0201概述-机器学习-人工智能
文章目录
- 1、概述
- 1.1、示例
- 1.2、概念
- 2、应用场景
- 2.1、行业应用场景
- 2.1.1、金融领域
- 2.1.2、 医疗健康
- 2.1.3、零售与电商
- 2.1.4、 制造业
- 2.1.5、自动驾驶
- 2.2、功能场景分类
- 2.2.1、 预测类
- 2.2.2、分类与识别类
- 2.2.3、生成与优化类
- 2.3、机器学习适用场景的共同特征
- 3、实现机器学习的基本框架
- 4、类别
- 5、机器学习 vs 传统方法的优势对比
- 6、何时不适合机器学习?
- 结语
1、概述
1.1、示例
小明1月工资1000,每月增长10%,第10个月是多少?
月份x | 工资y |
---|---|
1 | 1000 |
2 | 1100 |
3 | 1210 |
4 | 1331 |
5 | 1464 |
6 | 1611 |
7 | 1772 |
8 | 1949 |
9 | 2144 |
10 |
如下图所示,传统方式与机器学习对比:
1.2、概念
机器学习是一种实现人工智能的方法。从数据(经验)中寻找规律、建立关系,根据建立的关系解决问题。
2、应用场景
2.1、行业应用场景
2.1.1、金融领域
- 信用评分:基于用户行为、征信数据预测贷款违约概率(如:XGBoost模型)
- 欺诈检测:通过异常交易模式识别信用卡盗刷(如:孤立森林算法)
- 量化交易:利用时间序列分析预测股票价格趋势(如:LSTM神经网络)
- 智能投顾:根据用户风险偏好推荐投资组合(如:协同过滤算法)
2.1.2、 医疗健康
- 疾病诊断:通过医学影像识别癌症病灶(如:CNN卷积神经网络)
- 药物研发:预测分子结构与药效的关联性(如:图神经网络)
- 个性化治疗:结合基因数据推荐靶向治疗方案(如:强化学习)
- 流行病预测:分析社交媒体与病例数据预测疫情扩散(如:时空序列模型)
2.1.3、零售与电商
- 推荐系统:根据用户历史行为推荐商品(如:矩阵分解算法)
- 需求预测:基于季节性、促销活动预测库存需求(如:Prophet模型)
- 动态定价:实时调整商品价格以最大化收益(如:博弈论+深度学习)
- 客户分群:通过RFM模型划分高价值用户(如:K-means聚类)
2.1.4、 制造业
- 预测性维护:通过传感器数据预判设备故障(如:随机森林分类)
- 质量控制:检测生产线上的产品缺陷(如:YOLO目标检测)
- 供应链优化:最小化物流成本与交货时间(如:组合优化算法)
2.1.5、自动驾驶
- 目标识别:实时检测行人、车辆、交通标志(如:Transformer模型)
- 路径规划:动态生成最优行驶路线(如:A*算法+强化学习)
- 决策控制:判断加速、刹车或转向时机(如:深度Q网络)
2.2、功能场景分类
2.2.1、 预测类
场景 | 输入数据 | 模型示例 | 输出结果 |
---|---|---|---|
销量预测 | 历史销售、市场活动 | ARIMA/Prophet | 未来30天销量 |
客户流失预警 | 用户行为、服务记录 | LightGBM分类 | 流失概率(0-100%) |
股价波动预测 | K线数据、新闻情感分析 | LSTM+Attention | 明日涨跌幅区间 |
2.2.2、分类与识别类
场景 | 输入数据 | 模型示例 | 输出结果 |
---|---|---|---|
垃圾邮件过滤 | 邮件文本、发件人信息 | BERT文本分类 | 垃圾/非垃圾标签 |
人脸识别 | 摄像头图像 | FaceNet网络 | 身份ID匹配度 |
语音转文本 | 音频波形 | Whisper模型 | 文字转录结果 |
2.2.3、生成与优化类
场景 | 输入数据 | 模型示例 | 输出结果 |
---|---|---|---|
图像生成 | 文字描述(如“雪山风景”) | Stable Diffusion | 高分辨率合成图像 |
文本摘要 | 长篇文章 | BART/T5模型 | 压缩后的关键段落 |
参数调优 | 历史实验数据 | 贝叶斯优化 | 最优参数组合 |
2.3、机器学习适用场景的共同特征
- 数据驱动:需充足、高质量的历史数据(如:用户行为日志、传感器数据)
- 模式复杂:传统规则难以描述的关系(如:非线性的用户购买偏好)
