- 综合排序
- 最热优先
- 最新优先
- 来自专栏mysql
hhdb数据库介绍(9-5)
计算节点支持mysqlbinlog命令，mysqlbinlog命令能够解析binlog文件用于同步增量数据，从而减少了将单机数据迁移至计算节点时的停机时间。使用mysqlbinlog连接远程实例获取binlog文件并解析出其中的SQL语句，然后交由计算节点执行，从而将某个数据库的增量数据导入到计算节点某个逻辑库下。首先，登入到管理端口（默认端口为3325），执行dbremapping命令添加数据库映射关系，关于dbremapping命令用法，请参考计算节点管理命令文档。
35810编辑于 2025-03-26 - 来自专栏AI机器学习与深度学习算法
机器学习入门 9-5 决策边界
最后通过调整kNN算法的k值，了解模型的复杂与简单对应的决策边界不同。 a 什 么 是 决 策 边 界？ 100%，也就是说模型将测试样本全部预测正确，当然这是因为鸢尾花数据集比较简单。 注意到上图黄蓝相间的位置，这个图像非常奇怪，甚至在黄色区域内还存在一些蓝色部分，这样弯弯曲曲的形状，显然是模型过拟合的表现（过渡拟合训练样本点）。 第四章提到过当使用sklearn构造kNN模型的时候默认参数k为5，也就是看样本点周围最近的5个样本点，对于kNN算法来说，参数k值越小，对应模型本身也就越复杂。 通过这样的一个例子，再次样本了对于kNN算法来说，k值越大相应的模型越简单，对应到决策边界上，决策边界整体上越规整，分块越明显。
3.1K20发布于 2020-02-26 - 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9-5 通讯录排序
习题9-5 通讯录排序 输入n个朋友的信息，包括姓名、生日、电话号码，本题要求编写程序，按照年龄从大到小的顺序依次输出通讯录。题目保证所有人的生日均不相同。
1.3K30发布于 2020-09-15 - 来自专栏三掌柜的技术空间
吃透大模型系统：提示工程、符号推理、智能体实战全解
它把“上下文工程”讲得非常透彻，而且不是停留在概念层面，作者直接用图 9-5 把一条最常走、最高频的工程动线画出来了： 每一轮推理开始前，系统先把“可用的决策上下文”拼装好，将所需的模板、资源、工具、状态一次性拉齐 ，再交给模型去想、去做。 ▲上下文工程的 MCP 最佳实现（原书图 9-5） 如果跳过这一步，智能体甚至不知道自己能干什么、该用什么、现在处在什么状态，更谈不上稳定规划和可靠执行。 结合图 9-5，这条动线其实就是一套非常清晰的四步闭环： 1.选择适配当前任务的上下文模板（逻辑分区） 先把上下文结构定型：身份/目标/约束/输出格式如何分区，历史记录与状态存放在哪一块分区，工具与资源放在哪一块分区 如果你希望从“大模型使用者”进阶为“大模型系统架构师”，这本书绝对值得你认真读一遍。 说说你对大模型系统的看法？
36011编辑于 2026-03-03 - 来自专栏Coding迪斯尼
用go做个编译器:语法解析树及其实现
对于算术表达式9-5+2, 由于我们会首先使用list -> list + digit 来进行解析，因此 9-5对应一个list，2对应digit, 因此最终解析完成后，所形成的解析树如下： 使用生产式来定义语法是一件困难的事情 list+list进行解析，一种是使用list->list-list进行解析，如果是后者，那么我们会生成的语法树如下： 这里我们看到两个语法表达式都对应表达式”9-5+2”，但是第一个语法树执行的操作是(9- 对于算术表达式1+2，对应的算术表达式就是1 2 +, 对于表达式(3+4)，对应的后项表达式就是3 4 + , 我们看一个复杂一点的，(9-5)+2 ,首先我们计算(9-5)的后项表达式，也就是9 5
1.9K50编辑于 2022-03-28 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-9. 聚类(Clustering)
如图9-5的(1)所示。 但是，通常这条曲线是渐变的，没有很显然的"肘部"。如图9-5的(2)所示。 ? 图9-5 代价J关于簇数K的曲线图 注意：随着K的增加J应该总是减少的，否则，一种出错情况可能是K均值陷入了一个糟糕的局部最优。 一些其他的方法参见wikipedia。
