博客 问问

热门回答 最新 推荐 悬赏 更多〉

博客文章 动态 热门 超赞 更多〉

优质资源 下一页 上一页

国外公开课 更多〉

近年来,Julia语言已然成为编程界的新宠。这门由MITCSAIL实验室开发的编程语言结合了C语言的速度、Ruby的灵活、Python的通用性,以及其他各种语言的优势于一身,并且具有开源、简单易掌握的特点,大有潜力成为取代Python的下一个语言。8日,Julia正式发布1.0版本。Julia团队表示:“Julia1.0版本是我们为如饥似渴的程序员构建一种全新语言数十年来工作成果的巅峰。”那么问题来了,Julia真有这么神?你做好学习一门新编程语言的准备了吗?为什么你应该学习Julia?从2012年到现在,Julia1.0在编程界已经打出了自己的一片“小天地”。截至发稿前,Julia在Github上已经获得了12293颗星星,TOIBE8月份编程语言排行榜上已迅速攀升至第50名。Julia之所以这么受欢迎,这与它解决了工程师们一个“坑爹”问题有关:工程师们为了在数据分析中获得速度和易用性,不得不首先用一种语言编码,然后用另一种语言重写,即很多人口中的“双语言问题”。与其他语言相比,Julia易于使用,大幅减少了需要写的代码行数;并且能够很容易地部署于云容器,有更多的工具包和库,并且结合了多种语言的优势。据JuliaComputing的宣传,在七项基础算法的测试中,Julia比Python快20倍,比R快100倍,比Matlab快93倍。目前Julia的应用范围已经非常广泛了,可以用于天文图像分析、自动驾驶汽车、机器人和3D打印机、精准医疗、增强现实、基因组学和风险管理等领域。两年前,诺贝尔经济学奖得主ThomasSargent和澳大利亚国立大学的经济学教授JohnStachurski,共同建议纽约联邦储备银行把其用于市场走势预测和政策分析的“动态随机一般均衡模型(DSGE)”转到Julia语言平台。在项目第一阶段后,他们发现,Julia把模型运行时间缩短至原先Matlab代码的十分之一到四分之三。除了语言本身的优点,Julia还拥有非常强大的生态系统,主要应用于数据可视化、通用计算、数据科学、机器学习、科学领域、并行计算六大领域。Julia在规模化机器学习领域为深度学习、机器学习和AI提供了强大的工具(Flux和Knet)。Julia的数学语法使其成为表达算法的理想方式,支持构建具有自动差异的可训练模型,支持GPU加速和处理数TB的数据。Julia丰富的机器学习生态系统还提供监督学习算法(如回归、决策树)、无监督学习算法(如聚类)、贝叶斯网络和马尔可夫链蒙特卡罗包等。Julia目前下载量已经达到了200万次,Julia社区开发了超过1900多个扩展包。这些扩展包包含各种各样的数学库、数学运算工具和用于通用计算的库。除此之外,Julia语言还可以轻松使用Python、R、C/C++和Java中的库,这极大地扩展了Julia语言的使用范围。所以说,Julia火起来不是没有原因的,而最新发布的1.0版本又添加了很多新功能。按例,先贴上新版本相关链接:Julia1.0试用版链接:https://julialang.org/downloads/GitHub地址:https://github.com/JuliaLang/julia目前支持Julia的平台:Julia到底是怎样一门语言?Julia首次公开面世时便体现出该社区对语言的一些强烈要求:我们想要一种拥有自由许可的开源语言。我们想要它拥有C的速度与Ruby的灵活。它要容易理解,像Lisp一样真正地支持宏,但也要有像Matlab一样的明显、熟悉的数学符号。它还要像Python一样可用于通用编程,像R一样易于统计,像Perl一样可自然地用于字符串处理,像Matlab一样擅长线性代数,像shell一样擅长将程序粘合在一起。