- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(10-5)
管理用户界面的审计日志主要用来查看管理用户对管理平台的操作记录，同时可查看所有纳管的计算节点集群内普通用户的基本操作。
1K10编辑于 2025-03-13 - 来自专栏FreeBuf
按图索骥，最终发现数字犯罪天堂
【登录页面】 结论 分析人员跟踪了使用 DDoS-Guard 的 Mr.SNIFFA 工具包和攻击基础设施，按图索骥发现了相关联的各种数字犯罪。
1K50编辑于 2023-02-10 - 来自专栏韩锋频道
按图索骥，谈谈数据库技术选型
随着企业数字化转型深入，对于数据使用场景也呈现多元化趋势，正有越来越多数据被企业利用起来。如何为众多场景选择一款合适的数据库产品，是很多企业面临的问题。而另一方面，近些年来数据库技术蓬勃发展，初创新兴厂商大量涌现。据不完全统计，仅国内的数据库厂商就有近200家，还不算国外以及开源数据库产品。上述情况更加剧了企业选择数据库的困难。本文从一些角度切入，通过图谱的形式尝试为企业选择数据库产品描述出一条路径。
1.4K40编辑于 2022-03-15 - 来自专栏杨建荣的学习笔记
按图索骥，再谈数据库迁移之路
数据库迁移，是个老生常谈的问题，之前也曾写过一篇文章。近期，针对这一课题，自己有了些新的思考，下面将具体展开谈谈。在这之前，我先谈谈数据库迁移的现实需求。这也算是目前行业发展的一个小总结。
64650发布于 2021-04-02 - 来自专栏AI机器学习与深度学习算法
机器学习入门 10-5 精确率和召回率的平衡
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要说明精准率和召回率是相互制约、相互矛盾的两个指标，通过选取不同的threshold阈值来观察精准率和召回率的变化。在具体编程中，sklearn没有直接能够传入threshold阈值的函数，但是可以使用算法的decision_function函数计算出样本的score值，然后转换为布尔向量，进而转换为元素为0,1的整型向量，整型向量即为算法在当前阈值下预测的样本类别。
4.7K51发布于 2020-04-26 - 来自专栏数据和云
按图索骥：SQL中数据倾斜问题的处理思路与方法
数据倾斜即表中某个字段的值分布不均匀，比如有100万条记录，其中字段A中有90万都是相同的值。这种情况下，字段A作为过滤条件时，可能会引起一些性能问题。 本文通过示例分享部分场景的处理方法 未使用绑定变量 使用绑定变量 几种特殊场景 1 测试环境说明 数据库版本：ORACLE 11.2.0.4 新建测试表tb_test： create tablescott.tb_test as select * from dba_objects; 创建索引： create indexscott.idx_tb_test_
2K60发布于 2018-03-08 - 来自专栏数据库
按图索骥：SQL中数据倾斜问题的处理思路与方法
数据倾斜即表中某个字段的值分布不均匀，比如有100万条记录，其中字段A中有90万都是相同的值。这种情况下，字段A作为过滤条件时，可能会引起一些性能问题。 本文通过示例分享部分场景的处理方法 未使用绑定变量 使用绑定变量 几种特殊场景 1 测试环境说明 数据库版本：ORACLE 11.2.0.4 新建测试表tb_test： create tablescott.tb_test as select * from dba_objects; 创建索引： create indexscott.idx_tb_test_01
1.4K90发布于 2018-01-23 - 来自专栏数据和云
按图索骥：Oracle数据库无响应故障的处理思路和方法
熊军（老熊） 云和恩墨西区总经理 Oracle ACED，ACOUG核心会员 无响应故障现象分析 ---- Oracle数据库无响应故障，简单地讲就是数据库实例不能响应客户端发起的请求，客户端提交一个SQL后，就一直处于等待数据库实例返回结果的状态。更严重的现象是客户端根本不能连接到数据库，发起一个连接请求后，一直处于等待状态。 无响应的故障现象一般有以下几种： 1.Oracle的进程在等待某个资源或事件 这种现象一般可以从V$SESSION_WAT、V$LATCH、V$LATCHHOLDER等动态视
2.7K80发布于 2018-03-06 - 来自专栏完美Excel
VBA专题10-5：使用VBA操控Excel界面之隐藏取消隐藏及最小化功能区
可以重命名和隐藏内置选项卡和内置组，改变其在功能区中的顺序。然而，不能重命名和隐藏内置控件，修改内置控件的图标，修改功能区内置组中内置控件的顺序。
4.6K30发布于 2020-08-17 - 来自专栏前端知识分享
第27天：js-表单获取焦点和数组声明遍历
45 46
- 47 上证指数364110 48
49- 50 上证指数364110 51
52- 53 上证指数364110 54
55- 56 上证指数364110 57
58- 59 上证指数364110
5K20发布于 2018-09-11 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题10-5 递归计算Ackermenn函数
习题10-5 递归计算Ackermenn函数 本题要求实现Ackermenn函数的计算，其函数定义如下： ?
