- 综合排序
- 最热优先
- 最新优先
- 来自专栏存储公众号：王知鱼
Samsung：大IU落地的应用生态（LBS实践）
从传统的512B扇区到如今QLC闪存和大IU的演进，SSD的性能瓶颈日益凸显。为了突破这些限制，三星等行业领导者正积极探索主机操作系统层面的优化方案，如大块大小（LBS）技术。 本文将带您抽丝剥茧，解析LBA、IU及LBS之间的复杂关系，揭示NVMe和OCP等标准在其中的作用，并展望LBS如何为主机软件生态系统带来“免费”的性能提升，最终实现QLC SSD在数据库等工作负载下的卓越表现 Fig-16：在主机操作系统中启用大块大小 (LBS) 图片讨论了在主机操作系统层面启用大块大小（LBS）以更好地支持 QLC 和使用大 IU 的 SSD 的工作。 LBS 结论 增加 LBA 扇区大小很困难。 对原子掉电保护提出新要求是启用大 IU 的最佳解决方案。 Fig-17：LBS如何增益大IUs 图片解释了如何在主机操作系统层面通过一种称为“大块大小（LBS）”的方法来更好地支持使用大 IU 的 SSD。
58810编辑于 2025-04-21 - 来自专栏原创
构建基于LBS的大数据应用
构建基于LBS的大数据应用，一般的实现流程为：通过信息收集后进行基础数据的整理，数据挖掘/机器学习，服务搭建以及数据可视化等。 ? 数据挖掘的基本流程 基础数据的处理主要包括：数据集成和一些部分数据处理。 数据集成，数据挖掘或统计分析可能用到来自不同数据源的数据，我们需要将这些数据集成在一起。 数据挖掘时只根据数据库中的数据，用合适的数据挖掘算法进行分析，得出有用的信息。其中，模型算法质量的评价是很重要的一步。且数据挖掘是一个循环往复的过程。 基于LBS的大数据应用需要解决很多问题：基础数据问题比如海量数据流（>20W 条/s）、数据处理性能复杂计算（定位和统计）、准确率、秒级实时性要求、以及数据的实时性等。 最后，基于大数据的LBS应用，可以使用分布式流式计算框架，构建数据闭环，从而实现持续优化基础数据。 ? 目前的成功案例有： 1.杭州白马湖动漫节的安全保障。
2.8K70发布于 2018-03-21 - 来自专栏大数据文摘
2016大数据发展7大趋势
因此，高级管理人员正在寻找其人力资源的确切数据，所以，2016年我们会看到人力资源分析将迈出一大步。 人力资源分析虽然是人事部门新的业务领域，但为了更好地提高人力资源的投资回报率，该业务增长极为迅速。 对于那些大的商业组织而言，大数据已经成为通用语言。在适应新趋势方面，政府是缓慢的，但是在2016年，我们会看到更多的国家、地区和地方政府会采用大数据技术来提高社会和公民的体验。 7.智能机器带来的雾分析（Fog Analytic s)起步 ? 雾计算正在迅速地获得大量动力。雾计算是指推进连接到物联网的终端设备和存储数据的云计算之间的存储、传输和计算。 原文链接：https://datafloq.com/read/7-big-data-trends-for-2016/1699? utm_source=Datafloq%20newsletter&utm_campaign=41776c079a-Datafloq_newsletter_12_7_2015&utm_medium=email
1.2K60发布于 2018-05-22 - 来自专栏华章科技
大数据7大最奇特应用
在客户体验与库存管理流程方面，大数据通常会发挥重要作用。下面盘点了7个最有趣、最独特的大数据应用，以及它们可能对我们的生活产生的影响。 1.大数据广告牌 户外营销公司Route正使用大数据在广告牌、长椅以及公交车两侧的广告空间上设定定价模式。 5.大数据天气预报 从手机到交通地图，很多应用长期以来就需要数据支持。名为WeatherSignal的应用可以利用Android手机中的传感器，提供实时的天气数据。 7.大数据胸罩 True&Co网站正利用大数据帮助女性寻找号码更合适的胸罩。统计数据显示，大多数女性都戴错了胸罩的号码，为此这家网站试图帮助解决这个问 题。 该公司的内部品牌甚至会基于用户的反馈和公司收集到的数据 开发和设计新式胸罩。 利用大数据的可能性是无穷无尽的，我们可能需要时间去寻找大数据的更多应用方式。你最近看到有趣或不同寻常的大数据项目吗?
