更新于:02-09 01:03

有关[系统]分类推荐

观远AI实战 | 机器学习系统的工程实践

于01-16 18:20 - 观远数据 -
「观远AI实战」 栏目文章由观远算法天团倾力打造,观小编整理编辑. 这里将不定期推送关于机器学习,数据挖掘,特征重要性等干货分享. 本文8千多字,约需要16分钟阅读时间. 机器学习作为时下最为火热的技术之一受到了广泛的关注. 我们每天打开公众号都能收到各种前沿进展、论文解读、最新教程的推送. 这些文章中绝大多数内容都跟酷炫的新模型、高大上的数学推导有关.

Android取证:使用ADB和DD对文件系统做镜像

于01-10 15:00 - secist - 终端安全 adb Android取证
从本文开始我将为大家带来一系列与数字取证相关的文章,并将重点关注移动设备方面的取证技术. 在这篇文章中,我将为大家分享一些关于我对Android设备镜像采集的想法. 在Android设备上,有两种我们可以执行的镜像采集类型:. 实时采集:在正在运行的设备上执行. 通常,分析人员会使用各种工具获取root权限,并使用DD提取镜像;.

25岁前,我想看完这些书(一份很系统很用心的书单)

于01-06 00:00 - - jianshu
其实每次做计划的时候,都会有看书这一项唉,无论是新年计划,还是假期计划. 但是通常情况下,书单里的书都只看得了几本,而且基本上是很不带脑子的看,就是纯输入式的,作者说什么就是什么呗. 大部分的时间呢,都是花在了,,,想不起来,反正就是瞎玩. 这次信心满满地列出了一个书单,希望在毕业之前把它们都看一看,书虽然不多,但是无奈我的时间也很少哎,考虑到明年后年还要继续备战CPA,重新捡起来英语(说不定会考雅思),毕业论文,日常课程和期末考,还有实习找工作等等(现在想想都头大).

从构建简单家庭自动化系统开始开发 IoT 解决方案

于01-03 15:04 - -
从构建简单家庭自动化系统开始开发 IoT 解决方案. 使用 Raspberry Pi、一些传感器、一个蜂鸣器、Node-RED 和 Apple Home Kit. 2017 年 10 月 25 日发布. 有时,最有效的家庭自动化项目恰恰是那些解决非常简单的问题的项目. 这里提供了我的简单的家庭自动化 IoT 解决方案.

为自己搭建一个分布式 IM(即时通讯) 系统

于01-02 00:01 - - cim Netty 推送 IM IOT
新的一年第一篇技术文章希望开个好头,所以元旦三天我也没怎么闲着,希望给大家带来一篇比较感兴趣的干货内容. 老读者应该还记得我在去年国庆节前分享过一篇 《设计一个百万级的消息推送系统》;虽然我在文中有贴一些伪代码,依然有些朋友希望能直接分享一些可以运行的源码;这么久了是时候把坑填上了. 本文较长,高能预警;带好瓜子板凳.

微服务注册中心如何承载大型系统的千万级访问?

于12-25 00:00 - - tuicool
点击上方 " 石杉的架构笔记",右上角选择“设为星标”. 周一到周五早8点,精品技术文章准时送上. 面试请不要再问我Spring Cloud底层原理》. 二、Eureka Server设计精妙的注册表存储结构. 三、Eureka Server端优秀的多级缓存机制. Spring Cloud架构体系中,Eureka是一个至关重要的组件,它扮演着微服务注册中心的角色,所有的服务注册与服务发现,都是依赖Eureka的.

交易系统的消息服务如何保证100%可靠

于12-23 03:00 - 廖雪峰 -
分布式应用中,消息系统被大量使用,主要原因有:. 发送方和接收方不需要相互知道对方,一个只管发,一个只管收,大大简化了处理逻辑. 如果发送方发送速度快于接收方的接收速度,消息系统就可以暂时将无法处理的消息缓存起来,让接收方慢慢处理. 没有消息系统时,发送方就不得不配合接收方降低处理速度,从而拖慢了整个系统的性能.