89910发布于 2020-09-15 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十五） —— 多重星型模式
实际生产环境每天定期装载应该共用一个调度，也即应该把清单（五）- 10-5里的脚本并入每天定期装载脚本中，并且针对使用cdc_time表做相应的修改。 -5 Kettle定期装载工厂维度表和产品事实表如图（五）- 10-5到图（五）- 10-22所示。 图（五）- 10-5 图（五）- 10-6 图（五）- 10-7 图（五）- 10-8 图（五）- 10-9 图（五）- 10-10 图（五）- 10-11 运行完清单（五）- 10-5里的脚本以后，需要把系统日期设置成任意晚于上一篇“杂项维度”设置的日期。这里设置系统日期为2015年3月18日。 先把系统日期设置为2015年3月19日，然后执行清单（五）- 10-5里的脚本或对应的Kettle定期装载作业。
73420编辑于 2022-12-02 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-10. 降维(Dimensionality Reduction)
在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比
1.1K80发布于 2018-03-13 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比
1.2K100发布于 2018-04-04 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图10-4 辅助虚拟机运行截图 当ESXi主机内存是4GB、5GB时，尝试启动容错虚拟机，则会弹出”父资源池中可用内存资源不足”的提示，如图10-5所示。 图10-5 父资源池中可用内存资源不足 11 其他 vSphere Web Client控制台中，各个窗口可以向四个方向拖动，如图11-1所示。 图11-1 拖动窗口 图11-2 拖动到指定位置
1.6K40编辑于 2021-12-23 - 来自专栏杨建荣的学习笔记
K-Means算法原理和简单测试
我们选择P1,P2为质心，即他们作为参照标准，分别和其他的员工数据进行比对，得到一个差异值，即两点之间的距离，可以使用欧式距离来得到，比如P1到P3的距离就是（10-7）（10-7）+（10-5）（10
78620发布于 2019-06-18 为什么要构建个人知识体系？
知识体系方便你按图索骥 知识体系的构建方便你进行按图索骥。即通过知识体系讲我历史的学习实践进行了体系化结构化整理，将离散的内容形成抽象归纳为了完整的知识结构。不管是思维导图单维结构，还是矩阵式结构。 有了结构后就方便我们面对新问题分析接近的时候，能够快速的找到问题对应的知识点，并基于知识点找到关联依赖知识点进行按图索骥。所以知识体系就是你快速分析问题的一个地图。
42610编辑于 2025-08-12- 来自专栏LeetCode解题
1619. 删除某些元素后的数组均值
与 标准答案 误差在 10-5 的结果都被视为正确结果。
5.3K20发布于 2021-02-26 - 来自专栏RFFAN实验室
IDEA 导入项目后找不到右侧的Maven
按图索骥吧 ? ? 这样，添加Maven Project的就出来了。就不会尴尬了。
2.2K10发布于 2020-05-11 - 来自专栏python3
Python三维绘图--Matplotl
Axes3D #定义坐标轴 fig4 = plt.figure() ax4 = plt.axes(projection='3d') #生成三维数据 xx = np.random.random(20)*10 -5 #取100个随机数，范围在5~5之间 yy = np.random.random(20)*10-5 X, Y = np.meshgrid(xx, yy) Z = np.sin(np.sqrt(
3.2K40发布于 2020-01-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号