99010发布于 2018-08-13 - 来自专栏数据分析师小熊
数据分析7大能力：梳理数据需求
顾名思义，数据需求，就是业务部门对数据分析产出的需求。有小伙会说：这还有需求呀，我们公司都是一通电话：“歪！给我个XX数据，快！”就完事了，根本不存在啥需求。 确实有这种无脑公司。 不过，这么无脑催数据的结果，就是返工。最常见的局面，就是你辛辛苦苦跑出来数，对面的一通质疑：“数据不对吧！”“为啥和我知道的不一样！”“你再给我个XX数据看看？”“加个字段吧！” Who：数据使用者 When：数据使用时间 Where：数据使用场合 Why：使用数据原因 What：具体数据格式 三、who：谁使用数据 包括： 申请人：部门，姓名 审批人：领导签名、邮件回复 加上审批人 ，可以在一大堆需求塞车的时候，按领导等级高低排序给数。 不主动问数据用在哪里，结果业务拿着数据乱捅一波，捅完了就说：“诶呀，我们又不懂，都是数据提供的你去问他”……数据自然百口莫辩，死无全尸……所以不要吝啬语言，问清楚！ 六、why：为什么需要数据。
1.4K21编辑于 2022-04-22 - 来自专栏云计算D1net
7大云计算数据仓库
云计算数据仓库通常包括一个或多个指向数据库集合的指针，在这些集合中收集生产数据。云计算数据仓库的第二个核心元素是某种形式的集成查询引擎，使用户能够搜索和分析数据。这有助于数据挖掘。 •BigQuery中的逻辑数据仓库功能使用户可以与其他数据源(包括数据库甚至电子表格)连接以分析数据。 关键价值/差异： •微软公司在2019年7月发布了Azure SQL数据仓库的主要更新，其中包括Gen2更新，提供了更多的SQL Server功能和高级安全选项。 •对于现有的SAP用户，与其他SAP应用程序的集成意味着可以更轻松地访问本地以及云计算数据集。 (7)Snowflake 对潜在买家的价值主张。 7个顶级云计算数据仓库对比图表 ? （来源：企业网D1Net）
8K30发布于 2019-09-26 - 来自专栏PPV课数据科学社区
大数据专家：大数据7大最奇特应用
在客户体验与库存管理流程方面，大数据通常会发挥重要作用。近来，我盘点了7个最有趣、最独特的大数据应用，以及它们可能对我们的生活产生的影响。 1.大数据广告牌 户外营销公司Route正使用大数据在广告牌、长椅以及公交车两侧的广告空间上设定定价模式。 7.大数据胸罩 True&Co 网站正利用大数据帮助女性寻找号码更合适的胸罩。统计数据显示，大多数女性都戴错了胸罩的号码，为此这家网站试图帮助解决这个问题。 该公司的内部品牌甚至会基于用户的反馈和公司收集到的数据开发和设计新式胸罩。 利用大数据的可能性是无穷无尽的，我们可能需要时间去寻找大数据的更多应用方式。你最近看到有趣或不同寻常的大数据项目吗? 知识无极限 6、回复“啤酒”查看数据挖掘关联注明案例-啤酒喝尿布 7、回复“栋察”查看大数据栋察——大数据时代的历史机遇连载 8、回复“数据咖”查看数据咖——PPV课数据爱好者俱乐部省分会会长招募 9、
1.2K50发布于 2018-04-20 - 来自专栏数据科学与人工智能
【数据】金融领域7大数据科学案例
笔者邀请您，先思考： 1 金融领域有哪些典型数据问题？ 2 金融领域应用那些数据科学方法？ ? 近年来，数据科学和机器学习应对一系列主要金融任务的能力已成为一个特别重要的问题。 管理客户数据 对于金融公司来说，数据是最重要的资源。因此，高效的数据管理是企业成功的关键。今天，在结构和数量上存在大量的金融数据：从社交媒体活动和移动互动到市场数据和交易细节。 人工智能工具，特别是自然语言处理，数据挖掘和文本分析有助于将数据转化为智能数据治理和更好的业务解决方案，从而提高盈利能力。 我们认为，我们主要关注金融领域的7大数据科学用例，但还有很多其他值得一提的。 如果您有任何进一步的想法，请在评论部分分享您的想法。 原文链接： https://medium.com/activewizards-machine-learning-company/top-7-data-science-use-cases-in-finance