多如牛毛的物联网操作系统

于12-22 20:50 - -
  今天 PC 和手机时代的操作系统霸主未必能在物联网时代延续霸业. 操作系统产业的规律是,当垄断已经形成,后来者就很难颠覆,只有等待下一次产业浪潮. 如今,一个全新的、充满想象空间的操作系统市场机会正在开启.   如此关键的产业环节必然是兵家必争之地. ARM、谷歌、微软、华为、阿里、海尔等国内外著名的 IT 企业纷纷推出物联网操作系统,整个产业呈现出群雄逐鹿的壮观景象.

4个步骤,小结搜索系统

于12-19 22:04 - World - 产品设计 2年 初级 搜索系统
搜索系统作为用户自行使用的引导工具,重要程度不言而喻;本文主要从4步:需求识别、检索、排序、展现来总结搜索系统的工作机制. 搜索是一个比较有年份的功能,他不是一个简单的搜索框,毕竟搜索造就了一个百度帝国. 搜索系统在产品架构中是帮助用户搜索到他们想要的内容,当用户不知道如何通过其他路径直接获取特定内容的时候才会使用,也就是说搜索是用户自行使用最后的一个引导工具,重要程度不言而喻.

[原]系统学习机器学习--聚类总结

于12-09 09:55 - App_12062011 -
聚类分析提供由个别数据对象到数据对象所指派到簇的抽象. 此外,一些聚类技术使用簇原型(即代表簇中其他对象的数据对象)来刻画簇的特征. 聚类分析是研究发现最具有代表性的簇原型的技术. 注意:簇的定义是不精确的,而最好的定义依赖于数据的特征和期望的结果. 聚类分析与其他将数据对象分组的技术有关. 层次的(嵌套的)与划分的(非嵌套的),互斥的,重叠的与模糊的,完全的与部分的.

智能视频分析系统_视频智能分析漫谈-博客-云栖社区-阿里云

于11-12 14:46 - -
  从世纪九十年代开始,美国的VSAM项目中进行视频监控的数据化研究以来,视频监控的智能化经过了二十年的发展,到现在已经发生了巨大的变化,智能分析技术也从传统的模式识别到机器学习再到现在家喻户晓的深度学习经历了多个阶段的发展. 而当前深度学习的逐渐成熟让很多曾经尚未到达实用阶段的应用逐渐具备了可用性,典型的如人脸识别,高密度的人员统计等;也让很多已经成熟的应用具有更高的准确度,如车牌、车型识别、行为识别等等.

一部手机加一台群晖 NAS,轻松搭建私有云盘 + 家庭监控系统

于11-10 17:41 - 化学心情下2 -
照片、电影、视频、文档,这些曾经需要靠大容量硬盘来存储的时代已经悄然过去,我们已经习惯用在线服务将这些文件存储到云端:无论是电脑还是手机,只要能上网我们就能随时在线使用. 但云服务其实完全依赖于你的网速——比起家中内网千兆的传输速度,外网访问速度都无法与之媲美,加之目前逐步抬高的云服务价格——动辄几百块的年费加上不那么让人放心的服务稳定性,如果遇到服务故障丢失数据文件,绝对让人欲哭无泪.

某证券清算系统的一次性能调优

于11-06 22:56 - xugangqiang -
上线前,用户预估平均一天交易量约一万条,峰值约两万条. 项目上线第一天,交易量有4万条. 对于这4万条左右的交易信息的清算,花了一个多小时(清算时需要我们系统发指令给清算所,由清算所按照我们系统的指令进行清算,最后把结果通过MQ返回给我们). 用户提出以后交易的峰值可能达到一天5万条. 我们按照2倍的处理能力,定下一天10万条交易信息的处理量的目标.

基于mtcnn和facenet的实时人脸检测与识别系统开发 - 知乎

于11-03 17:24 - -
简介:本文主要介绍了实时人脸检测与识别系统的详细方法. 该系统基于python/opencv2/tensorflow环境,实现了从摄像头读取视频,检测人脸,识别人脸的功能. 本系统代码地址: real time face detection and recognition. 人脸识别是计算机视觉研究领域的一个热点.

基于知识图谱的人机对话系统 | 公开课笔记 - AI科技大本营 - CSDN博客

于10-29 16:10 - -
分享嘉宾 | 刘升平(云知声 AI Labs 资深技术专家). 来源 | AI 科技大本营在线公开课. 人机对话系统,或者会话交互,有望成为物联网时代的主要交互方式. 而语言的理解与表达和知识是密切联系的,知识图谱作为一种大规模知识的表示形式,在人机对话系统中各模块都有重要的应用. 而知性对话,则是基于知识图谱的人机会话交互服务.

