百万年薪招聘：数据算法工程师（视频大数据）

解优人才网

百万年薪招聘：数据算法工程师（视频大数据） [复制链接]

 

高薪招聘：芯片产品视频算法团队负责人（年薪大约100万左右）
【做视频处理低层硬算法的做了一个openCV的硬加速函数库】

1、应用场景：目前没有产品，公司是做芯片设计的，该团队未来主要是基于算法达成芯片的硬件实现；2、短期规划尚不明确，找到该负责人与公司总裁直接交流，目前公司暂无算法团队，需要组建5-6人团队，公司目前规模600人，一半以上为芯片设计人员，营收6亿，净利润超2亿，发展态势良好，具备极佳的基础环境；3、此人定位为算法团队负责人，带领五六人的团队，相当于内部总监级别，或技术专家，待遇根据候选人情况谈，由月薪与年终奖构成

该岗位的其他信息：1、候选人背景为视频或图像处理，并不一定非常精通图像处理，但图像处理的基本概念必须清楚（这点好像大多数图像处理算法工程师都满足）；2、倾向于211及以上院校的学历，这样的候选人基础比较扎实，一般院校的尽量避开，除非特别对口；3、倾向于数学系专业背景（不一定是数学专业），更多的是图像处理底层函数的硬件实现，候选人不一定有硬件基础，更重要的是算法扎实；4、构建opencv库而不仅仅是使用。

原定的算法工程师的岗位职责如下四选一，而该职位或许有如下多项更佳：
工作职责：
1、 进行视觉计算sdk产品的开发，要求熟悉基本的图像处理，例如去噪、增强、分割、校正、特征检测及匹配等；
2、 对算法模块的代码进行移植、优化、维护与测试，要求具备一定的编程基础，熟悉opencv等视觉库；
3、 跟踪机器视觉和深度学习领域国际前沿技术，阅读相关论文并撰写综述文档；
4、 实现算法级demo，进行算法性能分析和比较，并撰写相关文档；
注：能够从事以上1、2、3、4中的至少一方面的工作。
任职要求：
1、 本科及以上学历，计算机、软件、算法、数学等相关专业；
2、 熟悉常用的数据结构，了解一些分类、聚类算法，例如SVM、KNN等；
3、 能够进行相关方向技术难点攻关、前瞻研究以及应用拓展；
4、 有良好的团队协作意识，乐于接受挑战，对新技术、新产品有好奇心。
联系人：lee 13480625755 简历推荐邮箱（lee@hqrm.cn） 上班地点：深圳南山，推荐入职有红包
此内容由EEWORLD论坛网友解优人才网原创，如需转载或用于商业用途需征得作者同意并注明出处

解优人才网

欢迎大家投递简历

解优人才网

解优人才网

其中，工商银行、农业银行、中国银行、建设银行和交通银行（以下统称“五大行”）归属上市公司股东净利润（下称“净利润”）合计达10088亿元，平均每天盈利27.64亿元，可以称得上“日进斗金”。

解优人才网

解优人才网

解优人才网

大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程，也是一种决策支持过程。其主要基于人工智能，机器学习，模式学习，统计学等。大数据的挖掘是从海量、不完全的、有噪声的、模糊的、随机的大型数据库中发现隐含在其中有价值的、潜在有用的信息和知识的过程，也是一种决策支持过程。其主要基于人工智能，机器学习，模式学习，统计学等。

(1)分类。分类是找出数据库中的一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到摸个给定的类别中。可以应用到涉及到应用分类、趋势预测中，如淘宝商铺将用户在一段时间内的购买情况划分成不同的类，根据情况向用户推荐关联类的商品，从而增加商铺的销售量。很多算法都可以用于分类，如决策树，knn，贝叶斯等

(2)回归分析。回归分析反映了数据库中数据的属性值的特性，通过函数表达数据映射的关系来发现属性值之间的依赖关系。它可以应用到对数据序列的预测及相关关系的研究中去。在市场营销中，回归分析可以被应用到各个方面。如通过对本季度销售的回归分析，对下一季度的销售趋势作出预测并做出针对性的营销改变。常见的回归算法包括：最小二乘法（Ordinary Least Square），逻辑回归（Logistic Regression），逐步式回归（Stepwise Regression），多元自适应回归样条（Multivariate Adaptive Regression Splines）以及本地散点平滑估计（Locally Estimated Scatterplot Smoothing）

(3)聚类。聚类类似于分类，但与分类的目的不同，是针对数据的相似性和差异性将一组数据分为几个类别。属于同一类别的数据间的相似性很大，但不同类别之间数据的相似性很小，跨类的数据关联性很低。常见的聚类算法包括 k-Means算法以及期望最大化算法（Expectation Maximization， EM）。

(4)关联规则。关联规则是隐藏在数据项之间的关联或相互关系，即可以根据一个数据项的出现推导出其他数据项的出现。关联规则的挖掘过程主要包括两个阶段：第一阶段为从海量原始数据中找出所有的高频项目组;第二极端为从这些高频项目组产生关联规则。关联规则挖掘技术已经被广泛应用于金融行业企业中用以预测客户的需求，各银行在自己的ATM 机上通过捆绑客户可能感兴趣的信息供用户了解并获取相应信息来改善自身的营销。常见算法包括 Apriori算法和Eclat算法等。