1.7K00发布于 2018-07-30 - 来自专栏Spark学习技巧
金融领域7大数据科学案例
涵盖了从数据管理到交易策略的各种业务方面，共同点是增强金融解决方案的巨大前景。 笔者邀请您，先思考： 1 金融领域有哪些典型数据问题？ 2 金融领域应用那些数据科学方法？ ? 管理客户数据 对于金融公司来说，数据是最重要的资源。因此，高效的数据管理是企业成功的关键。今天，在结构和数量上存在大量的金融数据：从社交媒体活动和移动互动到市场数据和交易细节。 人工智能工具，特别是自然语言处理，数据挖掘和文本分析有助于将数据转化为智能数据治理和更好的业务解决方案，从而提高盈利能力。 我们认为，我们主要关注金融领域的7大数据科学用例，但还有很多其他值得一提的。 如果您有任何进一步的想法，请在评论部分分享您的想法。 原文链接： https://medium.com/activewizards-machine-learning-company/top-7-data-science-use-cases-in-finance
2.7K40发布于 2018-06-22 - 来自专栏灯塔大数据
每周学点大数据 | No.7大数据规模的算法分析
No.7期 大数据规模的算法分析 Mr. 王：这样的时间界限记为O(1)，我们称之为常数时间算法，这样的算法一般来说是最快的，因为它与输入规模完全无关，不论输入规模n多么大，我们都可以用一个与输入规模n无关的常数时间得出结论，相比于巨大的n来说 另外，与大O记号类似，常用的记号还有Θ，Θ(g(n)) 表示函数f(n)构成的集合，存在n0，c1，c2。当n≥n0时，0≤c1g(n)≤f(n)≤c2g(n)。 它们与大O记号和Ω记号类似，只是在大小关系上不包含等于。 小可：嗯，听到这里，我理解了如何进行算法的分析和几种记号表示的含义了。 Mr. 内容来源：灯塔大数据
77640发布于 2018-04-09 - 来自专栏用户6336521的专栏
本地外卖平台如何利用LBS大数据进行用户画像精准营销
大数据火不火想必大家心中有数，尤其在LBS定位功能的前提下，能够快速找到附近的商圈，吃喝玩乐可以说是样样不缺了。接下来我们先来认识一下LBS定位功能。 u=1326731645,3839116331&fm=26&gp=0.jpg LBS，基于用户定位数据的服务，它包括两层含义：一是确定移动设备所在的地理位置，其次是提供与位置相关的服务。 移动互联网先天被打上了LBS的标签，其成为移动互联网的核心因素之一，这也是移动互联网区别于互联网的一大特征。 用户的性别、年龄、收入等相对稳定的用户标签，能清晰地描绘用户是怎样样的人；用户在APP上的行为轨迹、订单数据等具有一定时效性的行为数据， 表明用户最近对什么感兴趣；用户的定位数据，无疑是用户此时此刻打开 而利用LBS获得精准用户主要做到以下几点，一让用户养成用外卖APP的习惯，能够在更多的地理位置得到用户分布的大数据；二优化立足于地理位置建立的周边搜索，增强用户对外卖APP的信任感；三根据不同的地理位置获取不同的福袋等等
3.3K40发布于 2019-11-15 - 来自专栏数据分析师小熊
数据分析师7大能力：梳理标签体系
上期分享了数据分析师必备能力：打标签。这次分享一个更高级能力：构造标签体系。在提升能力的顺序上，当然是先会打一个标签，再会搞整个体系了。 一、什么是标签“体系”？ 说“做数据的来分析分析……”分析啥呀，连对象都没统一呢！ 所以，为了保住饭碗为了有效推动业务工作，更得体系化设计了。 然后任由他们自说自话，最后：请数据分析给一个公平公正公开所有人都能接受的完美方案……这么搞，最后就是做数据的小可怜儿改了几十版，还是被某些人吐槽：不完美呀。天啊，我要打住了，再吐槽下去要歪楼了。 沟通不好，一切白费，因此下一篇我们来分享《数据分析7大能力之沟通能力》敬请期待哦。
91710编辑于 2022-04-22 - 来自专栏博文视点Broadview
7大类数据分析报告写作指南