- 动态变化:需持续适应新趋势(如:在线学习更新推荐模型)
- 规模化需求:人工处理成本过高(如:每天百万级订单的欺诈检测)
3、实现机器学习的基本框架
{ x 1 x 2 ⋯ x n y 1 y 2 ⋯ y n ⋮ ⋮ ⋮ ⋮ ⋯ ⋯ ⋯ ⋯ } → → → f ( x 1 , x 2 , ⋯ , x n ) → → → 解决问题 \begin{Bmatrix} x_1&x_2&\cdots&x_n\\ y_1&y_2&\cdots&y_n\\ \vdots&\vdots&\vdots&\vdots\\ \cdots&\cdots&\cdots&\cdots \end{Bmatrix}\to\to\to f(x_1,x_2,\cdots,x_n)\to\to\to 解决问题 ⎩ ⎨ ⎧x1y1⋮⋯x2y2⋮⋯⋯⋯⋮⋯xnyn⋮⋯⎭ ⎬ ⎫→→→f(x1,x2,⋯,xn)→→→解决问题
将训练数据喂给计算机,自算计自动求解数据关系,在新的数据上做出预测或者给出建议。
4、类别
类别 | 定义 | 典型算法 | 应用场景 | 数据要求 | 优点 | 缺点 |
---|---|---|---|---|---|---|
监督学习 | 基于带标签的数据训练模型,输入与输出存在明确映射关系 | - 线性回归 - 决策树 - SVM - 神经网络 - XGBoost | 房价预测、垃圾邮件分类、图像识别 | 需大量标注数据 | 预测精准,结果可解释性强 | 依赖标注数据,成本高 |
无监督学习 | 从无标签数据中发现隐藏模式或结构 | - K-means聚类 - PCA降维 - Apriori关联规则 - 自编码器 | 客户分群、异常检测、数据降维 | 无需标注数据 | 节省标注成本,探索未知模式 | 结果解释性弱,评估难度大 |
半监督学习 | 结合少量标注数据和大量未标注数据进行训练 | - 标签传播 - 半监督SVM - 自训练模型 | 医学影像分析(标注样本少) | 少量标注+大量未标注数据 | 降低标注需求,提升模型泛化能力 | 依赖未标注数据质量 |
强化学习 | 智能体通过与环境交互获得奖励,学习最优策略 | - Q-Learning - 深度Q网络(DQN) - 策略梯度(PPO) | 游戏AI、机器人控制、自动驾驶决策 | 需模拟环境与奖励机制 | 适应动态环境,长期决策优化 | 训练成本高,收敛速度慢 |
自监督学习 | 利用数据自身结构生成伪标签进行训练 | - BERT(掩码语言模型) - SimCLR(对比学习) | 预训练语言模型、图像特征提取 | 无需人工标注 | 利用海量无标注数据 | 下游任务需微调 |
迁移学习 | 将已训练模型的知识迁移到新任务 | - 微调预训练模型(如ResNet) - 领域自适应(DANN) | 小样本图像分类、跨领域文本分析 | 源域数据充足,目标域数据少 | 加速新任务训练,降低数据需求 | 领域差异过大时效果下降 |
集成学习 | 组合多个基模型提升整体预测性能 | - Bagging(随机森林) - Boosting(AdaBoost) - Stacking | 高精度预测(如Kaggle竞赛) | 需多样化基模型 | 减少过拟合,提高鲁棒性 | 计算复杂度高,可解释性差 |
- 补充说明
-
混合类型:
- 深度强化学习:结合深度学习与强化学习(如AlphaGo)
- 半监督+迁移学习:利用少量标注数据跨领域迁移(如医疗影像诊断)
-
算法交叉性:
- 神经网络可应用于监督、无监督、强化学习等场景(如Transformer模型)
- 聚类算法(如K-means)也可用于监督学习的特征预处理
-
类别选择依据:
场景特征 推荐类别 数据标注齐全 监督学习 数据无标注且需探索结构 无监督学习 标注成本高且数据量大 半监督/自监督学习 动态决策与长期反馈 强化学习
5、机器学习 vs 传统方法的优势对比
场景 | 传统方法痛点 | 机器学习解决方案 |
---|---|---|
信用卡反欺诈 | 规则库更新滞后,误判率高 | 实时学习新型欺诈模式 |
医学影像诊断 | 依赖医生经验,漏诊率波动 | 标准化分析,辅助医生决策 |
商品推荐 | 人工策划覆盖品类有限 | 长尾商品精准匹配用户兴趣 |
6、何时不适合机器学习?
