“Hack for Cloud beginners” Microsoft Hackathon - 微软黑客松大赛 开始报名啦!

在这美丽的西子湖畔,微软欢迎各行各业的开发者参与此次Hack for Cloud Beginner黑客松大赛。我们致力于为开发者们提供在技术、社区领域中的交流平台,重在参与,意于创新。
此次黑客松大赛将于10月22日在中国杭州拉开帷幕,参与者将分为“Data”以及“人工智能下的聊天机器人”两大分组,将有来自微软美国总部、微软大中华区创新技术合作事业部以及微软最有价值专家项目组的技术专家,作为组长和导师和您一起感受开发的乐趣以及高科技的魅力!带着您手中的项目或技术问题加入我们,一起享受黑客松的快乐吧!
活动地点:杭州拱墅区湖墅南路28号 杭州JW万豪酒店
活动时间:2017年10月22日(周日) 8:30-15:00
嘉宾介绍:
严飞
微软大中华区 创新技术合作事业部 总经理
二十年信息科技领域技术和管理经验,曾就职于西门子、爱立信、蚂蚁金服等海内外知名高科技企业。在研发、服务和市场领域积累了丰富的理论和实践经验。
清华大学MBA、德国爱尔兰跟-纽伦堡大学通信工程硕士、浙江大学计算机学士。
梁迪
微软中国MVP项目组负责人
就职于微软(中国),致力于企业级生态圈建立,技术社区文化传播。曾就任美国欧洲500强各大公司市场部门,希望将微软中国技术社区与第三方社区,特别是开源社区联盟一起,做出具有中国本地特色的科技生态圈。
两组强大阵容介绍:
Data组 组长——梁桐铭
微软最有价值专家 从2015年5月开始在国内的开源社区中进行推广ASP.NET Boilerplate Project开源框架,创建了”角落的白板报”博客,发表一些基础性文章来帮助大家提高开发技巧。
2016年8月,制作了代码生成器(ABP Code Generator),辅助与ABP框架以提高开发人员的效率,也支持最新的Visual Studio 2017。 目前作为公司的技术leader,经过推广ABP框架之后使用.NET开发的人数也逐步上涨。现在也在开发中尝试使用.NET Core作为开发。
导师:闫伟
微软(中国)有限公司创新技术合作事业部开发技术顾问。致力于微软新技术与平台的推广与合作,构建开发者应用生态系统,推广微软“云+ 端”及IT 消费者化的远景和理念。对于微软人工智能与公有云Azure平台等相关技术应用及开发有着丰富经验。
导师:Bernd Verst
微软Azure针对开发者群组的云技术专家。专注于Linux,Containers和Python。
人工智能下的聊天机器人组 组长——丁煜恒
微软(中国)有限公司创新技术合作事业部技术顾问。致力于推广微软人工智能Bot Framework, 微软认知服务Cognitive Services以及Cortana Extensibility 等技术的落地和实现,进行微软新技术与平台的推广与合作,构建开发者应用生态系统
时间
主题
08:30-09:00
签到
09:00-09:30
开场致词
09:30-10:00
MVP Program 介绍
10:00-14:00
(含用餐时间)黑客松大赛 Hacking for Cloud Beginners / 技术话题演讲及分组
14:00-15:00
评选及颁奖
Note:
人工智能下的聊天机器人组需要做以下准备:
1)Visual studio 2017;
2)Windows 10;
3)1元Azure试用账号:
Data组须知:
1)自带数据及项目参加者,可参与database/CosmoDB/Machine Learning/PowerBI项目;
2)非自带数据及项目参加者,可使用现场提供的数据或hands-on内容。
酒店信息:
酒店电话:0571-85788888
入住酒店:杭州JW万豪酒店
酒店地址:杭州拱墅区湖墅南路28号
报名地址:
http://www.huodongxing.com/event/2407015743200
相关推荐
imbhavesh28
嗨,我是Bhavesh :waving_hand: 关于我: :telescope: 我目前在LPU,旁遮普邦和(测试版)Microsoft Learn Student Ambassador的Devloper Student Clubs Lead工作。 :seedling: 我目前正在学习Full Stack Web开发,数据结构和算法,Google Cloud,AWS和Azure。 :people_with_bunny_ears: 我希望在开放源代码项目,与Web和云相关的项目上进行合作。 :thinking_face: 我正在寻找与Web开发和云相关的项目的帮助。 :trophy: “ Smart India Hackathon 2019”最终决赛入围者-软件版! :bullseye: Life Hack:“探索 :fire: 和爆炸 :bomb: 有知识的人。” :speech_balloon: 向我询问有关Web&Cloud的任何资料! :high_voltage: 有趣的事实:我喜欢参加聚会学习和网络会议! :grinning_face_with_smil