1.6K110发布于 2018-03-13 - 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9-4 为辅助虚拟机选择主机 （5）在”即将完成”对话框，显示辅助虚拟机详细信息，这包括辅助虚拟机所在主机、配置文件位置、硬盘位置等，如图9-5所示。 图9-5 完成 （6）返回到vSphere Web Client管理控制台，在”近期任务”中会显示为虚拟机打开容错的配置信息，如图9-6所示。
1.5K40编辑于 2021-12-23 - 来自专栏软件方法
《软件方法》第9章 分析类图进阶（20180619更新）
高坡砍柴要留桩，平地起房要留窗 《野合万事兴》；词：左小祖咒，曲：左小祖咒，唱：左小祖咒、宝罗，2008 本章在假设读者已经掌握类建模基本知识的前提下，讲述一些可以帮助建模人员得到更高质量类模型的进阶建模技能 如图9-5所示。 ? 图9-5 给“设备”涂上颜色 很容易画出“设备”的状态机图，如图9-6所示。 ? 以图9-5中的类为例，单位采购了10台品牌型号完全相同的设备，每一台设备都要编号区分，而且“可借”、“故障”等状态也各自不同，但是，设备的品牌型号以及各种参数是一样的。 图9-29 泛化转成关联 如果觉得图9-29不好理解，可以把类模型转成关系数据库模型，填上数据帮助理解。图9-30展示了映射到关系数据库之后，将图9-25所示人员的信息填充到“联系方式”表时的数据。 图9-35 抽象出人际关系类型 如果觉得图9-35不好理解，可以把类模型转成关系数据库模型，填上数据帮助理解。图9-36展示了映射到关系数据库并填充数据后的情况。 ? ? ?
69730发布于 2019-09-23 - 来自专栏数据结构与算法
BZOJ1096: [ZJOI2007]仓库建设(dp+斜率优化)
Sample Input 3 0 5 10 5 3 100 9 6 10 Sample Output 32 HINT 在工厂1和工厂3建立仓库，建立费用为10+10=20，运输费用为(9-5)*3 如果仅在工厂3建立仓库，建立费用为10，运输费用为(9-0)*5+(9-5)*3=57，总费用67，不如前者优。 【数据规模】 对于100%的数据， N ≤1000000。
1.2K50发布于 2018-04-13 - 来自专栏用户8928967的专栏
第9章 JavaScript事件处理
click、submit、mouseover 等 9-3 主流浏览器支持DOM标准的事件处理模型有哪几种？ 注意：目前除IE外，其他主流浏览器如Firefox、Opera、Safari都支持标准的DOM事件处理模型。IE仍然使用自己的模型，即冒泡型。 9-4 常用的鼠标事件有哪些？ 9-5 如何移除事件监听器 IE： element.attachEvent ('onclick', observer); // 注册事件监听器 element.detachEvent('onclick
1.6K20发布于 2021-09-22 - 来自专栏机器学习算法与Python学习
机器学习(7) -- k-means 聚类
如图9-5的(1)所示。 但是，通常这条曲线是渐变的，没有很显然的"肘部"。如图9-5的(2)所示。 ? 图9-5 代价J关于簇数K的曲线图 注意：随着K的增加J应该总是减少的，否则，一种出错情况可能是K均值陷入了一个糟糕的局部最优。 一些其他的方法参见wikipedia。
1.5K50发布于 2018-04-04 - 来自专栏数据分析与挖掘
pycaret之集成模型（集成模型、混合模型、堆叠模型）
1、集成模型 组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。 此函数可用于混合可以使用blend_models中的estimator_list参数传递的特定训练模型，或者如果未传递列表，它将使用模型库中的所有模型。 3、堆叠模型 堆叠模型是使用元学习的整合方法。堆叠背后的想法是建立一个元模型，该模型使用多个基本估计量的预测来生成最终预测。在PyCaret中堆叠模型就像编写stack_models一样简单。 此函数使用estimator_list参数获取训练模型的列表。所有这些模型构成了堆栈的基础层，它们的预测用作元模型的输入，可以使用meta_model参数传递该元模型。 restack参数控制将原始数据公开给元模型的能力。默认情况下，它设置为True。当更改为False时，元模型将仅使用基本模型的预测来生成最终预测。