- 数据量极小(如:企业仅10条历史销售记录)
- 因果逻辑明确(如:税率计算已有清晰公式)
- 结果需完全可解释(如:法律判决中的责任认定)
如果需要针对某一行业(如金融、医疗)或功能(如预测、分类)的深入案例分析,可进一步说明需求,我将提供更具体的技术方案和代码示例。
结语
❓QQ:806797785
⭐️仓库地址:https://gitee.com/gaogzhen
⭐️仓库地址:https://github.com/gaogzhen
[1]AI人工智能从入门到精通全套教程[CP/OL].
相关文章:
0201概述-机器学习-人工智能
文章目录 1、概述1.1、示例1.2、概念 2、应用场景2.1、行业应用场景2.1.1、金融领域2.1.2、 医疗健康2.1.3、零售与电商2.1.4、 制造业2.1.5、自动驾驶 2.2、功能场景分类2.2.1、 预测类2.2.2、分类与识别类2.2.3、生成与优化类 2.3、机器学习适用场景的共同特征 3、实现机器学…...
金能电力工具柜:“五世同堂”演绎创新华章
在电力与工业领域的浩瀚星空中,金能电力如同一颗璀璨的星辰,其工具柜产品更是经历了五代更迭,如同家族中的“五世同堂”,每一代都承载着前人的智慧与后人的创新,共同谱写着传承与创新的交响曲。 初识平凡:普…...
蓝桥杯每日刷题c++
目录 P9240 [蓝桥杯 2023 省 B] 冶炼金属 - 洛谷 (luogu.com.cn) P8748 [蓝桥杯 2021 省 B] 时间显示 - 洛谷 (luogu.com.cn) P10900 [蓝桥杯 2024 省 C] 数字诗意 - 洛谷 (luogu.com.cn) P10424 [蓝桥杯 2024 省 B] 好数 - 洛谷 (luogu.com.cn) P8754 [蓝桥杯 2021 省 AB2…...
MySQL基础 [五] - 表的增删查改
目录 Create(insert) Retrieve(select) where条件 编辑 NULL的查询 结果排序(order by) 筛选分页结果 (limit) Update Delete 删除表 截断表(truncate) 插入查询结果(insertselect&…...
深入解析 MySQL 中的日期时间函数:DATE_FORMAT 与时间查询优化
深入解析 MySQL 中的日期时间函数:DATE_FORMAT 与时间查询优化 在数据库管理和应用开发中,日期和时间的处理是不可或缺的一部分。MySQL 提供了多种日期和时间函数来满足不同的需求,其中DATE_FORMAT函数以其强大的日期格式化能力,…...
GPU是什么? 与 FPGA 有何关联
前段时间,AMD 和英伟达相继接到通知将对我国断供高端 GPU 芯片,很多人这才意识到 GPU 的战略价值。那么 GPU 究竟是什么?它为何如此重要?今天就由 宸极教育 带大家一起了解 GPU 的核心地位,以及它与国产FPGA发展的关系…...
