算法类平台

㈠ 机器学习一般常用的算法有哪些哪个平台学习机器算法比较好

通常而言，能够深入研究机器学习算法，并按照自己项目需求进行定制开发的人，编程语言真的是一个很次要的问题。
自己去google搜索下面的关键词吧，很多机器学习的算法实现。
machine learning in Java
machine learning in C++
machine learning in python
machine learning in Matlab
machine learning in R

㈡ 有专门出售算法和软件的平台吗7

可以看看猪八戒网,里面种类很齐全
小软件开发出来后,想要通过网站来售卖,主要的途径有:通过各种软件下载网站。

㈢ 全世界最强的算法平台codeforces究竟有什么魅力

简单介绍一下codeforces这个网站，codeforces位于宇宙编程最强的毛国。据说最早是由俄罗斯的一群大学生维护的，它最大的特点就是代码和题解的公开。所有人都可以随意查看其它大牛的代码，可以说是非常具有开源精神了。

codeforces很大的特点就是题目兼容并蓄，什么难度等级的题目都可以找到。并且题目很有意思，往往思维陷阱比较多，也就是思维题比较多。对于数据结构以及算法的考察相对弱一些，更多的时候往往是告诉你用什么算法你也不知道怎么做……

codeforces另外一个很大的特点就是它有自己的上分系统，基本上每周会举办一到两次在线的算法比赛。一般的比赛时长是两个小时，只要注册账号就可以免费参加。我记得当年第一次参加比赛会获得一个初始分是1500，然后根据你在比赛当中的表现上分或者减分。由于参加的选手水平实力强度不一，所以它开设了好几个档次(div)，不同层次的选手面对的题目难度也不一样，这样保证了大家都可以愉快地参赛。

codeforces在比赛的时候只会测试一小部分数据，真正的测试集会放到赛后进行测试。所以在比赛中测试通过的代码，只是通过了小数据验证，很有可能有隐藏的问题没被发现。当你通过了这道题之后，你就可以去查看其他通过人的代码，去分析它们有没有问题，如果发现了bug，可以构造一份数据hack掉他的提交。hack成功之后，你会获得分数的奖励。

你可以双击打开其他人的提交记录，去阅读他们的代码。到了比赛后期，能做的问题做的差不多了之后，就进入了紧张刺激的互相hack阶段。讲道理，这比只是单纯做题的竞赛要有趣多了。

以前我们acm集训队经常晚上一起打codeforces的比赛，有时候看到队友在一个房间里，还会互相关注一下近况，互相hack一把，不得不说现在怀念起来还是非常有意思的。

好了，关于codeforces网站就介绍到这里了，如果你也对算法感兴趣的话，不妨试着用一下它吧，相信你也会找到算法的乐趣。

㈣ （转）物流优化算法处理流程及算法服务平台建设

转自：吉勍Personal

http://www.jiqingip.com/page9001?article_id=94

算法处理流程

物流方向的大多数业务算法处理流程基本是按照模型建立、算法开发、算法测试流程进行，具体步骤如下：

模型建立

大多数优化问题都能构建成线性规划、非线性规划或混合整数规划等数学模型。这些模型需要根据实际业务确定，模型主要包含以下因素：

1）  优化目标

2）  决策变量

3）  约束条件

算法开发

模型的求解可根据实际的业务情况（问题复杂程度、数据规模、计算时效要求）等采用合适的精确算法和近似的最优化算法进行求解。

模型精确计算

模型精确求解有一些商业和开源的求解器，如下：Gurobi、Cplex、SCIP、OR-Tools、Glpk等，可以根据实际情况选择合适的求解器。

最优化算法计算

最优化算法也有很多，比如变邻域搜索算法、自适应大邻域搜索算法、禁忌搜索算法、模拟退火算法、遗传算法、蚁群优化算法、粒子群优化算法、人工鱼群算法、人工蜂群算法等，可以根据适用情况选择。

业务相关开放项目计算

解物流领域的某些项目可以利用一些开放性的项目来求解，如求解车辆路径问题的jsprit、求解排程类问题的optaplanner等，这类问题在模型建立好之后可以调用这些开放性项目来求解。

算法测试

生产数据测试

物流方向的项目基本都是优化类型的项目，每个项目对应的业务环节一直在运行，涉及到的优化问题或者是业务系统简单处理，或者人为计算，对于算法有效性的检测可以把这部分生产数据独立抽离出来，经过优化算法计算之后跟原有系统数据进行相关的对比，来评价算法的优化效果。

仿真测试

物流的优化不像互联网应用可以采用流量灰度的方式进行直接的验证，并且物流系统的链路非常长，单点的改变可能引起上下游的变化。在决策优化的过程中需要同时使用优化求解及仿真技术来验证或提供决策依据。仿真测试验证大致需要以下过程：

1）  定义仿真模型确定绩效指标体系

2）  输入算法结果数据到仿真模型进行仿真计算

3）  根据仿真模型的仿真结果计算绩效指标，以反馈算法的优化效果。

算法服务平台建设

实际业务中的很多应用场景都可以抽象成同一类算法问题。算法在解决不同应用场景业务问题时，相关模型、处理流程及计算方法也都大致相同，因此可以对这类问题的算法，按照其处理流程从业务中剥离出来，封装好算法的输入、输出及计算逻辑，构建统一的算法服务平台。