3.6K10发布于 2020-10-27 - 来自专栏白话互联
【Claude Code】白话观察 | 9月6日速递
Claude Code领域的重要动态吧，昨天Anthropic重点更新了对国内公司的封锁，这也能说明本周各个claude code的api代理的账号被疯狂的封锁的原因了，国货当自强，Kimi 2 发布9- 公司截至2025年8月已实现*50亿美元*的年化收入，主要得益于Claude AI模型和Claude Code等企业工具的快速采用。 与此同时，xAI发布了*Grok Code Fast 1*，这是一个专为Agentic编码工作流程设计的新模型。
28710编辑于 2025-09-17 - 来自专栏全栈程序员必看
–AR模型,MA模型,ARMA模型介绍
AR模型的定义 ————— AR模型平稳性判别 AR模型是常用的平稳序列的拟合模型之一，但并非所有的AR模型都是平稳的 。 第一个平稳的AR模型 这个AR模型的递推式子是x[t]=0.8*x[t-1]+e，其实e是一个误差项。 AR模型的一些性质 若AR模型满足平稳性条件，则他的均值为0，我们可以从上面的图中看出 AR模型的自相关系数是呈复指数衰减– 有拖尾性 AR模型的偏自相关系数有截尾性 注意第二,第三条很重要，后面可以用来做模型的识别 我在强调一遍 AR模型的自相关系数是呈复指数衰减– 有拖尾性 * AR模型的偏自相关系数有截尾性* MA模型 MA模型的定义 MA模型的可逆性 这个性质在推到MA模型的相关系数和自相关系数的时候比较有用 看一下可逆的定义 接下来看一下MA模型怎么转换成AR模型 最后我们看一下什么样的MA模型可以转化为AR模型 可逆MA模型的应用 对于一些MA模型，虽然其生成的式子不一样，但是其自相关图是一样的
2.7K20编辑于 2022-09-20 - 来自专栏学习
【软件测试】敏捷模型（Scrum模型）和V模型、W模型
敏捷模型 前面的那些模型以前非常流行，但现在开发人员在使用的时候会遇到各种问题。主要困难包括在项目开发期间处理来自客户的变更请求，以及合并这些变更所需要的高成本和时间。 在实际工作中，一款产品的功能是不断在变化的 所以为了克服这些缺点，就提出了敏捷软件开发模型。在敏捷模型中，需求被分解成许多可以增量开发的小部分。敏捷模型采用迭代开发。每个增量部分都是在迭代中开发的。 敏捷模型主要旨在帮助项目快速适应变更请求。 V 模型 V 模型中，明确的标注了测试过程中存在的不同类型的测试 右边的测试，都需要参考左边对应高度的要求 缺点： 仅仅把测试作为在编码之后的一个阶段，未在需求阶段就介入测试。 缺点和瀑布模型一样 W 模型（双 V 模型） V 模型中未将测试前置的问题在 W 模型中得以解决 开发 V 模型并不是单单指编码阶段，而是为产品开发流程而实施的各个阶段 测试的对象不仅是程序，需求、
3.1K10编辑于 2024-11-15 - 来自专栏数据分析与挖掘
pycaret之训练模型（创建模型、比较模型、微调模型）
1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。 2、创建模型 在任何模块中创建模型就像编写create_model一样简单。它仅采用一个参数，即型号ID作为字符串。 尽管有一个单独的函数可以对训练后的模型进行集成，但是在通过create_model函数中的ensemble参数和方法参数创建时，有一种快速的方法可以对模型进行集成。 3、微调模型 在任何模块中调整机器学习模型的超参数就像编写tune_model一样简单。它使用带有完全可定制的预定义网格的随机网格搜索来调整作为估计量传递的模型的超参数。 对于有监督的学习，此函数将返回一个表，该表包含k倍的通用评估指标的交叉验证分数以及训练有素的模型对象。对于无监督学习，此函数仅返回经过训练的模型对象。
2.8K10发布于 2020-10-27 - 来自专栏HUC思梦的java专栏
瀑布模型&螺旋模型