数据结构与算法:基础与进阶
🌟 各位看官好,我是maomi_9526! 🌍 种一棵树最好是十年前,其次是现在! 🚀 今天来学习C语言的相关知识。 👍 如果觉得这篇文章有帮助,欢迎您一键三连,分享给更…...
低配置云服务器网站的高效防御攻略
在网络环境日益复杂的当下,低配置云服务器网站常面临攻击威胁。不少站长疑惑,明明设置了 CC 防御,服务器却依旧不堪一击,这是怎么回事呢? 比如,在 CC 防御配置中,设定 10 秒内允许访问 50 次。但…...
使用 Lua 脚本高效查询 Redis 键的内存占用
使用 Lua 脚本高效查询 Redis 键的内存占用 在处理 Redis 数据时,我们常常需要了解某些键的内存占用情况,尤其是在优化内存使用或排查问题时。虽然 Redis 提供了MEMORY USAGE命令来查询单个键的内存占用,但如果需要批量查询多个键࿰…...
【Linux篇】基础IO - 揭秘重定向与缓冲区的管理机制
📌 个人主页: 孙同学_ 🔧 文章专栏:Liunx 💡 关注我,分享经验,助你少走弯路! 文章目录 一. 理解重定向1.1 理解重定向1.2 dup21.3 进一步理解重定向输出重定向:追加重定向…...
centos 8 启动Elasticsearch的时候报内存不足问题解决办法
centos 8 启动Elasticsearch 的时候报错,导致无法启动Elasticsearch 。 [root@CentOS-8 ~]# journalctl -xe Apr 07 18:25:56 CentOS-8.0 kernel: [ 8754] 0 8754 3180 63 69632 0 0 sh Apr 07 18:25:56 CentOS-8.0 kernel: [ 8755] 0 8755 3180 64 69632 0 0 sh Apr 07 18:25…...
深入剖析Java IO设计模式:从底层原理到实战应用
🔍 引言:设计模式与IO的完美交响 在软件开发的浩瀚星河中,设计模式犹如璀璨的导航星,而Java IO体系则是支撑数据流动的神经网络。 当我们以设计模式的视角重新审视Java IO库时,会发现这个看似平凡的IO世界实则暗藏着…...
阶段测试 【过程wp】
分享总结: 回顾起来,真的感慨很多呀。看着并不难啊,但难的是解题思维:如何判断该页面的关键点,快速地确定问题的核心,找到对应的解决方法。达到便捷、高效的得到结果。我们做了整整近七个半小时。在这个过程中,我发现自己的思维钝化,不太能自主高效地划分判断漏洞类型,…...
qml信号与槽函数
目录 信号与槽函数基础方法1-使用Connections方式2-使用connect(不常用) 自定义组件与信号槽使用 信号与槽函数基础 方法1-使用Connections main.qml import QtQuick 2.15 import QtQuick.Window 2.15 import QtQuick.Controls 2.15Window {id:windoww…...
ngx_palloc
定义在 src\core\ngx_palloc.c void * ngx_palloc(ngx_pool_t *pool, size_t size) { #if !(NGX_DEBUG_PALLOC)if (size < pool->max) {return ngx_palloc_small(pool, size, 1);} #endifreturn ngx_palloc_large(pool, size); } 判断 需要分配的内存大小 是否小于 poo…...
notepad++日常使用(每行开头、每行末尾增加字符串,每行中间去掉字符串)
1. 每行开头增加字符串 如果我们要给下面的数据每行的开头都增加相同的一些字符串{value: 这时候只需要使用notepad的语法,使用快捷键Crtl H 替换功能,每一行开头使用 ^ 符号,替换成自己想要的字符串 {value: 使用全部替换就会在每行数据…...
