解决KafKa数据存储与顺序一致性保证 ● Kafka : Ordering Guarantees ● Apache Kafka 从 0.7 到 1.0：那些年我们踩过的坑 ● Apache Kafkaの概要とアーキテクチャ ● Apache RocketMQ ● 专访RocketMQ联合创始人：项目思路、技术细节和未来规划 ● The Apache Software Foundation Announces

深度学习算法 输入数据 特征工程 传统机器学习算法 非常耗费时间 以文本分类过程举例，常见 的特征提取算法包括： 词频 TF-IDF 互信息 信息增益 期望交叉熵 主成分分析 … 特征工程需要手工寻找特 征，花费大量人力，特征的 好坏往往决定最终结果 深度学习基础结构 基础神经元结构 多个神经元连接组成神经网络 字词表示 计算机 电脑 [ 0, 0, 0, 0, 1, 0, 0, 0, 0 增强学习优化模块 最优摘要结果 生成式摘要 知识图谱关系抽取：联合学习方法 输入句子 命名实体识别 和关系分类 输出 美国总统特朗普将访问中国。 难点：结构复杂 美国 总统 特朗普 将 访问 中国。 地名 人名 地名 国家-总统 (美国,国家-总统,特朗普) 知识图谱关系抽取：基于深度学习 基于参数共享的方法 对于输入句子通过共用的 word embedding 层，然后接双向的 I-CF-2 O O 标签： E-CP-1 O I-CP-2 O O I-CF-1 E-CF-1 O O B-CF-2 E-CF-2 O 输出： (美国,国家-总统,特朗普) (苹果公司,公司-创立者,乔布斯) 输入：美 国 总 统 特 朗 普 将 考 察 苹 果 公 司 , 该 公 司 由 乔 布 斯 创 立。 05 总结&QA 总结：深度学习用于文本挖掘的优缺点 优点： 1，可以使用非监督数据训练字词向量，提升泛化能力

利 用和降低授權費用以節省成本。 然而還是存在各種風險： • 特權用戶濫用 - 按照預設值，Docker 依據 root 特權存 取權限執行，管理員對所有租戶金鑰 (tenant secrets) 具有完全的存取權。這個不受約束的存取層級引發多種 風險。如果管理員能夠不受限制的存取容器映像和其中 儲存的資料，則企業可能遭受針對特權層級的攻擊。 • 跨容器存取 - 不當的權限配置可能造成多個容器存取應 CipherTrust Transparent Encryption 的這 項擴充，解決了保護機敏資料的合規要求與法規命令， 例如支付卡、健康照護紀錄或者其他機敏資產。 • 防止受到特權用戶的威脅 - 該解決方案提供資料存取控 制的加密，讓特權用戶如 Docker 或 OpenShift等群組 管理員，能夠像一般用戶執行操作，不會獲得未經授權 的機敏資料存取。 • 實現強大的安全性 - 無論容器在資料中心、虛擬環

MxNet TensorFlow Wide&Deep 去噪 特征自动组合 (FM) 特征设计 离散特征 离散特征 容易设计；刻画细致；特 征稀疏； 特征量巨大；模型复杂度 受限 连续特征 连续特征 需要仔细设计；定长；特 征稠密 特征量相对较小，可以 使用多种模型训练 模型类别 模型类别 线性  简单、处理特征 量大、稳定性好  需借助交叉特征  Float LR Model DNN Model Retriever Server CTR Table DNN Model Feature LR Model Feature 特 征 池 模型效果评估 AUC 上线收益 是否一致？ Survival Bias 特征覆盖率 并行化训练 并行化训练 诉求  加大数据量，提 升模型稳定性  加大数据量，提 升模型收益

1:长度用厘米表示的身高；?2：是用英寸表示的身高。 这两个分开的特征?1和?2，实际上表示的内容相同，这样其实可 以减少数据到一维，只有一个特征表示身高就够了。 很多特征具有线性关系，具有线性关系的特征很多都是冗余的特 征，去掉冗余特征对机器学习的计算结果不会有影响。 10 1.降维概述 数据可视化 t-distributed Stochastic Neighbor Embedding(t-SNE) t ? 和 ?都是酉矩阵，即满足:?T? = ?, ?T? = ?。 17 2.SVD(奇异值分解) SVD求解 ?矩阵求解 方阵??T为? × ?的一个方阵，那么我们就可以进行特征分解，得到的特 征值和特征向量满足下式： (??T)?? = ???? 可以得到矩阵??T的 ? 个特征值和对应的 ?个特征向量?了。 18 2.SVD(奇异值分解) SVD求解 ?矩阵求解 将??T的所有特征向量组成一个 其对应的特征向量分别是： σ1 1 1 , σ2 −1 1 然后求σ的特征值和特征向量： 46 3.PCA(主成分分析) 由于对应的特征向量分别是一个通解， σ1和σ2可取任意实数。那么标准化后的特 征向量为： 1/ 2 1/ 2 , −1/ 2 1/ 2 因此我们的矩阵?是： ? = 1/ 2 1/ 2 −1/ 2 1/ 2 47 3.PCA(主成分分析) 可以验证协方差矩阵σ的对角化