总之,它既要简单易学,但也要让最严肃的黑客开心。我们既希望它是交互式,也希望它是可编译的。现在,一个充满活力和蓬勃发展的社区围绕着这种语言成长起来,来自世界各地的人们在追求这一目标的过程中不断地精炼并重塑着Julia。超过700人为Julia做出了贡献,还有很多人制作了数以千计的令人惊叹的开源Julia软件包。总而言之,我们建立的语言:快速:Julia就是为高性能而设计的。Julia程序通过LLVM编译为多个平台的高效本机代码。通用:它使用多个调度作为范例,使得它很容易表达众多面向对象和函数编程的模式。它的标准库提供异步I/O、进程控制、日志记录、概要分析、软件包管理器等。动态:Julia是动态类型的,就像一种脚本语言,并且很好地支持交互式使用。技术:它擅长于数值计算,其语法非常适合数学,支持的数字数据类型众多,并具有开箱即用并行性。Julia的多次调度非常适合定义数字和数组类型的数据类型。(可选)键入:Julia具有丰富的描述性数据类型语言,类型声明可用于阐明和巩固程序。可组合:Julia的软件包可以很好地协同工作。单位数量矩阵,货币和颜色数据表都可以进行,并且性能良好。如果你要从Julia0.6或更早版本升级代码,我们建议首先使用过渡版0.7,其中包括弃用警告帮助指导完成升级。如果你的代码没有警告,则可以更改为1.0而无需任何功能更改。已注册的软件包正在使用该过渡版本发布1.0兼容的更新。1.0更新了哪些功能?当然,Julia1.0中最重要的一个新功能是对语言API稳定性的承诺:你为Julia1.0编写的代码可以继续在Julia1.1、1.2等版本中运行。该语言是“已完善”的,核心语言开发人员和社区都可以放心使用基于此版本的软件包、工具和新功能。但Julia1.0更新的不仅是稳定性,它还引入了一些强大、创新的语言功能。自0.6版以来,新发布的一些功能包括:全新的内置软件包管理器性能得以大幅改进,使安装包及其dependencies项变得前所未有的简单。它还支持每个项目的包环境,并记录工作应用程序的确切状态,以便与他人和你自己进行共享。最后,新的设计还引入了对私有包和包存储库的无缝支持。你可以使用与开源软件包生态系统相同的工具来安装和管理私有软件包。JuliaCon上展示了新功能设计的详细情况:https://www.youtube.com/watch?v=GBi__3nF-rMJulia有了一个新的规范表示缺失值(https://julialang.org/blog/2018/06/missing)。能够表示和处理缺失的数据是统计和数据科学的基础。与Julian的一贯风格相符,这个新的解决方案具有通用性、可组合性和高性能。任何泛型集合类型都可以通过让元素包含missing的预定义值来有效地支持缺失值。在以前的Julia版本中,这种“联合类型”集合的性能会太慢,但编译器的改进现在使得Julia可以跟上其他系统中自定义C或C++缺失数据表示的速度,同时也更加通用和灵活。内置的String类型现在可以安全地保存任意数据。你的程序数小时甚至数天的工作不再会因为一些无效Unicode杂乱字节而失败。保留所有字符串数据,同时标记哪些字符有效或无效,可以使你的应用程序安全方便地处理不可避免具有缺陷的真实数据。语法简单的广播(Broadcasting)已经成为核心语言功能,现在它比以往任何时候功能都更强大。在Julia1.0中,将广播扩展到自定义类型并在GPU和其他矢量化硬件上实现高效优化计算变得更简单,为将来提高性能提升铺平了道路。命名元组是一种新的语言特性,它使得通过名称表示和访问数据变得高效快捷。例如,你可以将一行数据表示为row=(name=“Julia”,version=v“1.0.0”,releases=8),并将版本列作为row.version访问,其性能与不甚快捷的row[2]相同。