EagleBear2002 的博客

这里必须根绝一切犹豫,这里任何怯懦都无济于事

从第二审判庭偏高的窗口,望出去是林德叉车厂的办公楼外长走廊的一角。透过长走廊钢筋护栏,就可以看到更远的、不知哪家的红砖烟囱在冒烟。青烟不大不小地冒出来,雨不大不小地打在它们上面,但烟还是轻轻地腾起。看是看不清楚,但烟肯定都湿了。

审判长说,被告人,请做最后陈述。

被告人在看着第二审判庭偏高的窗口。法庭上很安静。检察官在偷偷嚼口香糖。辩护席上,律师和助理都看着他们的委托人。助理忍不住对被告人轻轻“喂!”了一声,他们的委托人收回了看窗外的眼光。最后陈述!助理抻着脖子低声提醒。

被告人声音很轻:雨把烟打湿了。

审判长说,大声点!不是嘴巴说给鼻子听!

阅读全文 »

互联网

互联网与万维网有何不同?

  • WWW = HTML* + HTTP(S),包含 CSS,JavaScript,以及其他浏览器内容

简要发展史

  • 万维网,1989-91 由 Tim Berners-Lee 创造:This is for Everyone
  • 发布流行的浏览器:Netscape 1994,IE 1995
  • Amazon.com 1995
  • Google 1996
  • 2000-2002 .COM
  • 2004 web2.0
  • 2016 web3.0
阅读全文 »

典型商业模式分类

“(讨论)建筑风格的意义在于捕获建筑设计的理念,将其作为典型的、可重复使用的描述”

本课程关注的五类商业模式

  • 分拆商业模式(Unbundled)
  • 开放式的商业模式(Open)
  • 多边商业模式(Multisided)
  • 免费商业模式(Free)
  • 长尾商业模式(Long-tail)

从业务转向“人”:商业模式的重构

阅读全文 »

本文主要内容来自 SpriCoder的博客,更换了更清晰的图片并对原文的疏漏做了补充和修正。

本文提供了 pdf 版,以供打印:商务智能-01-商务智能.pdf

商务智能的起源

数据库系统的发展

  • 1968 年 IBM 公司: 层次 IMS
  • 1969 年美 CODASY: 网状 DBTG 标准
  • 1970 年 IBM 的 E.F.Codd 提出关系模型
  • 20 世纪 70 年代以层次、网状为主流
  • 20 世纪 80 年代关系系统逐渐代替层次与网状模型
  • 以关系型数据库为基础,建立大量业务系统和信息系统,累计大量数据
阅读全文 »

Donald E. Knuth

Donald E. Knuth

Donald E. Knuth (1938~), the "father of the analysis of algorithm", Turing Award, 1974

For his major contributions to the analysis of algorithms and the design of programming languages, and in particular for his contributions to the "Art of Computer Programming" through his well-known books in a continuous series by this title.

编译器

阅读全文 »

起源

FAT(File Allocation Table)文件配置表。用来记录文件所在位置的表格。假若丢失文件分配表,那么硬盘上的数据就会因无法定位而无法使用。

  • 在 DOS v1.0 时代就引入了,是最基本的文件系统之一。
  • FAT 家族:FAT12、FAT16、FAT32、ExFAT、VFAT
  • 12 位地址,最大容量 16MB
  • 为软盘设计的文件系统

FAT 结构

  • FAT 文件系统把存储介质看成一维的数组,基本单位是簇(cluster)
    • 存储介质被划分为 3 个区域:boot record、FAT、directory and data area
  • 一个簇包含一个扇区,大小为 512B
阅读全文 »

引入:推荐系统的例子

  1. 京东推荐系统
  2. 推荐产品和食物
  3. 两个客户:
    1. 客户 X:购买了 CD1 和 CD2
    2. 客户 Y:搜索了 CD1,那么推荐系统将会根据从客户 X 处收集到的信息推荐给客户 CD2

推荐与推荐系统

用户执行物品搜索,推荐系统根据情况返回推荐结果

阅读全文 »

什么是聚类

聚类是一种无监督学习,有时候被叫做被统计学分类、被物理学家排序、被营销人员分段。

将数据划分成类,并且满足以下两个条件:

  1. 类内相似度高
  2. 类间相似度低

不同于分类问题的是,我们直接从数据中获取到类标签和类的数量,也就是找到自然分类。

阅读全文 »