判断属性变量的重要性， 减少变量的数目提供参考。 缺点： ⚫ 容易造成过拟合，需要采用剪枝操作。 ⚫ 忽略了数据之间的相关性。 ⚫ 对于各类别样本数量不一致的数据，信息增益会偏向于那些更多数值的特 征。 决策树的特点 7 算法 支持模型 树结构 特征选择 连续值处理 缺失值处理 剪枝 特征属性多次使用 ID3 分类 多叉树 信息增益 不支持 不支持 不支持 不支持 C4.5 分类 多叉树 150个鸢尾花样本进行分类，特 征为花萼的长度和宽度 决策树原理 33 CART算法-回归 用均方差来选择属性 对于连续值的处理，CART 分类树采用基尼系数的大小来度量特征的各个划分点。 对于任意划分特征 ?，对应的任意划分点? 两边划分成的数据集 ?1和?2 ，求出使 ?1和?2各自集合的均方差最小，同时 ?1和?2的均方差之和最小所对应的特征和特 征值划分点。表达式为： min

登录到集群 您可以通过导出集群 kubeconfig 文件，以默认系统用户身份登录集群。kubeconfig 文件包含关于集群 的信息，供 CLI 用于将客户端连接到正确集群和 API 服务器。该文件特只适用于一个特定的集群，在 OpenShift Container Platform 安装过程中创建。 先决条件 先决条件 已部署了 OpenShift Container Platform 集群。 AWS IAM 角色的名称。 controlPlane.pla tform.aws.rootV olume.kmsKeyA RN KMS 密钥的 Amazon 资源名称 （密钥 ARN）。这需要使用特 定的 KMS 密钥加密 control plane 节点的操作系统卷。 有效的 密钥 ID 和密钥 ARN。 controlPlane.pla tform.aws.type control plane 登录到集群 您可以通过导出集群 kubeconfig 文件，以默认系统用户身份登录集群。kubeconfig 文件包含关于集群 的信息，供 CLI 用于将客户端连接到正确集群和 API 服务器。该文件特只适用于一个特定的集群，在 OpenShift Container Platform 安装过程中创建。 先决条件 先决条件 已部署了 OpenShift Container Platform 集群。

您不能直接将节点选择器添加到现有调度的 pod 中。 3.8.3. 创建默认的集群范围节点选择器 您可以组合使用 pod 上的默认集群范围节点选择器和节点上的标签，将集群中创建的所有 pod 限制到特 定节点。 使用集群范围节点选择器时，如果您在集群中创建 pod,OpenShift Container Platform 会将默认节点选择 器添加到 pod，并将该 pod 调度到具有匹配标签的节点。 Operator。 。 OpenShift Container Platform 4.9 节 节点 点 194 先决条件 先决条件 以具有 以具有 cluster-admin 特 特权 权的用 的用户 户身份登 身份登录 录。 。 流程 流程 1. 在 在 OpenShift Container Platform Web 控制台中 控制台中导 的步骤 骤。 。 先决条件 先决条件 安装 安装 OpenShift CLI（ （oc）。 ）。 以具有 以具有 cluster-admin 特 特权 权的用 的用户 户身份登 身份登录 录。 。 流程 流程 1. 为 为 Poison Pill Operator 创 创建 建 Namespace 自定 自定义资

人工智能不可避免地需要使用正式化的 数学符号推导，其中涉及到少量的概率与统计、线性代数、微积分等数学知识，一般要求读 者对这些数学知识有初步印象或了解即可。比起理论基础，读者需要有少量的编程经验，特 别是 Python 语言编程经验，显得更加重要，因为本书更侧重于实用性，而不是堆砌公式。 总的来说，本书适合于大学三年级左右的理工科本科生和研究生，以及其他对人工智能算法 感兴趣的朋友。 本书共 工智能算法。接下来我们将介绍人工智能、机器学习、深度学习的概念以及它们之间的联 系与区别。 1.1.1 人工智能 人工智能是让机器获得像人类一样具有思考和推理机制的智能技术，这一概念最早出 现在 1956 年召开的达特茅斯会议上。这是一项极具挑战性的任务，人类目前尚无法对人脑 的工作机制有全面、科学的认知，希望能制造达到人脑水平的智能机器无疑是难于上青 天。即使如此，在某个方面呈现出类似、接近甚至超越人类智能水平的机器被证明是可行 特定的任务设计的，并不适合其他任 务。传统的机器学习算法一般会人为设计具有一定通用性的特征检测方法，如 SIFT、HOG 特征，这些特征能够适合某一类的任务，具有一定的通用性，但是如何设计特征，以及特 征方法的优劣性非常的关键，同时也比较困难。神经网络的出现，使得人为设计特征这一 部分工作可以让机器自动完成学习，不需要人类干预。但是浅层的神经网络的特征提取能 力较为有限，而深层的神经网络擅长提取高

登录到集群 您可以通过导出集群 kubeconfig 文件，以默认系统用户身份登录集群。kubeconfig 文件包含关于集群 的信息，供 CLI 用于将客户端连接到正确集群和 API 服务器。该文件特只适用于一个特定的集群，在 OpenShift Container Platform 安装过程中创建。 先决条件 先决条件 已部署了 OpenShift Container Platform 集群。 AWS IAM 角色的名称。 controlPlane.pla tform.aws.rootV olume.kmsKeyA RN KMS 密钥的 Amazon 资源名称 （密钥 ARN）。这需要使用特 定的 KMS 密钥加密 control plane 节点的操作系统卷。 有效的 密钥 ID 和密钥 ARN。 controlPlane.pla tform.aws.type control plane 登录到集群 您可以通过导出集群 kubeconfig 文件，以默认系统用户身份登录集群。kubeconfig 文件包含关于集群 的信息，供 CLI 用于将客户端连接到正确集群和 API 服务器。该文件特只适用于一个特定的集群，在 OpenShift Container Platform 安装过程中创建。 先决条件 先决条件 已部署了 OpenShift Container Platform 集群。