点运算符现在可以重载,让类型使用obj.property语法来获取和设置结构字段之外的含义。这对于使用Python和Java等基于类的语言更顺畅地进行互操作是个福音。属性访问器重载还允许获取一列数据以匹配命名元组语法的语法:你可以编写table.version来访问表的version列,就像row.version访问单行的version字段一样。Julia的优化器在很多方面变得比我们在这里提到的更聪明,但有一些亮点值得一提。优化器现在可以通过函数调用传播常量,可以更好地做到死码消除和静态评估。另外,编译器在避免在长生命周期对象周围分配短期包装器方面也要好得多,这使得程序员可以使用便利的高级抽象而无需降低性能成本。现在使用声明相同的语法调用参数类型构造函数。这消除了语言语法的模糊和令人困惑的地方。迭代协议已经完全重新设计,以便更容易实现多种迭代。现在是一对一定义一个或两个参数方法,而不是定义三个不同泛型函数的方法——start,next,和done。这通常使得使用具有开始状态的默认值的单个定义可以更方便地定义迭代。更重要的是,一旦发现无法生成值就可以部署迭代器。这些迭代器在I/O、网络和生产者/消费者模式中无处不在;Julia现在可以用简单直接的方式表达这些迭代器。范围规则简化。无论名称的全局绑定是否已存在,引入本地范围的构造现在都是一致的。这消除了先前存在的“软/硬范围”区别,并且意味着现在Julia可以始终静态地确定变量是本地的还是全局的。语言本身非常精简,许多组件被拆分为“标准库”软件包,这些软件包随Julia一起提供但不属于“基础”语言。如果你需要它们,它可以给你方便(不需要安装),但不会被强加给你。在未来,这也将允许标准库独立于Julia本身进行版本控制和升级,从而允许它们以更快的速度发展和改进。我们对Julia的所有API进行了彻底的审查,以提高一致性和可用性。许多模糊的遗留名称和低效的编程模式已被重命名或重构,以更优雅地匹配Julia的功能。这促使使用集合更加一致和连贯,以确保参数排序遵循整个语言的一致标准,并在适当的时候将(现在更快)关键字参数合并到API中。围绕Julia1.0新功能的新外部包正在构建中。例如:正在改进数据处理和操纵生态系统,以利用新的缺失支持Cassette.jl(https://github.com/jrevels/Cassette.jl)提供了一种强大的机制,可以将代码转换传递注入Julia的编译器,从而实现事后分析和现有代码的扩展。除了用于分析和调试等程序员的工具之外,甚至可以实现机器学习任务的自动区分。异构体系结构支持得到了极大的改进,并且与Julia编译器的内部结构进一步分离。英特尔KNL只能用Julia工作。NvidiaGPU使用CUDANative.jl(https://github.com/JuliaGPU/CUDAnative.jl)软件包进行编程,GoogleTPU的端口正在开发中。另外,Julia1.0还有无数其他大大小小的改进。有关更改的完整列表,请参阅文件:https://docs.julialang.org/en/release-0.7/NEWS/。在2012年的文章《为什么我们创造Julia》这篇博客文章中(https://julialang.org/blog/2012/02/why-we-created-julia),我们写道:它不完整,但现在是1.0发布的时候——我们创建的语言叫做Julia。现在,我们提前叩响了1.0版本发布的扳机,但它发布的时刻已然到来。真诚地为这些年来为这门现代化编程语言做出贡献的人们感到骄傲。原文链接:https://julialang.org/blog/2018/08/one-point-zero(本文经授权转载自AI前线,ID:ai-front,点击阅读原文查看原文。)

