片描述

    原本考虑以在gt box中的点为正例点,在gt box范围外的点为负例点。由于存在严重的正负样本不平衡,故采用focal loss。实际上,还考虑到gt box边界上的点预测的框不准,故选择正例点时还要再将gt box进行缩小,以缩小版的gt box框里的点作为正例点,在原版框中而不在缩小版正例框中的像素点进行忽略,而已原版框之外的像素点为负例点。
    还有一个trick是在计算回归损失时,直接预测{cos(θ), sin(θ), log(dx), log(dy), log(w), log(l)}还是说先根据theta和预测框中心点(x,y)和长框确定四个角点的位置,然后四个角点位置依次和gt 角点计算smooth l1损失。这种先旋转后再计算损失稳重称之为decoded loss。实验发现先用原来的smooth l1损失训练一定时间后再用decoded loss微调效果会比较好。
    这两个trick的消融实验如下:
    在这里插入图片描述

    展开全文

空空如也

空空如也

1 2
收藏数 30
精华内容 12
关键字:

云数据中心的特征不包括