Prince-Shivaram:不要只是给它加星标
你好 我是Siv Ram Shastri :smiling_face_with_smiling_eyes: 我是全栈Web开发人员 :laptop: :hammer_and_wrench: 我使用的技术和工具: :laptop:关于我: :laptop: 我目前正在研究MERN Stack :hourglass_not_done: 探索Google Cloud和Microsoft Azure :rocket: 随时准备合作进行开发实验 :man::laptop: GirlScript Foundation的前项目主管实习生 :bullseye: Life Hack:“探索 :fire: 和爆炸 :bomb: 有知识” :trophy: “ Smart India Hackathon 2019”最终决赛入围者-软件版 :high_voltage: 有趣的事实:我喜欢参加聚会学习和网络会议 :red_heart: 让我们建立联系:
A Survey of LLM Negotiation and Bargaining Agents |LLM谈判与议价智能体综述 |arxivreview
# A Survey of LLM Negotiation and Bargaining Agents |LLM谈判与议价智能体综述 |arxivreview 综述原文见 [ArxivReview](https://www.arxivreview.com/surveys/LLM%20Negotiation%20and%20Bargaining%20Agents) ## 导读 大语言模型(LLM)谈判智能体正经历从语言模拟向经济理性的范式跃迁,其核心矛盾在于人类对齐训练带来的亲社会偏见与博弈论要求的最优策略之间的冲突。早期研究聚焦于自然语言生成的流畅性,但NegotiationArena等基准迅速揭示了模型在策略推理上的系统性缺陷,如锚定偏差与过度合作。为修正这些非理性行为,研究重心转向可验证奖励强化学习(RLVR),利用客观经济信号替代主观人类偏好,显著提升了剩余提取能力。与此同时,情感策略蒸馏与机制可解释性分析作为互补路线,分别解决了边缘部署中的能力缺失与偏差的神经基础问题。各路线在策略理性、部署效率与可解释性之间做出了不同取舍,由此形成当前多元并存的方法格局。本综述梳理这条从行为优化到机制理解的因果演进链条,为读者提供一张领域认知地图。全文按问题演化与路线取舍组织,覆盖该领域从奠基到当前的主要工作。 ## 1. 研究背景、问题结构与演进脉络 LLM谈判与议价智能体领域的兴起,源于大语言模型从静态文本生成向自主智能体(Autonomous Agents)的范式转变。早期研究如Lewis et al. (2017)提出的DealOrNoDeal和He et al. (2018)的CraigslistBargain,局限于基于规则或简单神经网络的文本谈判协议,缺乏对复杂策略推理和自然语言说服力的建模。这些工作确立了基于对话历史的策略生成与语言生成分离的早期架构,但仅
typora编辑器 markdown Mac版本
typora编辑器 markdown Mac版本
数据挖掘实战项目-从零实现决策树、朴素贝叶斯、KMeans与PCA,含清洗特征评估全流水线,33个源文件8457行
内容概要:190 页项目教程 + 一套从零实现的数据挖掘算法库与流水线,按源文件交付 33 个模块:数据集读取与 schema 校验、清洗(缺失填充、去重、IQR/Z-score 异常值、类别编码)、特征工程(标准化、分箱、多项式、方差/相关/卡方选择)、切分与分层 K 折交叉验证、CART 决策树(基尼、连续特征二分、剪枝)、朴素贝叶斯(高斯/多项式 + 拉普拉斯平滑)、KNN、线性回归(正规方程与梯度下降双实现、残差分析)、逻辑回归(交叉熵 + L2 + 梯度校验)、KMeans(k-means++ 与轮廓系数)、PCA(特征值分解与解释方差)、指标(混淆矩阵、P/R/F1、手算 ROC-AUC)、流水线(先切分后 fit,防数据泄漏)、报告与 CLI。 适合人群:要做数据挖掘课设或毕设的同学;只会调库、被问「决策树怎么分裂」答不上来的开发者;想把算法写成可跑代码而不是背公式的人。 使用场景及目标:照着教程手写每个算法,跑通三个可复现数据集,最后用一条命令跑完整流水线并输出指标报告;每个算法都配边界用例(空集、单样本、全同类、常数列、NaN),结论能被复算。 其他说明:33 个源文件 8,457 行,主机侧用例全部通过(本机 make test 实跑,只用标准库 + numpy,不依赖任何机器学习框架)。代码完整,无省略、无伪代码,数值下溢保护与参数校验全部保留。


非技术区
