297个机器学习彩图知识点（12）
导读
本系列将持续更新20个机器学习的知识点，欢迎关注。
1. 随机梯度下降
2. 停用词
3. 不平衡数据策略
4. 过拟合策略
5. 监督式深度学习的核心规则
6. 监督&非监督学习
7. 支持向量机分类器
8. 软间隔分类
9. 支持向量
10. SVC的
人工智能
Sending build context to Docker daemon 数据很大
正在部署一个docker软件
进行docker build的时候发现文件非常大
Sending build context to Docker daemon xxGB
心中出现疑虑为何会这么大，是不是把自己有个文件夹几个T的数据也传过去了。查了一下果然
Docker client会发送Dockerfile同级目录下的所有文件到Dockerdaemon。
解决的方式：
在一个新的文件夹中进行
Apache Flink——DataStream API 执行环境
前言
Flink 有非常灵活的分层 API 设计，其中的核心层就是 DataStream/DataSet API。由于新版本已经实现了流批一体，DataSet API 将被弃用，官方推荐统一使用 DataStream API 处理流数据和批数据。
DataStream（数据流）本身是 Flink 中一个用来表示数据集合的类（Class），我们编写的Flink 代码其实就是基于这种数据类型的处理，所
clickhouse-HDFS
参考文档
前言
在hdfs格式ck能解析的情况下，比如CSV,TSV等，可以在ck中建立一个映射表。读取hdfs中的数据，使用ck来分析。需要注意的是如果uri路径中包括了Globs模糊匹配符号，那么说明ck只是映射hdfs中的文件，是只读的。如果写入会
1分钟极速生成简历表单，AI与Flash Table实战让你领先一步
前言过去，开发和业务人员在制作复杂表单时，常常遇到流程繁琐、效率低下等问题。传统开发方式不仅耗时，还容易出现数据整合和交互设计的难题。现在有一个热门了低代码平台Flash Table，它简化了表单开发流程，让用户可以更快地创建和管理复杂表单，提高了整体效率。现在，开发者处理数据和交互问题变得更加轻松
图神经网络：GAT图注意力网络原理和源码解读（tensorflow）
标签：图神经网络，图注意力网络，注意力机制，GAT，tensorflow
本文内容分为三块：
GAT原理扫盲
GAT源码阅读（tensorflow）
GAT源码链路分析
GAT的GraphSAGE策略实现分析
原理初步理解
（1）从GNN，GCN到GAT
先看个哔哩哔哩视频理解一下，链接地址GAT原理视频链接
GNN学习的是邻居节点聚合到中心的方式，传统的GNN对于邻居节点采用求和/求平均的
BI技巧丨同环比计算
我们在做BI报表分析的时候，大部分指标的运算逻辑都不是特别的复杂，很多用户对于指标最基本的需求，就是可以展示当月数据，看个同环比，能看个YTD就够了。
需求听上去并不是特别的复杂，但是这里面也是有一些小技巧的。
先来看看本期的案例数据：
案例数据就一张Sales的销售事实表，表结构也相对简单，将其导入到PowerBI中。
添加如下日期表，并建立模型关系。
hdWGCNA：单细胞WGCNA分析方法
WGCNA原理和分析流程
单细胞WGCNA分析方法+随机森林
0. 数据准备
输入数据集的要求：已经进行了如下分析的Seurat对象
导入演示数据
#官方演示数据集
wget
seurat_obj <- readRDS('Zhou_2020.rds')
