文章内容源自《GPU编程与CG语言之阳春白雪下里巴人》 1.3 国内外研究现状 基于 GPU 的科学可视化计算（Visualization in Scientific Computing），在研究和工程运用上都取得了卓越的成果 由于科学可视化计算处理的数据量极大 （人体 CT、地质勘探、气象数据、流体力学等），仅仅基于 CPU 进行计算完全不能满足实时性要求，而在 GPU 上进行计算则可以在效率上达到质的突破，许多在 CPU 在国内，中国科学院计算技术研究所进行了基于GPU的串匹配算法的实现【29】。关于GPGPU的更多知 识点可以参阅网站http://gpgpu.org/。 旨在降低 GPU 编程难度，设计基于 GPU 的高级程序语言的研究同样进行的如火如荼。 国内浙江大学计算机学院针对高级着色语言的编译系统 【30】，以及可编程图形硬件的加速等技术进行了研究。
---- Hadoop国内外应用 Hadoop在国外应用的部分企业 一、Yahoo Yahoo是Hadoop的最大支持者，Yahoo的Hadoop机器总节点数目已经超过42000个，有超过10万的核心 Hadoop在国内应用的部分企业 一、百度 Hadoop集群规模达到近十个，单集群超过2800台机器节点，Hadoop机器总数有上万台机器，总的存储容量超过100PB，已经使用的超过74PB，每天提交的作业数目有数千个之多 百度的Hadoop集群为整个公司的数据团队、大搜索团队、社区产品团队、广告团队，以及LBS团体提供统一的计算和存储服务，主要应用包括： 数据挖掘与分析 日志分析平台 数据仓库系统 推荐引擎系统 用户行为分析系统 三、华为 华为对Hadoop做出贡献的公司之一，排在Google和Cisco的前面，华为对Hadoop的HA方案，以及HBase领域有深入研究，并已经向业界推出了自己的基于Hadoop的大数据解决方案。 四、腾讯 TDW（Tencent distributed Data Warehouse，腾讯分布式数据仓库）基于开源软件Hadoop和Hive进行构建，打破了传统数据仓库不能线性扩展、可控性差的局限，并且根据腾讯数据量大
移动推送、BI、云数仓Doris、ES、数据湖DLC、WeData、流计算Oceanus，多款产品助您高效挖掘数据潜力，提升数据生产力！
在本文中，我们将讨论以数据可视化和分析为特征的国内外共15大BI工具，其中国外我们选了10个国内5个，排名不分先后，为方便起见，本文按照字母顺序罗列。 首先来看一下国外的十大： Birst ? Birst 将自己标榜为具有惊人的数据发现速度的企业BI。Birst 体系结构通过在共享的公共分析结构之上交织的虚拟化BI实例网络连接整个组织。 再看一下国内五大BI产品： Fine BI ? 帆软的BI产品，目前在国内数据分析行业中算是首屈一指，其主打的是超大数据量性能和自助式分析2个特点，最高可以支撑20亿数据的秒级呈现，在功能方面跟Tableau很接近，适用于企业中的技术人员、业务人员和数据分析师 永洪BI 是新一代敏捷型BI，该产品覆盖多种数据源：主流数据库，本地数据以及灵活组合不同数据源。客秒级响应MMP数据集市，且涵盖多方位的数据治理技术。展示方面有多种图表组件。
2、nsPod：国内老牌DNS服务商，为各类网站提供高质量的电信、网通、教育网双线或者三线智能DNS免费解析，提高网站解析速度。 3、DnsPod国际版：国内的IP是不可以在国际版注册的，需要有国外的IP才行，或者把浏览器语言改为英语才能正常访问。 4、Webluker：一站式运维服务综合平台，虽然整个技术团队比较年轻，但是已经成长为国内最知名的CDN服务商了。不过好东西是要收费的！
数据猿小编就针对2016年大数据领域所有融资事件进行了梳理，并从中筛选出十家资本寒冬下的“幸运儿”。 ? 今天，数据猿小编就针对2016年大数据领域所有融资事件进行了梳理，并从中筛选出十家资本寒冬下的“幸运儿” ： ? 注：十家企业共融资33亿元人民币 壹 ? 靠该团队的核心技术获取的有基因数据、微生物数据（肠道、口腔、皮肤等）、蛋白及代谢数据（尿液、汗液、血液等）等，合作伙伴包括研究机构、药厂、体检中心、医院、诊断公司、保险公司、健康管理公司等，从合作伙伴处获取的数据有临床及体检数据 1999年博士期间参与创建华大基因，主持包括千人基因组、肠道微生物和复杂疾病研究等多个具有国际影响力的重大课题。主导了华大科技、华大医学、华大股份的三轮融资，约10亿美金，并带领华大股份进入上市轨道。 曾任第一资本高级统计师，带领团队搭建千万级用户信用卡交易反欺诈模型及策略系统；在谷歌纽约研究院担任资深数据科学家，领导团队对谷歌地图核心搜索算法进行大数据建模及优化，研发动态用户模型来提高广告商转化率，