作者:CDA管理员

在最新的Kaggle用户排行榜上,排名第一位的ID是Bestfitting,他本人叫ShubinDai。ShubinDai在两年前加入Kaggle,目前生活在中国湖南省长沙。他是一名数据科学家、工程师,目前领导一家为银行提供软件解决方案的公司。在工作之余,除了Kaggle,Dai还是一名狂热的山地车手,喜欢户外运动。最近ShubinDai接受了Kaggle团队的专访,分享了他在参加Kaggle竞赛时的心得与体会。Q1:可以介绍以下自己和相关背景吗?我的专业是计算机科学,在软件开发方面有超过10年的经验。目前我负责领导一个团队,专门为银行提供数据处理和分析的方案。自大学以来,我对利用数学知识构建程序,从而来解决问题十分感兴趣。我一直在阅读计算机科学方面的书籍和论文,并且很高兴见证了过去十年中机器学习和深度学习方面的进展。Q2:你是如何开始参加Kaggle比赛的?正如之前所说的,我一直在阅读大量机器学习和深度学习方面的书籍和论文,但发现很难将我学到的算法应用于小型数据集。我发现Kaggle是一个很棒的平台,当中有各种有趣的数据集、算法和精彩的探讨。我迫不及待想进行尝试,我第一个参加的比赛是“预测红帽商业价值”(PredictingRedHatBusinessValue)。Q3:在参加新的比赛时,你首先会做什么?在比赛开始的第一个星期,我会创建一个解决方案文档,在比赛进行中,我会不断对文档进行更新。为此,首先我需要了解比赛和手上的数据,然后研究类似的Kaggle比赛和相关论文。Q4:在比赛时,你会做哪些步骤呢?1.仔细阅读比赛的概述和数据的描述;2.查找类似的Kaggle比赛。作为刚加入Kaggle社区不久的新手,我对所有的Kaggle比赛进行了搜索和分析;3.研究类似比赛的解决方案;4.阅读相关论文,确保我跟进该领域的最新进展;5.分析数据,并构建可靠的交叉验证;6.进行数据预处理、特征工程、模型训练;7.进行结果分析,包括预测分布、错误分析、困难样本等;8.根据分析,精心设计模型或设计新模型;9.基于数据分析和结果分析,通过设计模型增加多样性,或解决困难样本;10.模型集成;11.必要时返回前面某个步骤。Q5:你最喜欢的机器学习算法是什么?我会逐个选择算法,但在进行集成时我更喜欢用简单的算法,如岭回归(ridgeregression)。在深度学习的比赛中,在开始我总是喜欢使用resnet-50或设计类似的结构。Q6:你最喜欢的机器学习库是什么?在计算机视觉比赛中,我非常喜欢用pytorch。在自然语言处理或时间序列比赛中,我喜欢用TensorFlow或keras。在进行分析时,我会使用seaborn,以及scipy库。很多情况下scikit-learn和XGB都是不错的选择。Q7:你会如何进行超参数调整呢?我根据对数据和算法的理论理解来调整参数,如果我无法解释结果变好或变坏的原因,我不会轻易使用。在深度学习比赛中,我经常会搜索相关论文,查找在类似情况下其他人会怎么做。而且,我会比较参数更改前后的结果,例如预测分布、受影响的样本等。Q8:你是如何确定交叉验证方法和最终的提交模型?有了好的交叉验证方法就成功了一半。在找到好的方法来评估模型前,我不会进入下一步。为了构建可靠的交叉验证方法,你必须很好地理解数据和所面临的挑战。我还会检查,并确保验证集与训练集和测试集有类似的分布,我会确保我的模型本地交叉验证和公共排行榜上都有不错的改进。在时间序列比赛中,我会留出数据作为验证集。通常,我会以一种保守方式来选择最终的提交模型。我会选择对可靠模型进行加权平均后的集成模型,并确定出其中相对冒险的模型。在我看来,更多的参数意味着更多的风险。但我不会选择我无法解释的模型,即使它的公共排行榜得分很高。Q9:简而言之,怎样才能赢得比赛?需要良好的交叉验证方法。以及从其他比赛中学习,阅读相关论文,还需要自律和心里承受力。Q10:你最喜欢哪类Kaggle比赛?为什么?我最喜欢自然保护和医疗相关的比赛。我觉得我有必要为改善我们的生活和保护地球做些什么。Q11:机器学习中,你对哪个子领域最感兴趣?我对深度学习的各种进步都很感兴趣。我想利用深度学习解决除计算机视觉和自然语言处理之外的问题,因此在我参加的比赛和日常工作中,我会使用到深度学习。