软件开发模型： 1.瀑布模型 1）软件概念阶段 用户需求 2）需求分析 软件需求 3）架构设计 架构文档 4）详细设计 模型设计 5）编码阶段 代码文档 6）测试阶段 瀑布模型的特点是在每个阶段的工作都清晰详尽 瀑布模型还有一个缺点是项目编码处在后半程，因此客户需要等待很长时间才能体验到产品，故此需要在早期就为用户提供一个体验的样本，这个样本就是产品原型。 瀑布模型非常适合使用在需求清晰且不易改变的情况。 除此之外，遇到一个需求非常清晰的客户是使用瀑布模型的一个重要前提。 2.螺旋模型 ? 螺旋模型兼顾了快速成型的迭代特征以及瀑布模型的系统化与严格监控。 螺旋模型最大的特点在于引入了其他模型不具备的风险分析，使软件在无法排除重大风险时有机会停止，以减小损失。 螺旋模型的特点是每阶段只完成特定部分的功能，循环渐进式的开发。 螺旋模型非常适合使用在客户需求经常发生变化或者客户需求不明确的情况。
1.7K20发布于 2020-09-03 - 来自专栏全栈程序员必看
GloVe模型_nerlove模型
文章目录 系列目录（系列更新中） 1.概述 2.统计共现矩阵 3.使用GloVe模型训练词向量 3.1.模型公式 3.2.模型怎么来的 3.3.Glove和skip-gram、CBOW模型对比 4. Sampling） 第三讲 cs224n系列之skip-pram优化 & Global Vector by Manning & 词向量评价 理解GloVe模型（+总结） 1.概述 模型目标 3.使用GloVe模型训练词向量 3.1.模型公式 先看模型，代价函数长这个样子： J = ∑ i , j N f ( X i , j ) ( v i T v j + b i + b j − l o 可以看到，GloVe模型没有使用神经网络的方法。 3.2.模型怎么来的 那么作者为什么这么构造模型呢？ 融入全局的先验统计信息，可以加快模型的训练速度，又可以控制词的相对权重。
76010编辑于 2022-09-29 - 来自专栏Backup@zzk
生成模型&判别模型
#生成模型 #判别模型机器学习中的判别式模型和生成式模型目录：基本概念用例子说明概念判别式模型和生成式模型的区别二者所包含的算法在机器学习中，对于有监督学习可以将其分为两类模型：判别式模型和生成式模型。 1.2 生成式模型这么做一般会对每一个类建立一个模型，有多少个类别，就建立多少个模型。 生成式模型： 是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率是多少，再放到绵羊模型中看概率是多少，哪个大就是哪个。 但是，生成式模型的概率分布可以有其他应用，就是说生成式模型更一般更普适。不过判别式模型更直接，更简单。两种方法目前交叉较多。由生成式模型可以得到判别式模型，但由判别式模型得不到生成式模型。3. 判别式模型和生成式模型的区别3.1 判别式模型和生成式模型的对比图图片上图左边为判别式模型而右边为生成式模型，可以很清晰地看到差别，判别式模型是在寻找一个决策边界，通过该边界来将样本划分到对应类别。
1.1K00编辑于 2023-08-17 - 来自专栏Java架构师必看
星星模型&&雪花模型
在多维分析的商业智能解决方案中，根据事实表和维度表的关系，可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。 星型模型 当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型。 ? 雪花模型 当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。 雪花模型和星星模型的区别： 星型模型因为数据的冗余所以很多统计查询不需要做外部的连接，因此一般情况下效率比雪花型模型要高。星型结构不用考虑很多正规化的因素，设计与实现都比较简单。 在雪花模型中，数据模型的业务层级是由一个不同维度表主键-外键的关系来代表的。而在星形模型中，所有必要的维度表在事实表中都只拥有外键。 3）性能 第三个区别在于性能的不同。
1.1K31发布于 2021-08-10
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