中国图象图形学报, 27(6): 1956-198701 大数据可视化交互1.1 大数据可视化设计在大数据可视化领域，国内的发展也已经逐渐走向成熟，每年都有许多可视分析系统不断涌现。 由此可以看出，沉浸式大数据可视化对数据分析和展示问题提出了有效的解决方法。但是相比国外学者在沉浸式大数据可视化上的研究，国内仍处于起步阶段，所以接下来的发展还需要各高校继续深入研究。 1) 基于接触的交互触控式大屏的出现对多人协同分析大数据可视化起到了促进的功能。 仁光科技先后设计了13种自然交互对触控式的可视化大屏进行数据操作，例如手指触控、笔触触控，通过触控式交互可完成对数据的选择、可视化的拖拽缩放等。 受限于计算资源和数据规模，国内高校科研单位对于自监督与无监督语音识别的研究偏少，这部分研究主要集中于企业，有京东公司、字节跳动公司、猿辅导和滴滴，其工作偏向跟随和扩展性质，其代表工作包括SCALA和BERT
在GitHub出现后，国内也出现了大量的代码托管网站，国内外有的代码托管网站也都开始引入GitHub的某些元素。 此外，为了支持国内程序员开源社区建设，目前平台对每个项目均提供免费的1G存储空间，并设置了“代码一键迁移”功能，用户可以方便的从其他GIT代码托管平台转移其项目到京东代码库。
我们已经在不同的部分中划分了这些数据源，以帮助你根据应用程序对数据源进行分类。我们从简单、通用和易于处理数据集开始，然后转向大型/行业相关数据集。 该数据集为 Five ThirtyEight Datasets 使用的数据集。每个数据集包括数据，解释数据的字典和Five ThirtyEight 文章的链接。 3.Youtubelabeled Video Dataset ( https://research.google.com/youtube8m/ ) 几个月前，谷歌研究小组发布了YouTube上的“ 所有开放数据集为免费，但高级数据集需要付费。通过搜索仍然可以在平台上找到优质数据集。例如，来自印度的证券交易所数据是免费的。 该数据集包括自然图像中的字符识别。数据集包含74,000个图像，因此数据集的名称。
基于SEDA的异步框架设计与实现 一、SEDA国内外研究现状 1、SEDA架构的起源和特点 当前最流行的互联网服务器模型基本都是基于多线程／进程并发服务模型。 在国外，SEDA架构已经在很多科研机构中被用以进行成熟的学术研究以及实践应用。加州大学伯克利分校、哈佛大学、普林斯顿大学以及微软研究所等闻名于世的大学和科研机构。 与国外欣欣向荣的SEDA架构发展现状相比，国内目前使用SEDA架构的企业仍然不多，大多的企业仍然由于技术成本以及其他原因，更倾向于使用主流的多线程、事件驱动服务器模型进行开发。 要解决这两个问题就必须在很大程度上依赖于架构搭建者对于系统的熟悉程度以及数据量的评估。 4、今后发展的趋势 随着互联网信息爆炸式的增长，越来越多的互联网服务器将遭遇高并发、海量数据的环境。在这种环境下，多线程以及事件驱动模型服务器已经无法适应。
论文地址：https://arxiv.org/pdf/2211.04325.pdf 研究人员预测了 2022 年至 2100 年间可用的图像和语言数据总量，并据此估计了未来大模型训练数据集规模的增长趋势 在预测未来语言和图像数据存量方面，研究团队开发了概率模型来预测数据累积率。 训练数据集规模增长预测 在数据存量的预测基础上，研究人员进一步估测了未来大模型的训练数据集规模的增长趋势。 3 大模型的数据瓶颈如何破除？ 上述研究结果表明，数据存量的增长速度远低于训练数据集规模的增长速度，所以如果当下的趋势继续下去，我们的数据库存一定会耗尽。而且，高质量的数据会更少。 举个例子，赵德丽博士在从事生成模型的研究中发现，与文生图大模型相比，做文生视频大模型要难得多，原因就在于视频数据的数量远比不上文本和图像，更不要谈数据的质量了。