Java面试黄金宝典39
1. SNMP、SMTP 协议 SNMP(简单网络管理协议) 定义:SNMP 是一种应用层协议,用于在 IP 网络中管理网络节点(如服务器、路由器、交换机等)。它允许网络管理员监控网络设备的状态、收集性能数据、进行故障诊断等操作。SNMP 基于 UDP 协议,采用轮询和事件驱动相结合的方式来收…...
如何解决:http2: Transport received Server‘s graceful shutdown GOAWAY
有一次做压力测试,客户端经常出现如下错误: http2: Transport: cannot retry err [http2: Transport received Servers graceful shutdown GOAWAY] after Request.Body was written; define Request.GetBody to avoid this error是 Golang 中使用 HTTP/…...
贪心算法(16)(java)俄罗斯套娃信封问题
题目:给你一个二维整数数组 envelopes ,其中 envelopes[i] [wi, hi] ,表示第 i 个信封的宽度和高度。 当另一个信封的宽度和高度都比这个信封大的时候,这个信封就可以放进另一个信封里,如同俄罗斯套娃一样。 请计算…...
【DeepSeek原理学习2】MLA 多头隐变量注意力
解决的问题 Multi-Head Latent Attention,MLA——解决的问题:KV cache带来的计算效率低和内存需求大以及上下文长度扩展问题。 MLA原理 MLA原理:其核心思想是将键(Key)和值(Value)矩阵压缩到…...
2024年RAG大赛
2024 CCF国际AIOps挑战赛赛题与赛制解读-CSDN博客 自动化测评也比较有意思,分数为 关键字 语义相似度,分值比为6:4. 2024 CCF AIOPS国际挑战赛优秀奖方案分享 https://zhuanlan.zhihu.com/p/7444390758 【大模型RAG获奖方案分享】如何提高RAG系统在…...
2025-4-6-C++ 学习 有序数组、set()的一些内置函数与求和函数
C的学习必须更加精进一些,对于好多的函数和库的了解必须深入一些。 文章目录 3510. 移除最小数对使数组有序 II(有序数组)题目参考代码(1)auto it idx.lower_bound(i);功能解释可能的使用场景常见错误 (2&…...
Flutter:Flutter SDK版本控制,fvm安装使用
1、首先已经安装了Dart,cmd中执行 dart pub global activate fvm2、windows配置系统环境变量 fvm --version3、查看本地已安装的 Flutter 版本 fvm releases4、验证当前使用的 Flutter 版本: fvm flutter --version5、切换到特定版本的 Flutter fvm use …...
GPT-4o 的“图文合体”是怎么做到的
每周跟踪AI热点新闻动向和震撼发展 想要探索生成式人工智能的前沿进展吗?订阅我们的简报,深入解析最新的技术突破、实际应用案例和未来的趋势。与全球数同行一同,从行业内部的深度分析和实用指南中受益。不要错过这个机会,成为AI领…...
PyTorch教程:如何读写张量与模型参数
本文演示了PyTorch中张量(Tensor)和模型参数的保存与加载方法,并提供完整的代码示例及输出结果,帮助读者快速掌握数据持久化的核心操作。 1. 保存和加载单个张量 通过torch.save和torch.load可以直接保存和读取张量。 import to…...
MySQL8.0.31安装教程,附pdf资料和压缩包文件
参考资料:黑马程序员 一、下载 点开下面的链接:https://dev.mysql.com/downloads/mysql/ 点击Download 就可以下载对应的安装包了, 安装包如下: 我用夸克网盘分享了「mysql」,链接:https://pan.quark.cn/s/ab7b7acd572b 二、解…...
Linux 系统中对存储设备(/dev/mmcblk、/dev/sd、/dev/nvme)进行分区、格式化或挂载的操作
在 Linux 系统中对存储设备(/dev/mmcblk、/dev/sd、/dev/nvme)进行分区、格式化或挂载的操作步骤如下: 一、确认设备信息 首先明确要操作的设备名称(如 /dev/sdb、/dev/nvme0n1),避免误操作导致数据丢失&a…...
