社区
community_281
帖子详情
著名美国独资企业招人,windows C++开发,windows QA等研发人员
dchg2000
2006-11-18 09:30:38
地点:北京,东方广场
主要要3种研发人员,
1) windows C++软件工程师;
2)windows软件测试工程师;
3).net C++软件工程师;
所有人员学历至少本科,外语6级,听说能力还行的(有英文面试)。
待遇8k - 16k之间吧,看你自己的能力啊。
发简历到 dchg2000@gmail.com,我可以帮你推荐。
...全文
369
16
打赏
收藏
著名美国独资企业招人,windows C++开发,windows QA等研发人员
地点:北京,东方广场 主要要3种研发人员, 1) windows C++软件工程师; 2)windows软件测试工程师; 3).net C++软件工程师; 所有人员学历至少本科,外语6级,听说能力还行的(有英文面试)。 待遇8k - 16k之间吧,看你自己的能力啊。 发简历到 dchg2000@gmail.com,我可以帮你推荐。
复制链接
扫一扫
分享
举报
写回复
配置赞助广告
用AI写文章
16 条
回复
切换为时间正序
请发表友善的回复…
发表回复
打赏红包
dchg2000
2006-11-19
打赏
举报
回复
我先揭帖,大家可以go on
shunde_cai
2006-11-19
打赏
举报
回复
。。。路过。。。
回家练英语去。。。
BOYGUARD110
2006-11-19
打赏
举报
回复
MARK UP
dchg2000
2006-11-18
打赏
举报
回复
面试:
笔试 -》 本地技术面试 -》英文技术面试 -》老板面谈 -》hr面谈(定薪水)
dchg2000
2006-11-18
打赏
举报
回复
英文技术电话面试,50分钟左右
kbsoft
2006-11-18
打赏
举报
回复
英文技术面试是笔试还是口语?是不是有30分钟的presentation?
dchg2000
2006-11-18
打赏
举报
回复
不是4级也行,能搞定英文技术面试就ok
mengfanpp
2006-11-18
打赏
举报
回复
外语六级 好高
dchg2000
2006-11-18
打赏
举报
回复
有需求的就发吧,看热闹的帮忙up
公司是大公司,全球2w人左右。
kbsoft
2006-11-18
打赏
举报
回复
口水中。。。。。
可惜我英语不行:(
jihailong
2006-11-18
打赏
举报
回复
学会了就去
dchg2000
2006-11-18
打赏
举报
回复
up
dchg2000
2006-11-18
打赏
举报
回复
备注:目前公司急需招人,也许门槛会低一些,以前我们进去的时候还是很麻烦的,所以大家不要错过啊
dchg2000
2006-11-18
打赏
举报
回复
大家发简历吧,成不成都关系不大吧
sankt
2006-11-18
打赏
举报
回复
偶想试试看
gangyaocn
2006-11-18
打赏
举报
回复
CA公司,去吧.
长文预警 | 访谈童庆博士——从量化科研到量化实践!
同时有着丰富的实践经验,曾担任多家大型量化机构的顾问,多次开设了实践型的量化高级课程,自己亲自管理过亿的量化产品,可以说同模式是国内非常少见的,同时兼顾学术背景和实践经验的量化投资。然后通过一些小例子,开始去学会一些量化的回测框架,看懂一些量化的研报,学会复制这个简单的研报,提出一些想法,然后更加深度的去学习。第三个优势,我觉得跟主观投资比起来,量化的逻辑很清楚,就是说主观会比较模糊,你不知道自己是怎么挣到钱,亏钱可能也不太明白,挣了钱也不太明白,复制性和持续性都没有量化这边好。
ROBOTVALUES:家庭机器人价值观冲突的可量化决策评估基准
家庭机器人正从功能实现迈向价值对齐,其核心挑战在于如何将抽象的‘人类价值观’转化为可测量、可复现的工程指标。价值观冲突并非哲学思辨,而是真实家庭场景中安全与隐私、效率与共情、自主与责任等多维目标间的动态权衡。ROBOTVALUES 作为首个面向家庭环境的价值决策评估基准,通过217个结构化冲突题目、价值权重向量(VWV)建模与反事实扰动测试,实现对机器人价值推理能力的L1-L3分层诊断。它不替代AI模型,而是嵌入
研发
流水线,支撑需求定义、中间件设计、CI/CD验证与家庭价值画像(FVP)部署,切实提升用户信
机器学习项目落地的八大隐形陷阱与实战解法
机器学习不是算法竞赛,而是工程化落地的系统性挑战。从数据漂移、特征泄露到业务逻辑漂移,真实项目中的核心障碍往往不在模型本身,而在需求定义、数据契约、特征可解释性与生产环境鲁棒性等基础环节。本文聚焦工业级ML生命周期中反复出现的‘第三步卡点’——即数据与业务对齐失效问题,结合信贷、医疗、电商等多领域实战案例,解析如何通过数据血缘追踪、特征版本化、影子部署、业务敏感度评估等方法,构建抗干扰、可追溯、可演进的AI交付体系。关键词涵盖机器学习落地、特征工程实践、模型监控、数据漂移检测。
机器学习端到端落地:从日志解析到AB测试的七道硬关
机器学习落地难,本质是算法能力与工程实践之间的断层。端到端机器学习并非流程罗列,而是以业务目标为锚点,将数据获取、特征工程、模型训练、服务部署、线上监控与AB测试构建成可验证、可归因、可迭代的闭环系统。其中,特征工程闭环确保业务语义与数学信号对齐,模型监控聚焦数据漂移与性能漂移的实时识别,而AB测试必须直指GMV、CVR等核心业务指标,拒绝‘数字正确但业务失真’。本文基于真实电商推荐场景,详解从原始日志解析到线上效果归因的完整链路,覆盖数据清洗陷阱、ONNX模型交付、Evidently漂移检测、Shaple
PostgreSQL数据模型实战:实体关系、约束设计与抽象层级落地
数据模型是业务规则向数据库结构转化的核心编译过程,其本质在于将模糊的业务语义精准映射为实体、属性、关系与约束四大技术要素。在PostgreSQL中,这一过程必须兼顾ACID保障、执行计划可预测性及物理存储效率。实体关系建模决定数据一致性边界,约束设计(如CHECK、EXCLUDE、FOREIGN KEY)构成业务逻辑守门员,而抽象层级(概念→逻辑→物理)则指导从ER共识到分区索引的逐层落地。典型应用场景包括电商订单建模、医疗元数据治理与实时物流轨迹追踪——所有实践均围绕PostgreSQL原生特性展开,如G
community_281
703
社区成员
253,687
社区内容
发帖
与我相关
我的任务
community_281
提出问题
复制链接
扫一扫
分享
社区描述
提出问题
其他
技术论坛(原bbs)
社区管理员
加入社区
获取链接或二维码
近7日
近30日
至今
加载中
查看更多榜单
社区公告
暂无公告
试试用AI创作助手写篇文章吧
+ 用AI写文章