论文地址： https://arxiv.org/pdf/2211.04325.pdf 研究人员预测了 2022 年至 2100 年间可用的图像和语言数据总量，并据此估计了未来大模型训练数据集规模的增长趋势 在预测未来语言和图像数据存量方面，研究团队开发了概率模型来预测数据累积率。 2、训练数据集规模增长预测 在数据存量的预测基础上，研究人员进一步估测了未来大模型的训练数据集规模的增长趋势。 大模型的数据瓶颈如何破除？ 上述研究结果表明，数据存量的增长速度远低于训练数据集规模的增长速度，所以如果当下的趋势继续下去，我们的数据库存一定会耗尽。而且，高质量的数据会更少。 举个例子，赵德丽博士在从事生成模型的研究中发现，与文生图大模型相比，做文生视频大模型要难得多，原因就在于视频数据的数量远比不上文本和图像，更不要谈数据的质量了。
OpenAI是一家非营利人工智能研究公司，其使命是构建安全的人工智能，并尽可能广泛推广人工智能。 正在努力发展人工智能，并乐于与其他机构共享其方案及成果，同时也将努力加强其组织管理结构，为此制定了以下目标： 一 度量自身取得的进展 虽然人工智能的度量指标难以确定，但我们需要一个指标来度量我们的进展并帮助确定研究重点 因此研究人员正在制定一项指标体系，用以衡量智能助手在各种环境条件下对用户预期目标的实现程度。 二 打造家用机器人 OpenAI正在研究如何让实体机器人（现成的、非OpenAI制造的产品）帮人们做日常家务。 从更广泛的意义上看，机器人研究为解决人工智能领域的诸多难题奠定了良好的实验基础。
最近国内学者就发布了一项中医AI的最新研究。这项研究的目标，是基于症状的文本描述，更好地自动生成对应的中药处方。 所以，几位研究人员最终选择从中医典籍里获取数据，虽然这样构建的数据集比较小，但是能保证处方质量。 然后就是一系列的实验，过程就按下不表了。有兴趣的同学，可以看看论文。 反正最后的结论如下图所示，最后一种方案在两种数据集上的表现最好。 ? 需要说明的是，为了简化研究工作，这个项目只考虑了如何精准的生成处方中的成分，至于剂量等问题，并不在此次研究之列。 研究者也在论文中指出，希望他们的工作能为中医相关的AI研究奠定一些基础，能够鼓励更多的研究人员关注中医治疗自动化的问题。 脑洞一下，如果数据足够多，未来应该可以训练出一个AI老中医。 可以可以。 最后说一下，这项研究的三位作者，两位来自北京大学计算语言学教育部重点实验室，一位来自北京中医药大学。他们这次研究的论文，可以在arXiv上查阅。
近日重庆国际博览中心的创新产品黑科技吸引了众多目光，其中的十大黑科技更是抓人眼球，让我们一睹为快。 1、ET工业大脑（阿里云） 人工智能与大数据技术结合后，将之用在生产线上。 其中图像识别、大数据处理、深度学习这几项技术发挥了重要作用。 4、可被人体吸收的电子器件 （浙江大学） 忆阻器 这个电子器件是忆阻器，是一种可以读写数百次、可溶于水的储存器。 5、讯飞翻译机2.0 （科大讯飞） 讯飞翻译机2.0 讯飞翻译机 2.0 的一大亮点是除了其他国家30多种语言之外，还可以翻译方言，不论是粤语还是四川话都能轻松实现。 8、多功能集成电子皮肤 （中科院北京纳米能源与系统研究所） 这种电子皮肤主要依靠集成传感器，可以实时监测温度、湿度、压力等外部刺激，给智能假肢触觉、温度感觉，方便残疾患者的生活。 9、意念可控假肢 （中国科学院深圳先进技术研究院） 意念可控假肢，依靠多自由度肌电上肢控制系统，可以帮助上肢截肢患者恢复手、腕部的使用，轻松喝水、吃东西。
本文盘点一下笔者认为2013年最值得关注的十大国内科技公司。 作为腾讯入股交易的一部分，搜狗与腾讯搜搜合并后，在搜狐和腾讯的支持下，凭着输入法沉淀下来的技术和数据，以及移动输入法，前途将一片光明。 所以，选择比努力更重要。 企业支付赞助费，虎嗅开辟赞助内容专区，里面是一些与企业和产品可以没有直接相关性，完全独立的分析评论文章，或专业研究报告。 虎嗅作为新媒体的试验田，同时又完全基于互联网渠道。 这既与百度移动为先的策略有关，也与百度已经建立的入口、技术和数据优势有关，还与百度投资、自主研发产品、合作业务等多元化方式有关。 坚持风格不动摇使得它成为国内为数不多的称得上“伟大”的公司了，值得持续关注。
全文较长，建议阅读时间4分钟。 往期回顾：【图说】2016年中国云计算产业趋势分析报告 ?
