- 博客(178)
- 资源 (4)
- 收藏
- 关注
RSS订阅
原创 智能运维（AIOps）系列之五：误区总结
智能运维是一套复杂的人工智能解决方案，也是一个庞大的系统工程。除了涉及到 业务、产品、技术 之外，还涉及到 管理/组织架构 和 产品运营。管理/组织架构Leader：leader 是整个项目落地的关键。因此 leader 最好是一个懂技术的人。如果 leader是业务出身，不懂技术，那么带来的最大问题就是：a. 很容易想当然，觉得实现一个功能没什么大不了的；b. 就算把功能实现了，也没有能力体系化，产品化，只是孤立的把一个功能看成是一个功能；c. 大部分业务，还是很排斥学习技术；偏工程
2021-07-18 14:03:09
683
原创 智能运维（AIOps）系列之四：智能运维落地的思路
开发智能运维，团队需要的能力结构业务能力概述智能运维，是建立在现有运维业务和技术体系之上的；智能运维的落地和发展，需要跟业务产生良好的互动，取得他们的支持：智能运维所需要的业务经验，是来源于业务方的；智能运维产品，最终也是业务方在使用的；因此，掌握运维业务以及运维技术体系，对于后续寻找方向、以及跟业务沟通，都有很大的帮助。能力结构对运维业务相关的方法论，有较深入的理解；对运维技术体系，有较深入的理解；详见：https://blog.csdn.net/micklongen/a
2021-05-27 17:15:39
3729
原创 智能运维（AIOps）系列之二：什么是人工智能
大众对人工智能认识的误区很多计算机从业人员，对人工智能的理解 数据挖掘和深度学习。另一部分对人工智能的理解，则多了知识图谱。其实，人工智能的理论基础和技术分支，都极其广泛。具体详见下文。揭开人工智能的神秘面纱 — 什么是人工智能人工智能的概念现阶段，对人工智能的概念还没有统一的定义。有兴趣的同学，可以网上找一下，在这里不累述。人工智能的理论基础哲学起源于哲学的本体论，则是用来定义实体，以及建立 实体之间的关联关系。目前，本体论主要用于知识图谱的建设。数学逻辑：主要用在逻辑推理上面。
2021-05-23 21:24:59
1164
原创 智能运维（AIOps）系列之一：个人对智能运维的理解
个人认知过程至从2017年，开始从事智能监控开发之后，就跟智能运维搭上了不解之缘。2017年：刚开始做监控的时候，研究了几乎市面上所有监控产品，和相关的技术文章、视频。这个时候，主要是接触了大数据相关的技术，包括：Kafka、Spark、HiTSDB、ELK等。《大数据日知录》：分布式系统相关的理论、以及大数据相关的技术；《从零开始学习架构》：阿里的一位大神写的，关于 分布式系统架构 的一整套方法论；2018年：随着监控的逐步完善。开始考虑结合数据挖掘相关技术，产生新的业务价值。刚开始学习
2021-05-22 21:38:36
5987
2
原创 人工智能解决方案 --- 智能运维（AIOps）
运维背景知识A. 运维体系：SRE/CREA. Google SRE概述B. Google SRE指导思想B. Google SRE指导思想 - 拥抱风险C. Google SRE 实践C. Google SRE 实践 - 产品发布D. Google SRE 管理D. Google SRE 管理 - 培训SRED. Google SRE 管理 - SRE参...
2019-05-18 09:19:44
9775
原创 机器学习 --- 概率图 - 其他
机器学习 — 概率图 - 近似推理近似推理BP算法的能量最小化解释基于图切法的近似推理算法确定性近似（变分推断）随机近似（MCMC）机器学习 - 概率图 - 学习参数学习贝叶斯网络中的最大似然估计结构学习贝叶斯网络基于约束的结构学习基于得分的结构学习...
2022-01-06 10:10:34
322
原创 机器学习 --- 概率图 - 精确推理
问题边缘概率最大后验概率状态求归一化因子变量消元法基本思想逐步从联合概率中消除变量，求解边缘概率变量消除的顺序：最有消元顺序是NP难问题可以通过一些启发式的规则优化，如最少临接点算法边缘概率Sum Product VE最大后验概率状态（MAP）max-sum elimination应用求边缘概率求条件概率团树传播算法与变量消元法对比相同点本质上相同，只是从不同的角度出发不同点变量消元法把全局概率推理转化成
2022-01-05 21:01:19
465
原创 机器学习 --- 概率图 - 表示 - 动态模型
概述本质上是有向图与有向图对比添加了时间维度（序列化？）xi之间不独立同分布马尔科夫过程隐马尔可夫模型(HMM)概述隐马尔可夫模型 (Hidden Markov Model) 是一种统计模型，用来描述一个含有隐含未知参数的马尔可夫过程。它是结构最简单的动态贝叶斯网，这是一种著名的有向图模型，主要用于时序数据建模，在语音识别、自然语言处理等领域有广泛应用。组成部分初始状态概率向量π ：初始可能的状态，以及每个状态对应的概率状态转移矩阵A观察矩阵Bbi(ot)：
2022-01-05 20:57:21
1934
原创 机器学习 --- 概率图 - 表示 - 无向图