【Kafka基础】topics命令行操作大全:高级命令解析(1)
1 创建压缩主题(Log Compaction) /export/home/kafka_zk/kafka_2.13-2.7.1/bin/kafka-topics.sh --create \--bootstrap-server 192.168.10.33:9092 \--topic comtopic \--partitions 3 \--replication-factor 2 \--config cleanup.policycompact \--con…...
springboot集成spring loadbalancer实现客户端负载均衡
在 Spring Boot 中实现负载均衡,通常需要结合 Spring Cloud 组件,比如 Spring Cloud LoadBalancer。Spring Cloud LoadBalancer 是一个客户端负载均衡器,可以与 Spring Boot 集成,实现微服务之间的负载均衡。 以下是一个简单的示…...
什么是 k8s Affinity(亲和性)
在 Kubernetes(K8s)中,Affinity(亲和性) 是一种 Pod 调度策略,它用于控制 Pod 在什么条件下可以被调度到特定的节点上。它比 Taints 和 Tolerations 更灵活,可以基于 节点属性 或 Pod 之间的关系…...
深度探索:策略学习与神经网络在强化学习中的应用
深度探索:策略学习与神经网络在强化学习中的应用 策略学习(Policy-Based Reinforcement Learning)一、策略函数1.1 策略函数输出的例子 二、使用神经网络来近似策略函数:Policy Network ,策略网络2.1 策略网络运行的例子2.2需要的几个概念2.3神经网络近似…...
用VAE作为标题显示标题过短,所以标题变成了这样
VAE (Variational Autoencoder / 变分自编码器) 基本概念: VAE 是一种生成模型 (Generative Model),属于自编码器 (Autoencoder) 家族。 它的目标是学习数据的潜在表示 (Latent Representation),并利用这个表示来生成新的、与原始数据相似的数据。 与标…...
【day27】测试策略升级方案:需求阶段介入与业务规则覆盖矩阵设计
测试策略升级方案:需求阶段介入与业务规则覆盖矩阵设计 一、需求评审阶段:主动识别业务逻辑问题 在需求评审时,测试团队应通过结构化提问提前暴露潜在风险,避免后期返工。以下为提问框架与示例: 1. 业务逻辑澄清提问模…...
AI烘焙大赛中的算法:理解PPO、GRPO与DPO的罪简单的方式
🧠 向所有学习者致敬! “学习不是装满一桶水,而是点燃一把火。” —— 叶芝 我的博客主页: https://lizheng.blog.csdn.net 🌐 欢迎点击加入AI人工智能社区! 🚀 让我们一起努力,共创…...
二分 —— 基本算法刷题路程
一、1.求阶乘 - 蓝桥云课 算法代码: #include <bits/stdc.h> using namespace std; #define ll long long ll check(ll n) {ll cnt0;while(n){cnt(n/5);}return cnt; }int main() {ll k;cin>>k;ll L0,R1e19;while(L<R){ll mid(LR)>>1;if(che…...
内存序问题排查
1 内存序 2 简介 std::memory_order 是 C11 引入的一个枚举类型,用于和 <atomic> 原子操作一起使用,控制多线程环境下内存的可见性和执行顺序。 它的主要作用是:告诉编译器和 CPU,在执行某个原子操作时,哪些内…...
历年跨链合约恶意交易详解(四)——Chainswap20210711
漏洞合约函数 function receive(uint256 fromChainId, address to, uint256 nonce, uint256 volume, Signature[] memory signatures) virtual external payable {_chargeFee();require(received[fromChainId][to][nonce] 0, withdrawn already);uint N signatures.length;r…...
Johnson
理论 全源最短路算法 Floyd 算法,时间复杂度为 O(n)跑 n 次 Bellman - Ford 算法,时间复杂度是 O(nm)跑 n 次 Heap - Dijkstra 算法,时间复杂度是 O(nmlogm) 第 3 种算法被 Johnson 做了改造,可以求解带负权边的全源最短路。 J…...
spring boot + Prometheus + Grafana 实现项目监控
一、引入依赖 <dependencies><!-- Spring Boot Starter Actuator --><dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-actuator</artifactId></dependency><!-- Micrometer Reg…...
