计算＆AI •
874 引用 •
938 回帖 •
447 关注
博客
关注
-
-
Download PDF [图片] [图片] [图片] [图片] [图片] [图片] [图片] [图片] [图片] [图片] [图片] [图片] [图片] [图片] [图片] [图片] [图片 ..
-
提到数据库首先想到的会是 Oracle、DB2、SQL Server、MySQL、PostgreSQL 等大名鼎鼎的产品，这些数据库都采用独立进程的方式运行，即独立部署数据库服务通过接口与应用 ..
-
计算框架五花八门，有用于流式计算的Flink，用于边缘计算的eKuiper、用于大规模分布式计算的MapReduce，还有Spark、Samza、Storm、Omega、Kubernetes、 ..
-
所有时间单位均为秒。 环境配置 CPU 2 颗 KunPeng 920-4826，共 96 核 CPU 2 颗 LongXin 3C5000，共 32 核 CPU 2 颗 Phytium S2 ..
-
Q1 运行环境 esProc 目前是纯 Java 软件，只要有 JDK1.8 及以上版本的 JVM 环境的任何操作系统都可以运行，包括常见的 VM 和 Container。 esProc 正常 ..
-
SQL SELECT * FROM Customers WHERE CustomerID like '%ANA%' SPL A 1 =file(“Customers.ctx”).open() ..
-
SQL SELECT * FROM Customers WHERE CustomerID in ( SELECT DISTINCT CustomerID FROM Orders WHERE O ..
-
SQL SELECT * FROM Orders WHERE OrderDate>='2021-12-29' and OrderDate<='2021-12-31' SPL 对于数 ..
-
SQL SELECT * FROM Orders WHERE CustomerID='MAISD' SPL 像 CustomerID 这种字符串 ID 类的主键字段，一般常用的查找方式都是等值 ..
-
SQL WITH a AS( SELECT sum(Amount) Amount FROM Orders2021 WHERE Amount>500 or Quantity>50) ..
-
SQL SELECT ShipVia,sum(Quantity) Quantity FROM Orders2021 GROUP BY ShipVia ORDER BY ShipVia SELE ..
-
SQL SELECT City,sum(Amount) Amount FROM Customers INNER JOIN Orders2021 ON Orders2021.CustomerID ..
-
SQL SELECT City,ProductID, sum(Amount) Amount FROM Customers INNER JOIN Orders2021 ON Orders2021 ..
-
SQL SELECT Distinct CustomerID FROM Orders2020 UNION SELECT Distinct CustomerID FROM Orders2021 ..
-
本章中要尝试更大数据量，将订单表按年分别存储成不同的表，表名为 Orders+ 年份，如 Orders2021,Orders2022，依此类推，表结构均和 Orders 相同 SQL SELE ..
-
SQL SELECT Customers.CustomerID,CustomerName,Region,City,Amount FROM Customers INNER JOIN Orders ..
-
SQL SELECT a.CustomerID,a.OrderDate,a.ProductID,a.Quantity,a.Unit, a.Price,a.Amount,a.EmployeeID ..
-
对于已经序号化的维表，可以利用对位序列来处理维表上的过滤。 原理：产生一个与维表同样长度的序列，其成员是布尔值，满足条件的维表记录对应 true，否则对应 false。然后在事实表中用已经序号 ..
-
[链接]4.5.1 过滤后复用索引 SQL SELECT Suppliers.Region,sum(Amount) Amount FROM Orders LEFT JOIN Products ..
-
主键是自然数序号的维表，可以直接用序号定位实现关联，不必建索引，避免计算和比对 HASH 值，性能更好。 主键不是自然数序号的维表，可以事先转换成序号。同时把事实表中的对应维字段值也转换成相应 ..
-
无监督实时异常发现算法 算法背景 实际生产中会定时产生一些数据（比如：炼油设备的压力、液位、电气设备的电流、电压等），称为时间序列。生产活动发生异常时，很可能会有前兆反映在这些时间序列中，也就 ..
-
算法背景 之前介绍了有边界的线性拟合算法，《有边界的线性拟合算法》，它的约束条件是所有系数都须在[0,1]范围内，但实际生产环境不仅仅是这个基本的限制。 已知条件 自变量矩阵X，在生产环境中称 ..
-
有边界的线性拟合算法 已知自变量矩阵X和因变量矩阵Y，两者存在线性关系，但系数被限制在一个范围内，这个范围称为边界，试求出该边界范围内的最佳系数矩阵。 [图片] 其中X是k*m矩阵，k是样本数 ..
-
一个集合X中可能存在过大或过小的异常值，希望计算一个范围，剔除集合X中过大或过小的异常值，这个范围的上下限就是阈值，较大值称为阈值上限，记为threshold_up，较小值称为阈值下限，记为t ..