美团深度学习系统的工程实践

于10-26 01:22 - 美团点评技术团队 -
深度学习作为AI时代的核心技术,已经被应用于多个场景. 在系统设计层面,由于其具有计算密集型的特性,所以与传统的机器学习算法在工程实践过程中存在诸多的不同. 本文将介绍美团平台在应用深度学习技术的过程中,相关系统设计的一些经验. 本文将首先列举部分深度学习算法所需的计算量,然后再介绍为满足这些计算量,目前业界比较常见的一些解决方案.

基于电影知识图谱的智能问答系统(八) -- 终极完结篇 - Appleyk的专栏 - CSDN博客

于10-11 22:30 - -
基于电影知识图谱的智能问答系统系列章节传送门:. 基于电影知识图谱的智能问答系统(一) -- Mysql数据准备. 基于电影知识图谱的智能问答系统(二) -- Neo4j导入CSV文件. 基于电影知识图谱的智能问答系统(三) -- Spark环境搭建. 基于电影知识图谱的智能问答系统(四) -- HanLP分词器.

MIT人工智能实验室最新研究成果:AI系统不仅可以识别假新闻,还能辨别个人偏见

于10-05 18:56 - - 业界
互联网时代,假新闻铺天盖地,而且极具迷惑性,Facebook一度深陷虚假新闻的泥淖,不但被控影响了美国总统大选结果,甚至引发了 德国政府的巨额罚金. 甚至连以公信力著称的BBC也难以幸免,比如BBC北安普顿分站的推特账号就曾发过这样一条消息:Breaking News: President Trump is injured in arm by gunfire #Inauguration.(劲爆消息:特朗普总统在就职典礼后遭遇枪击,手臂受伤.

设计一个百万级的消息推送系统

于09-25 00:01 - - Netty Kafka Redis Zookeeper 推送
其实我一直想憋一个大招,分享一些大家感兴趣的干货. 鉴于最近我个人的工作内容,于是利用这三天小长假憋了一个出来(其实是玩了两天). 先简单说下本次的主题,由于我最近做的是物联网相关的开发工作,其中就不免会遇到和设备的交互. 最主要的工作就是要有一个系统来支持设备的接入、向设备推送消息;同时还得满足大量设备接入的需求.

Uber推出全新交通估算体系能颠覆传统模式吗?

于09-25 00:52 - 康斯坦丁 - 商业财经
当下,大众的交通出行正在被全面颠覆. 除了传统的出行方式外,共享打车、共享单车、共享滑板车、分时租赁的共享汽车等,正在形成一个全新交通出行矩阵. 鉴于交通出行市场的巨大潜力,众多巨头及独角兽企业在绞尽脑汁地切入到这一市场中. 而以Uber、Lyft、滴滴等为代表的共享出行企业,也在不断尝试新的策略,来一步步让出行体验变得更佳.

有赞搜索系统的技术内幕

于09-18 15:37 - 有赞技术 - 程序员 工具 后端
上文说到有赞搜索系统的架构演进,为了支撑不断演进的技术架构,除了 Elasticsearch 的维护优化之外,我们也开发了上层的中间件来应对不断提高的稳定性和性能要求. Elasticsearch 的检索执行效率可以表示为:. 其中 num_of_files 表示索引文件段的个数,N 表示需要遍历的数据量,从这里我们可以总结出提升查询性能可以考虑的两点:.

系统性能优化系列

于09-16 00:00 - - tuicool
之前组内一位大佬分享了一些关于系统性能优化方面的干货,这里我将它整理成文并且加入自己平时常用的一些工具和技巧. 由于关于系统性能优化涉及的内容非常多,我会分几篇文章来分享. 这次分享下 定位系统层面问题的常用方法. Throughout 吞吐量 (系统每秒钟可以处理的请求数). Latency 延迟 (系统处理一个请求的延迟).

xDRILL话单采集系统_浩瀚深度

于09-15 10:08 - -
xDR话单是基于互联网全量数据进行处理后,生成的信令过程和业务传输过程的会话级详细记录,包含了用户所有的上网信息,因此,话单中蕴含了非常丰富的数据分析和挖掘价值. xDRILL话单采集系统是浩瀚深度开发的xDR话单采集系统,能高效灵活的通过DPI采集的数据生成各个应用场景下的xDR话单,为资源分析和数据挖掘等提供数据基础,方便各种应用平台进行深度的分析和挖掘.