Mythical Beings:第八季即将回归,探索新的神话传承
Mythical Beings是由Tarasca Art & Games开发的、基于Ignis区块链的卡牌收集游戏。自发布以来,这款游戏以其独特的玩法和深厚的神话背景吸引了大量玩家的关注。每张卡牌不仅代表着独特的游戏属性,还融合了丰富的文化和神话故事,使玩家不仅…...
Linux中查看占用端口号的进程信息的方法
在 Linux 中查看占用 ** 端口(eg:1717)**的进程号(PID),可以通过以下命令实现: 方法 1:使用 netstat 命令 sudo netstat -tulnp | grep :1717参数解释: -t:查看 TCP 端口…...
批量将 txt/html/json/xml/csv 等文本拆分成多个文件
我们的文本文件太大的时候,我们通常需要对文本文件进行拆分,比如按多少行一个文件将一个大的文本文件拆分成多个小的文本文件。这样我们在打开或者传输的时候都比较方便。今天就给大家介绍一种同时对多个文本文件进行批量拆分的方法,可以快速…...
爱普生高精度车规晶振助力激光雷达自动驾驶
在自动驾驶技术快速落地的今天,激光雷达作为车辆的“智慧之眼”,其测距精度与可靠性直接决定了自动驾驶系统的安全上限。而在这双“眼睛”的核心,爱普生(EPSON)的高精度车规晶振以卓越性能成为激光雷达实现毫米级感知的…...
Spring Boot 自定义 Redis Starter 开发指南(附动态 TTL 实现)
一、功能概述 本 Starter 基于 Spring Boot 2.7 实现以下核心能力: Redis 增强:标准化 RedisTemplate 配置(JSON 序列化 LocalDateTime 支持)缓存扩展:支持 Cacheable(value “key#60s”) 语法动态设置 TTL配置集中…...
区分CRI、OCI、containerd、Docker、CRI-O、runc等名词概念
这些概念可以分为: 一、容器运行时Container Runtimes a、规范OCI (Open Container Initiative) 定义:OCI 是一个开放标准,用于定义容器格式和运行时的规范。它旨在确保容器镜像的格式和容器运行时的操作方式在不同的实现之间保持兼容性。 •…...
#关于process.env.NODE_ENV 与 import.meta.env 相关了解
process.env.NODE_ENV 在前端 Vue 项目中非常重要,但它其实是个“假象”,在前端它并不是原生就有的变量。下面我从多个角度来给你通俗讲明白它的由来和使用方式 👇 🌐 一、process.env.NODE_ENV 是干嘛用的? 这是 一个…...
R语言赋能气象水文科研:从多维数据处理到学术级可视化
全球气候变化加剧了极端天气与水文事件的复杂性,气象卫星、雷达、地面观测站及水文传感器每天产生TB级时空异质数据。传统研究常面临四大瓶颈: 数据清洗低效:缺失值、异常值处理耗时;时空分析模型构建复杂࿱…...
MySQL 约束(入门版)
目录 一、约束的基本概念 二、约束演示 三、外键约束 (一)介绍 (二)外键约束语法 (三)删除/更新行为 一、约束的基本概念 1、概念:约束是作用于表中字段上的规则,用于限制存储…...
【go】类型断言
接口-类型断言 Type Assertion Type Assertion(中文名叫:类型断言),通过它可以做到以下几件事情 检查 i 是否为 nil(是nil直接抛出panic)检查 i 存储的值是否为某个类型 具体的使用方式有两种ÿ…...
(复看)CExercise_06_1指针和数组_2 给定一个double数组,求平均值,并且返回
题目: 求平均值,给定一个double数组,求平均值,并且返回。 要求使用while循环遍历数组,然后配合"*p"的语法实现。 函数的声明如下: double get_ave(double *arr, int len); 关键点 分析࿱…...