经常听见tick数据，回测的时候也用过，但是还真的没有自己去处理过tick数据，据说tick数据有很多坑，所以打算自己研究一下。 首先的第一步就是先拿正常的tick数据来生成bar，从而能够理解一些细节，然后就是自己用ctp去接收tick数据，看看ctp有没有坑。 这里，完美的tick数据是wind上的。 这是wind上面导出来的，看起来还是比较正常的，反正一秒两个数据嘛。 实际过程中，我们的tick数据都是实时的，所以，tick数据的质量往往由两个因素决定，一个是我们处理tick的回调数据的速度，如果响应和处理都很慢的话，显然就会有很大的问题；另外一个影响实时的tick数据的因素就是 ctp前置的实时负载，如果服务器压力大的话，很容易就会丢失数据。
新加坡南洋理工大学的 Lei 等人对基于对话的推荐系统进行了总结，提出了基于对话的推荐系统需要关注的四个研究问题。 1. 03 常识推荐 与人工智能的其他领域一样，推荐系统也面临着数据完整性的问题，即观测到的数据只涵盖一部分现实世界的情况。 但是由于推荐系统观测到的数据并不存在常识知识，所以系统难以解决这类问题。 常识库是一种解决上述问题的关键技术。 如何利用这些知识库更好地指导推荐列表的生成是有待探索的重要研究领域。目前，结合常识提升推荐质量的研究工作比较少见，这一领域可能会是未来推荐系统研究的一个新方向。 为什么公司对候选人数据库能力的要求越来越高了？ 数据分析如何解决商业问题？这里有份超详细攻略 如何做用户画像分析？ ▼点击阅读原文，了解本书详情~
03 常识推荐 与人工智能的其他领域一样，推荐系统也面临着数据完整性的问题，即观测到的数据只涵盖一部分现实世界的情况。 但是由于推荐系统观测到的数据并不存在常识知识，所以系统难以解决这类问题。 常识库是一种解决上述问题的关键技术。 如何利用这些知识库更好地指导推荐列表的生成是有待探索的重要研究领域。目前，结合常识提升推荐质量的研究工作比较少见，这一领域可能会是未来推荐系统研究的一个新方向。 适读人群 本书不仅适合互联网、大数据等相关领域技术人员阅读，也适合高等院校计算机、软件工程、人工智能等专业的本科生和研究生参考。 谢幸博士是世界领先的推荐系统专家，他和合作者们基于过往研究经历与所开发的开源项目，深入浅出地介绍推荐系统的基础知识、原理和实践经验。本书受众广泛，适合初学者、技术人员及研究人员阅读。
腾讯云图 （TCV）是一站式数据可视化展示平台，旨在帮助用户快速通过可视化图表展示海量数据，10 分钟零门槛打造出专业大屏数据展示。精心预设多种行业模板，极致展示数据魅力。采用拖拽式自由布局，无需编码，全图形化编辑，快速可视化制作……
扫码关注腾讯云开发者
领取腾讯云代金券
云服务器
即时通信 IM
网站备案
对象存储
实时音视频