(5)神经网络方法。神经网络作为一种先进的人工智能技术，因其自身自行处理、分布存储和高度容错等特性非常适合处理非线性的以及那些以模糊、不完整、不严密的知识或数据为特征的处理问题，它的这一特点十分适合解决数据挖掘的问题。典型的神经网络模型主要分为三大类：第一类是以用于分类预测和模式识别的前馈式神经网络模型，其主要代表为函数型网络、感知机;第二类是用于联想记忆和优化算法的反馈式神经网络模型，以Hopfield 的离散模型和连续模型为代表。第三类是用于聚类的自组织映射方法，以ART 模型为代表。虽然神经网络有多种模型及算法，但在特定领域的数据挖掘中使用何种模型及算法并没有统一的规则，而且人们很难理解网络的学习及决策过程。

(6)Web数据挖掘。Web数据挖掘是一项综合性技术，指Web 从文档结构和使用的集合C 中发现隐含的模式P，如果将C看做是输入，P 看做是输出，那么Web 挖掘过程就可以看做是从输入到输出的一个映射过程。当前越来越多的Web 数据都是以数据流的形式出现的，因此对Web 数据流挖掘就具有很重要的意义。目前常用的Web数据挖掘算法有：PageRank算法，HITS算法以及LOGSOM 算法。这三种算法提到的用户都是笼统的用户，并没有区分用户的个体。目前Web 数据挖掘面临着一些问题，包括：用户的分类问题、网站内容时效性问题，用户在页面停留时间问题，页面的链入与链出数问题等。在Web 技术高速发展的今天，这些问题仍旧值得研究并加以解决。

（7）深度学习
深度学习算法是对人工神经网络的发展。 在近期赢得了很多关注， 特别是百度也开始发力深度学习后， 更是在国内引起了很多关注。 在计算能力变得日益廉价的今天，深度学习试图建立大得多也复杂得多的神经网络。很多深度学习的算法是半监督式学习算法，用来处理存在少量未标识数据的大数据集。常见的深度学习算法包括：受限波尔兹曼机（Restricted Boltzmann Machine， RBN）， Deep Belief Networks（DBN），卷积网络（Convolutional Network）, 堆栈式自动编码器（Stacked Auto-encoders）。

（8）集成算法
集成算法用一些相对较弱的学习模型独立地就同样的样本进行训练，然后把结果整合起来进行整体预测。集成算法的主要难点在于究竟集成哪些独立的较弱的学习模型以及如何把学习结果整合起来。这是一类非常强大的算法，同时也非常流行。常见的算法包括：Boosting， Bootstrapped Aggregation（Bagging）， AdaBoost，堆叠泛化（Stacked Generalization， Blending），梯度推进机（Gradient Boosting Machine, GBM），随机森林（Random Forest）。

除此之外，在数据分析工程中降维也是很重要的，像聚类算法一样，降低维度算法试图分析数据的内在结构，不过降低维度算法是以非监督学习的方式试图利用较少的信息来归纳或者解释数据。这类算法可以用于高维数据的可视化或者用来简化数据以便监督式学习使用。常见的算法包括：主成份分析（Principle Component Analysis， PCA），偏最小二乘回归（Partial Least Square Regression，PLS）， Sammon映射，多维尺度（Multi-Dimensional Scaling, MDS）, 投影追踪（Projection Pursuit）等。

一些算法详细优缺点分析和算法选择参考可以看一下下面这博客几个常用算法的适应场景及其优缺点（非常好）

下面来自于上面博客的一段：
算法选择参考：

之前翻译过一些国外的文章，有一篇文章中给出了一个简单的算法选择技巧：

首当其冲应该选择的就是逻辑回归，如果它的效果不怎么样，那么可以将它的结果作为基准来参考，在基础上与其他算法进行比较；

然后试试决策树（随机森林）看看是否可以大幅度提升你的模型性能。即便最后你并没有把它当做为最终模型，你也可以使用随机森林来移除噪声变量，做特征选择；

如果特征的数量和观测样本特别多，那么当资源和时间充足时（这个前提很重要），使用SVM不失为一种选择。

通常情况下：【XGBOOST>=GBDT>=SVM>=RF>=Adaboost>=Other…】，现在深度学习很热门，很多领域都用到，它是以神经网络为基础的，目前我自己也在学习，只是理论知识不是很厚实，理解的不够深，这里就不做介绍了。

算法固然重要，但好的数据却要优于好的算法，设计优良特征是大有裨益的。假如你有一个超大数据集，那么无论你使用哪种算法可能对分类性能都没太大影响（此时就可以根据速度和易用性来进行抉择）

icemood1984

100万年薪你来这里招聘，给你负分！
去找猎头或linkedin上看看吧。

解优人才网

有的

解优人才网

解优人才网

解优人才网

解优人才网

 要的是对Verilog（RTL）设计代码有一定了解，对数学运算（如矩阵运算加速、FFT/DFT等）的优化有深度了解的人，或者对传统openCV函数库运算优化有深度了解的人。纯软件人员不行，因为他们无法在嵌入式系统中实现硬件加速，纯芯片设计人员也不行，因为他们不懂将复杂的数学运算转化为大量简单的乘加的能力

generalcircuits

福利待遇真不错