根据一个人对报告内容的熟悉程度来分，有7种类型，一一介绍如下： 类型一：介绍型报告 介绍型报告适用于：向不了解情况的人，做第一次汇报时使用。介绍型报告一般采用总分式结构，分若干个角度进行介绍。 因此探索型报告必须有较强的逻辑性，得解释清楚自己列举的数据与给出的结论之间有啥逻辑关系。最后的提示/建议，也是建立在坚实的数据基础上的。 （七大类型选一个） 3、他是否了解我说的东西？（不了解的先做介绍） 4、他的意见是否会影响结果（特别是预测/评估报告） 这样有的放矢，就能让数据报告切中对方痛点，解答对方的疑问，减少质疑。 避免毫无意义地铺陈数据。 最常见的，比如想向大领导安利一个方案，为了确保内部详细，会安排好几个模块： 1、先介绍背景（介绍型报告） 2、再介绍当前走势（监控型报告） 3、再介绍当前问题（诊断型报告） 4、再介绍计划方案（探索型报告
84330编辑于 2023-04-04 - 来自专栏企鹅号快讯
2018年7大预测
也正因为是以“共享”和“分享”为基，导致信息极易泄露，数据安全得不到有效保护。 兆信股份使用慧聪私有云服务，保障客户数据安全性与稳定性，能达到银行级的安全系数。 六、大数据实际运用，个性化营销更广泛 2017年，以数据为基础、效果为导向的量化营销、目标成为主流，很多品牌凭借此“软技能”已经尝到甜头。 2018年，将会有大量早期着手大数据的企业，尤其是已经使用了兆信股份数字身份管理系统的企业，已经有了22年的数据沉淀，能够精准地进行客户画像，行为分析等，真正实现企业比消费者更懂自己，据特殊用户或用户体系提供定制化内容 所有这些海量数据，加之人工智能的处理能力，将帮助机器更好地调配人力资源。人类将成为“数字指挥员”，技术作为我们自身的延伸，将以引领我们开启更加智能的生活。
1.2K110发布于 2018-01-08 - 来自专栏数据 学术 商业 新闻
把脉城市功能 | 基于LBS大数据量化城市尺度动态功能
创新点 本文基于LBS大数据，首次在城市尺度量化城市动态功能，并对比了全国不同城市动态功能的异同点。 然后，将poi数据重分类为6类以代表城市可以为居民提供的6大基本功能（商业、工作教育、居住、交通、文化娱乐和户外休闲），并借助TF-IDF方法缓解因poi不同类型数量之间巨大差异所带来的问题。 进一步，为了探究城市功能结构和分布特征的规律和差异，本文构建了城市功能均衡指数（每个城市在同一时段6大功能结构比例的标准差）。 结果发现，在天尺度，200个城市的功能均衡指数的位序分布呈双指数下降分布规律（图7a）。排名靠后的城市具有更均衡的功能，均衡指数也更低。 六个城市功能占比之间的差异在五个时间段内差异很大（图7b）。黎明时分，居住地（26.4％）与工作/教育职能的比例（16.4％）之间存在显着差异。
77330发布于 2021-02-22 - 来自专栏帅云霓的技术小屋
大模型与AI底层技术揭秘 (7) 卡车搬运的数据
让我们举一个例子： import tensorflow as tf import numpy as np # 使用 NumPy 生成假数据(phony data), 总共 100 个点. x_data 让我们再回到《大模型与AI底层技术揭秘 (2) 人妖之间的国度》中提到的“算盘打出原子弹”的故事。实际上，这是一个典型的分布式并发计算的场景。Tensorflow也提供了分布式训练的能力。 在Tensorflow中可以指定将数据传给worker来计算。 分布式训练的流程如下图： 图中，各个GPU各自拉取训练样本和参数进行训练，计算后更新参数。 我们发现，这一计算过程中涉及到大量的数据通信： 拉取大量的样本，如海量图片等； 拉去参数数据； 将训练的参数回馈； 在自动驾驶等训练场景，集群中每天的数据通信量可达PB之巨。 NVidia为了保障分布式训练场景下，海量数据的搬运，也设计了一套IO加速体系。请看下期。
47920编辑于 2023-10-30 - 来自专栏极客猴
7大 Python 特殊技巧提升数据分析能力