操作系统是如何管理内存的

于09-14 08:00 - -
最近在看 Operating Systems: Three Easy Pieces 这本书,作者在这方面有 20 多年的积累,同时文风非常朴实,不会被各种术语绕晕. 该书进从虚拟化、并发、持久化这三个方面来剖析操作系统,从要达到的目标到遇到的问题到解决方案到新的问题,一层层地告诉你为什么会变成现在这个样子.

这篇论文开源的车牌识别系统打败了目前最先进的商业软件

于09-11 00:00 - - dev
(欢迎关注“我爱计算机视觉”公众号,一个有价值有深度的公众号~). 来自巴西阿雷格里港大学的学者发表于ECCV2018的论文《License Plate Detection and Recognition in Unconstrained Scenarios》,给出了一整套完整的车牌识别系统设计,着眼于解决在非限定场景有挑战的车牌识别应用,其性能优于目前主流的商业系统,代码已经开源,非常值得参考.

为减少用户电话排队,阿里研发了智能客服调度系统

于09-08 22:30 - -
阿里妹导读:一提到调度,大家脑海中可能想起的是调度阿里云的海量机器资源,而对于阿里集团客户体验事业群(CCO)而言,我们要调度的不是机器,而是客服资源. 今天,我们邀请阿里高级技术专家力君,为大家分享自动、智能的客服调度系统——XSigma. 阿里集团客户体验事业群(CCO)目前承接了阿里集团以及生态体的客户服务业务,我们的客户通过各个渠道来寻求解决各类问题,每天的进线量巨大,而且经常伴随着突发性进线,比如天猫代金券出了问题,在几分钟内就会造成几千通热线或在线咨询.

Uber 的实时数据分析系统架构 - 网站架构札记

于09-03 15:44 - -
Uber 实时系统的 Use case:. 举一个更详细些的例子,UberEATS 是 Uber 的外卖服务. 实时系统也为这个功能估算送餐时间. 所有来自乘客和司机的事件 event ,由 Kafka 收集. Kafka 使用 Pub-sub 的订阅发布模式. Uber 整个系统中各个 microservice 之间的通信也通过了 Kafka.

浅谈高并发系统性能调优 - 360 OPSDEV

于09-01 09:41 - -
高并发系统的优化一直以来都是一个很重要的问题,下面基于笔者的实践,和大家聊聊高并发系统的一些调优和优化策略. 吞吐量(Throughput) 系统单位时间内处理任务的数量. 延迟(Latency) 系统对单个任务的平均响应时间. 一般来说,考量一个系统的性能主要看这两个指标. 而这两个指标之间又存在着一些联系:对于指定的系统来说,系统的吞吐量越大,处理的请求越多,服务器就越繁忙,响应速度就会慢下来;而延迟越低的系统,能够承载的吞吐量也相应的更高一些.

百度开源 FAQ 问答系统—AnyQ

于08-24 15:34 - 机器之心 -
近年来,随着人工智能技术的发展,人机对话技术得到越来越多的关注,人机对话产品也不断涌现. 其中,智能客服作为人机对话的一个典型场景表现出极大的商业潜力和很强的研究价值,各企业也争先恐后的推出自己的智能客服产品. FAQ 问答技术作为智能客服系统最核心技术之一,在智能客服系统中发挥重要作用. 通过该技术,可实现在知识库中快速找到与用户问题相匹配的问答,为用户提供满意的答案,从而极大提升客服人员效率,改善客服人员服务化水平,降低企业客服成本.

推荐系统中的点击率预估 – Advertising & Recommendation

于08-20 17:27 - -
推荐系统的框架模式大致是:多种召回策略(触发层),一种融合排序策略(排序层),也可认为两阶段排序模型[33]:. 召回策略方法繁多(例如常见的协同过滤中的item-based,user-based,以及MF矩阵分解),最终的融合排序层中,如果采用point-wise[24]排序方法,最常用的是点击率(CTR)预估[1],作为排序依据.