Q12:对你而言,在解决数据科学问题时,专业知识有多重要?老实说,我不认为专业知识会有太多的作用,原因如下:1.Kaggle提供的比赛数据对每个人都很公平;2.仅使用成熟的方法赢得比赛是很难的,尤其是对于深度学习的比赛。因此我们需要更多创造性的解决方案;3.数据本身更重要,尽管我们可能需要阅读一些相关的材料。但是也有一些例外。例如,在PlanetAmazon比赛中,我从我在热带雨林的经历中获得了一些想法,但这些经验并不能称为专业知识。Q13:你认为你最有竞争力的比赛技巧是什么?我认为是在比赛开始时准备解决方案文档。我会列一份清单,包括面临的挑战、应该阅读的解决方案和论文、可能的风险、可能的交叉验证方法、可能的数据增强方法以及加强模型多样性的方式。而且,我会不断更新文档。幸运的是,这些文档在我之后的比赛中都很很大的帮助。Q14:在工作中,你是如何运用数据科学的?Kaggle比赛有所帮助吗?我的团队尝试通过机器学习解决各种银行业务问题,比如预测银行网点的访客;预测ATM应准备的现金;产品推荐;操作风险控制等。Kaggle比赛也改变了我的工作方式,当我为解决问题寻找解决方案时,我会寻找类似的Kaggle比赛,因为那些都是宝贵的资源。同时我还建议我的同事们研究类似的解决方案,从中获得启发。Q15:你如何权衡模型复杂性和训练/测试运行时间?以下是我的看法:1.只有当这方面出现问题时,培训/测试运行时间才值得关注。当正确率很重要时,不用太担心模型的复杂性。如果获得训练数据需要好几个月的时间,那么我们需要充分的利用。2.现在,只对弱模型进行集成很难赢得比赛。如果你想成为第一名,你需要多个很好的单一模型。如果我想在比赛中确保第一名,我会设计几个不同的模型,并且在排行榜上能达到前10名,有时甚至是前3名。3.按照我的经验,我会在比赛中设计模型来探索这个问题的上限,然后选择一个简单的模型使其在实际情况下可行。我总会尽量向组织者提交一个简单模型,并且与他们进行讨论。我发现一些组织者甚至会使用我们的方案来解决他们面临的其他问题。4.当训练/测试运行时间很重要时,Kaggle有很多机制来确保性能:kernel比赛、团队规模限制、增加更多在计分时未计算的数据等。我相信Kaggle也会根据比赛目标改进规则。Q16:你是如何在Kaggle比赛不断进步的?有趣的比赛和Kaggle中强大的竞争对手让我不断进步。Kaggle中有许多优秀的竞争者,因此想赢得比赛并非易事,这不断挑战我的极限。去年,我尽可能多地完成比赛,并且猜测其他竞争者会做什么。为此,我必须阅读大量材料,并构建多功能模型。在比赛之后,我研究了其他竞争对手的解决方案。Q17:你有关注哪些最近或正在进行的机器学习比赛吗?今年我希望能参加Kaggle的深度强化学习比赛。Q18:你仅用15个月就上升到排行榜的第一名,你是怎么做到的?首先,取得第一只是代表我在Kaggle所学到的知识,而且我也幸运。在我的前几次比赛中,我试图将近年来学到的理论转化为技巧,并从其他人那里学到很多。在对Kaggle比赛有一定的了解之后,我开始思考如何用系统化的方式进行比赛,因为我在软件工程方面有多年经验。大约半年后,我获得了首个奖项,并获得了一些自信。我感觉我可能会在一年内成为达到大师级别。在PlanetAmazon比赛中,我试图获得金牌,当发现自己名列第一位时,我非常惊讶。然后我觉得应该继续使用之前提到的策略和方法,从而取得更多的成功。在赢得Cdiscount比赛后,我爬升到了用户排名榜的前列。我从Kaggle平台受益颇多,我从其他人那里学到了很多,Kaggle的用户排名系统也激励着我不断进步。我也感到很幸运,我没想到我能连续获得6次奖项,在许多比赛中取得了前10名或前1%的成绩。我可能很难再重复这个经历了。但是,取得好的排名并不是我的目标。我把每场比赛都视为学习的机会,因此我会选择我不太熟悉领域的比赛,这迫使我去年研读了成百上千篇论文。Q19:你提到过,你喜欢研究之前比赛中评分最高的解决方案。你有什么特别的见解吗?我尊重所有的赢家和出色解决方案的贡献者,我知道他们付出了非常多的努力。我总是以一种可敬的态度研究这些解决方案。