本文是 Peter Nistrup 根据自己的日常数据分析工作的经验，总结出 7 个提升数据分析效率的技巧。 1. Pandas Profiling 该工具效果明显。 使用Cufflinks和Plotly绘制Pandas数据 「经验丰富的」数据科学家或数据分析师大多对 matplotlib 和 pandas 很熟悉。 需要做大量数据可视化工作的朋友，可以阅读 Cufflinks 和 Plotly 的文档，发现更多方法。 假设你花了一些时间清洗 notebook 中的数据，现在你想在另一个 notebook 中测试一些功能，那么你是在同一个 notebook 中实现该功能，还是保存数据并在另一个 notebook 中加载数据呢 7. 为 Jupyter Notebook 即时创建幻灯片 使用 RISE，你可以仅通过一次按键将 Jupyter Notebook 即时转变为幻灯片。
1.1K10发布于 2019-11-20 - 来自专栏AI+BI智能数据分析
顶尖数据分析师需要掌握的7大技能！
以下是我们认为顶尖数据分析师应具备的7大技能： 1.商业头脑 如果你希望你的工作在实际业务中产生更大的影响，那么你需要深入了解业务的运作方式。 用超越传统数据分析聚焦的KPI和十大畅销商品的视角去看待，比如： 企业的业务战略是什么？ 企业处于市场的何种地位？ 企业如何从竞争对手中脱颖而出？ 企业的关键业务流程是什么？ 对此，你需要知道： 数据来自哪里？ 为什么收集数据，怎么收集数据，以及由谁收集？ 数据经历了哪些转化步骤？ 数据存放在哪里？ 你如何访问数据以及谁有权访问数据？ 你可以使用哪些工具进行分析？ 7.数据可视化的技能 使用什么工具，以及你是以数字化方式还是在白板上呈现数据分析报告并不重要，重要的是能够描绘出一幅展示正在发生的事情的全局图。 这可以像在白板上绘制流程一样简单。 尤其需要注意上下文的衔接，不要孤立地呈现数据报告，这是在弱化数据分析的意义。这些数据与业务前期、其他部门、行业基准有何关联？
1.3K30发布于 2019-05-27 - 来自专栏数据分析1480
一起聊聊7大数据思维的核心原理！
大数据思维原理是什么?笔者概括为7项原理。 01 数据核心原理 从“流程”核心转变为“数据”核心 大数据时代，计算模式也发生了转变，从“流程”核心转变为“数据”核心。 例如：IBM将使用以数据为中心的设计，目的是降低在超级计算机之间进行大量数据交换的必要性。大数据下，云计算找到了破茧重生的机会，在存储和计算上都体现了数据为核心的理念。 以数据为核心，反映了当下IT产业的变革，数据成为人工智能的基础，也成为智能化的基础，数据比流程更重要，数据库、记录数据库，都可开发出深层次信息。 02 关注效率原理 由关注精确度转变为关注效率 关注效率而不是精确度，大数据标志着人类在寻求量化和认识世界的道路上前进了一大步，过去不可计量、存储、分析和共享的很多东西都被数据化了，拥有大量的数据和更多不那么精确的数据为我们理解世界打开了一扇新的大门 数据预测、数据记录预测、数据统计预测、数据模型预测，数据分析预测、数据模式预测、数据深层次信息预测等等，已转变为大数据预测、大数据记录预测、大数据统计预测、大数据模型预测，大数据分析预测、大数据模式预测
1.4K30发布于 2019-06-03 - 来自专栏数据分析师小熊
数据分析师7大技能：梳理指标体系
有小伙伴问：除了分析方法，数据分析师还要掌握哪些技能？其中最重要的，可能就是梳理指标体系了。在招聘的时候，这是数据分析师的一项硬技能要求。 那么该如何梳理呢？今天简单分享一下。 二、为什么要梳理指标体系 常见的有2种情况： 新上线的业务，要新设监控指标 老业务，有一堆零散的指标，没有条理 这时候，就需要数据分析师主动进行梳理，搞清楚： 到底哪个指标才是关键 到底指标之间是啥逻辑关系 三、基础梳理方法 梳理指标体系，要抓四个关键： 第一：用户操作流程 第二：业务运作流程 第三：数据采集多少（得有数才行！） 考核的KPI指标，可能有审核总量，正确率，延迟率三个，因此要描述流程，可能需要一大堆指标，分别描述： 整体情况：总进件量、已分配数量（审核队列中数量）、已完成数量、正确数量。 数据界新人，喜欢数据分析、数据挖掘。
1.2K00编辑于 2022-03-09
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