VRP算法服务

比较经典的VRP问题就会应用到很多业务场景，即时配、大件配送、冷链配送、门店补货等。这些业务场景对于大型零售商来说是比较常见的，因此构建可灵活配置的VRP算法服务平台，可达成一次构建，多场景应用的效果。

排班算法服务

排班问题也是一样，无论是生产线工人排班、司机排班、客服排班还是门店工作人员排班，这些都是排班问题应用的业务场景。通过构建可灵活配置的排班算法服务平台，可解决多个业务场景的排班问题。

装箱算法服务

装箱问题也有着丰富的应用场景，无论是商品配送的车辆装箱、运输网络的车型推荐及包装作业的包材推荐都是装箱问题的业务场景。构建灵活的装箱算法服务平台，可通过配置有效的解决各业务场景的装箱问题。

运筹规划算法服务

无论是上面提到的一些算法服务还是其他组合优化问题，都可以构建成运筹优化问题来解决。大家熟知的google or-tools就是组合优化问题的工具包。我们也可以根据自身的业务特点构建适合业务场景的运筹规划算法服务，底层可以调用不同的求解器，可以是商业求解器，如gurobi、cplex等，也可以是开源求解器，如scip、glpk等；也可以是一些最优化算法，如邻域搜索等。

㈤ 海康vm算法平台是否收费

收费的。
海康VM算法平台V4、0版本推出时，针对二次开发接口，进行了面向对象封装，提供方案，流程，Group和模块的4级封装概念，并提供了各自的参数配置控件，参数类，结果类，以便二次开发客户能更简单的使用视觉能力做业务开发。

㈥ 嵌入式视频识别算法平台哪种好

一般推荐opencv。
因为是Intel主导的一个开源库用C和C加混合编写。如果嵌入式设备是搭配着linux平台应该是可以做的。
然后深度学习这块儿的话一般可以入手的就是反向传播，和神经网络搭配。在细一点就是做同一类型的图片的机器学习。要是想尽快出产品，就是比较推荐树莓派加上谷歌CloudVisionAPI。

㈦ 机器学习一般常用的算法有哪些哪个平台学习机器算法比较好

机器学习与人工智能变得越来越热。大数据原本在工业界中就已经炙手可热，而基于大数据的机器学习则更加流行，因为其通过对数据的计算，可以实现数据预测、为公司提供决策依据。

㈧ 免费学习算法知识平台

同行会议时听一个前辈说到马克威算法交易平台，里面涵盖开源的算法以及马克威算法，另外还有机器学习等内容，真心好，我还下载了几个算法研究了下.....颇合我意~希望可以帮到你。

㈨ 有哪些学习算法的网站推荐

算法这个词听起来就各种高大上，对于想学习和了解算法的同学来说，可能不太容易入手，这一次就为大家推荐一些可以学习算法的网站。

算法（Algorithm）是指解题方案的准确而完整的描述，是一系列解决问题的清晰指令，算法代表着用系统的方法描述解决问题的策略机制。

马克威算法交易平台也十分值得推荐，专为从事算法相关者学习的网站，现在免费即可在线学习，下载，体验等，平台还包含全球知名开源算法、分析工具、行业模型等。

其实这一类型的网站，还是很多的，大家还是要看自己想要学习算法的哪一方面，哪种难度，哪种学习方式，再从中选择适合自己的。

㈩ AI系统架构之算法平台设计

明确需求之后，算法平台的设计就比较明确了，业界可以参考的例子包括facebook的fblearner和Uber的Michelangelo（如下图）。

可以看到，算法平台包含几个环节：

* 数据准备

主要是如何准备数据，并且管理数据在离线、近线和在线模式之间的分布。

* 模型训练和评估

主要是使用各种基础平台（Spark/Tensorflow/Xgboost等)训练模型，从数据中获取可以应用的模型和规则。

训练出来的模型，需要进行验证和评估，评估包括在训练集、测试集和时间外验证集上的表现，检查模型的性能表现（KS、AUC等）、拟合程度和时间衰减。

* 模型服务与业务整合

在离线选择好模型之后，就可以把它放到线上做实际的应用了，在真实系统中验证假设是否成立。

落地路径：线上系统-》到训练平台

在充满遗留系统的老企业或者人力不足的新企业，往往需要从线上系统开始。对于训练过程，经常看到成立几年的数据团队，还在使用单机电脑训练模型，在数据量不大的场景，半人肉的训练短期是可以接受的，考虑到单机版的sklearn、keras这么流行，也可以理解这一点。

从收益角度来看，AI系统的最大价值体现在与业务结合的部分，例如促进增长、降低成本等，其次才是对人效的提升，例如自动运营、自动训练。看清楚这一点，也就认同了从线上到线下的落地路径。

线上系统设计

线上系统包含两个部分，一部分负责模型打分，也就是inference，另外一部分是策略，以及与业务系统对接。

inference部分面临的问题，是如何支持各种不同的建模工具，例如sas、python、spark等等，如果对性能并发要求不高，就可以使用pmml的对应语言实现，快速上线获取短期胜利。

策略部分，一般可以映射成规则，使用drools这样的规则引擎实现，可以解决最初一段时间的绝大部分需求。