作者:CDA管理员

最新活动 更多〉

精选课程 更多〉

求职招聘 发简历 发招聘

数据分析师竞赛 更多〉

「寻找中国的西蒙斯」经管之家首届量化投资大赛等你来挑战 经管之家首届量化投资大赛,发掘量化精英,iPhone、iPad 奖品丰厚,更有知名证券、私募实习机会! 大航杯“智造扬中”电力AI大赛 2017年大航集团携手江苏省扬中高新技术产业开发区、阿里云联合主办大航杯“智造扬中” 电力AI大赛。大赛面向全社会开放,高等院校、科研单位、互联网企业、创客团队等人员均可报名参赛,组队上限3人 “汇丰杯”2016年中国高校SAS数据分析大赛 深圳索信达数据技术股份有限公司联合SAS中国、数学中国举办,并有汇丰银行和深圳嘟嘟智能科技有限公司赞助举办的“汇丰杯”2016年中国高校SAS数据分析大赛初赛圆满举行,本届大赛决赛将于11月19-20日在北京林业大学举行 全国大学生大数据竞赛 本次比赛由大数据研究中心,电子科技大学校团委和电子科技大学计算机学院共同主办。竞赛面向全国本科生、研究生以及博士生,旨在通过竞技的方式,提高学生对数据挖掘技术和基本算法的兴趣和应用能力,激励学生们的探索精神,在全国范围内发现和培养大数据技术人才,同时尝试创新大数据技术,改善大数据技术在产业化应用中的技术问题。 facebook黑客杯世界编程大赛 由Facebook脸谱主办的国际性的编程比赛 。竞赛始于2011年,是作为一种手段来招募工程技术人才。比赛由必须要在一个固定的时间内解决的一组算法问题组成,参赛者可以使用任何编程语言和发展环境去找他们的解决方案。Facebook将这次竞赛作为一个重要的人才招募平台,用以吸引优秀的程序设计人员加盟。预选赛的前25名将被邀请到Facebook总部进行决赛,决赛胜者将被授予全球“最佳黑客”称号,同时获得现金奖励。 ACM比赛 ACM比赛含金量很高,ACM程序设计大赛是大学级别最高的脑力竞赛,素来被冠以"程序设计的奥林匹克"的尊称。大赛至今已有近40年的历史,是世界范围内历史最悠久、规模最大的程序设计竞赛。比赛参赛队员必须在5小时内编完程序并进行测试和调试。该大赛对参赛学生的逻辑分析能力、策略制定和脑力方面具有极大的挑战性。大赛提倡在压力较大的情况下,培养学生的创造力、团队合作精神以解决竞赛的问题,从而挑选和发掘世界上最优秀的程序设计人才。 2017中国高校计算机大赛——大数据挑战赛(BigDataChallenge) 2017中国高校计算机大赛——大数据挑战赛是由教育部高等学校计算机类专业教学指导委员会、软件工程专业教学指导委员会、计算机课程教学指导委会和全国高等学校计算机教育研究联合主办,清华大学和腾讯安全平台部联合承办,在腾讯DIX平台上开展的高端算法竞赛。大赛面向全球高校在校生开放,旨在通过竞技的方式提升人们对数据分析与处理的算法研究与技术应用能力,探索大数据的核心科学与技术问题,尝试创新大数据技术,推动大数据的产学研用,本次大赛鼓励高校导师参与指导 。 数据科学与大数据分析处理竞赛平台 DataFountain大数据分析处理竞赛平台。平台的宗旨是“数据互联、大众创新”,是大数据资源和需求的汇聚地,是优秀数据科学家的俱乐部,是“大众创业、万众创新”的在线空间。
CDA杯大数据全生态全国高校创新创业竞赛 由经管之家(原人大经济论坛)联合CDA Institute共同举办,此次大赛主要面向高校在校生(包括本、硕、博士生),旨在培养学生的数据分析、大数据动手能力,调动学生的学习兴趣;挖掘高校大数据人才,发现大数据优质项目,为企业输送数据分析与大数据人才,为学生创造就业机会,鼓励高校大数据创新创业。 高校大数据创意大赛·北京站 由紫数网和中央财经大学统计与数学学院联合举办的2016北京高校大数据创意大赛·北京站于近日在京成功举办。共有104支代表队,百余人参与比赛, 9个作品入围,6个作品脱颖而出并赢得最终的大奖 2017 CCF大数据与计算智能大赛 2017 CCF大数据与计算智能大赛( Big Data & Computing Intelligence Contest,简称“BDCI” ),是大数据及人工智能领域算法挑战大型赛事。 百度之星 百度之星程序设计大赛由百度公司发起创办,旨在为广大程序设计爱好者搭建一个比试身手、切磋交流的平台。大赛每年邀请喜欢发掘最佳算法和数据结构以解决各种挑战性问题的程序员高手参与其中,获得优胜的选手可以获得进入百度的实习机会,还能获得现金奖励。 谷歌全球编程挑战赛 由Google 举行的一项国际编程竞赛,始于 2003 年,目标是为 Google 选拔顶尖的工程人才。比赛的内容包括在限定时间解决一系列特定的算法问题, 参赛者允许使用任意自选编程语言和开发环境来解答问题。 TopCoder比赛 程序设计比赛的网站,该网站每个月都有两到三次在线比赛,根据比赛的结果对参赛者进行排名。参赛者可根据自己的爱好选用Java, C++, C#, VB或python进行编程。参赛者须在规定的时间内完成三道不同难度的题目,每道题完成的时间决定该题在编程部分所得的分数,而比赛可分为三部分:Coding Phase, Challenge Phase和System Test Phase。 ImageNet竞赛(ILSVRC) Imagine Cup汇集了全球顶尖青年智慧,为不同背景的学生提供了合作、创新的机会,用科技解决全球最棘手问题,将创意变为商业现实。
我知道了

您未登录!

马上登陆