马尔可夫网络/马尔可夫随机场概述我们已经知道，有向图模型，又称作贝叶斯网络，但在有些情况下，强制对某些结点之间的边增加方向是不合适的。使用没有方向的无向边，形成了无向图模型（Undirected Graphical Model,UGM）, 又被称为马尔可夫随机场或者马尔可夫网络（Markov Random Field, MRF or Markov network）。马尔可夫随机场：马尔科夫随机场是具有马尔科夫特性的随机拿种地打比方，如果任何一块地里种的庄稼的种类仅仅与它邻近的地里种的庄稼的种类有关
2022-01-05 20:53:31
473
原创 机器学习 --- 概率图 - 表示 - 有向图
贝叶斯方法概述生成模型：贝叶斯公式模型假设：条件独立性预测准侧：后验概率最大频率派观点频率派把需要推断的参数θ看做是固定的未知常数，即概率虽然是未知的，但最起码是确定的一个值，同时，样本X 是随机的，所以频率派重点研究样本空间，大部分的概率计算都是针对样本X 的分布；比如往台球桌上扔一个球，这个球落会落在何处呢？如果是不偏不倚的把球抛出去，那么此球落在台球桌上的任一位置都有着相同的机会，即球落在台球桌上某一位置的概率服从均匀分布。这种在实验之前定下的属于基本前提性质的分布称为先验分布
2022-01-05 20:50:03
527
2
原创 机器学习 --- 概率图 - 概述
简述概念概率图模型是用图来表示变量概率依赖关系的理论，结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。由图灵奖获得者Pearl开发出来。概率图模型在机器学习的诸多场景中都有着广泛的应用。朴素贝叶斯模型、最大熵模型、主题模型马尔科夫随机场、条件随机场隐马尔科夫模型、多元高斯模型Kalman滤波、粒子滤波、变分推理等当给每一个位置中按照某种分布随机赋予相空间的一个值之后，其全体就叫做随机场。历史历史上，曾经有来自不同学科的学者尝试使用图的形式表示高维分布的
2022-01-05 20:46:23
1714
原创 推荐系统 --- 工程
系统架构实时准实时离线数据驱动和实验平台数据驱动数据：要采集数据，全方位，数据像是石油一样，没有它就谈不上驱动；驱动：要让大家看数据，光采集了没有用，还需要让所有人盯着数据看。实验平台AB 实验平台：数据驱动的重点是做对比实验，通过 对比，让模型、策略、设计等不同创意和智慧结晶新陈代谢，不断迭代更新。互联网实验，需要三个要素：流量：流量就是用户的访问，也是实验的样本来源。参数：参数就是各种组合，也是用户访问后，从触发互联网产品这个大函 数，到最后返回结果给用户，中间所
2022-01-05 11:29:02
403
1
原创 推荐系统 --- 推荐算法 --- 其他
排行榜排行榜的作用排行榜可以作为解决新用户冷启动问题的推荐策略。这个不难理解，当一 个新用户刚注册时，可以把最近产品中热门的物品推荐给他。排行榜可以作为老用户的兴趣发现方式。即使是老用户，也可以在享受个 性化推荐的同时去浏览热门的物品，从中看看哪些感兴趣，哪些不感兴趣，这些 行为都是补充或者更新用户兴趣的数据来源。排行榜本身就是一个降级的推荐系统。推荐系统本身是一个软件，因此也 会有出现问题的时候，也会有推荐不出来的时候，这个时候考虑到服务的可用性， 用排行榜作为一种兜底策略，可以避免推荐位开天
2022-01-05 11:28:50
231
原创 推荐系统 --- 推荐算法 --- 算法评测
什么才是好的推荐系统目标C在评测一个推荐算法时，需要同时考虑三方的利益，一个好的推荐系统是能够令三方共赢的系统。一个完整的推荐系统一般存在3个参与方：用户、物品提供者和提供推荐系统的网站。首先，推荐系统需要满足用户的需求，给用户推荐那些令他们感兴趣的图书。其次，推荐系统要让各出版社的书都能够被推荐给对其感兴趣的用户，而不是只推荐几个大型出版社的书。最后，好的推荐系统设计，能够让推荐系统本身收集到高质量的用户反馈，不断完善推荐的质量，增加用户和网站的交互，提高网站的收入。评测方法业
2022-01-05 11:28:36
548
原创 推荐系统 --- 推荐算法 --- 混合推荐算法（二）
概述描述把推荐选择具体物品，上升到选择策略。如果后台算法中有三种策略： 按照内容相似推荐，按照相似好友推荐，按照热⻔门推荐。每次选择⼀种策略，确定了策略后，再选择策略中的物品，这样两个步骤。Bandit概述指的是一类算法，而不是一个算法基本思想看看选择会 带来多少遗憾，遗憾越少越好；⼩⼼翼翼地试，越确定某个选择好，就多选择它，越 确定某个选择差，就越来越少选择它。关键元素臂：每次推荐要选择候选池，可能是具体物品，也可能是推荐策略，也 可能是物品类别；回报：⽤户
2022-01-05 11:28:25
864
原创 推荐系统 --- 推荐算法 --- 混合推荐算法（一）
概述优点充分利用 用户画像、物品画像、群体数据、知识模型 四种信息源多种算法融合的难点有个算法可能只给出结果，不给分数，⽐如⽤决策树产⽣⼀些推荐结果；每种算法给出结果时如果有分数，分数的范围不⼀定⼀样，所以不能互 相⽐较，⼤家各⾃家庭背景不⼀样；即使强⾏把所有分数都归⼀化，仍然不能互相⽐较，因为产⽣的机制不 同，有的可能普遍偏⾼，有的可能普遍偏低。并行式混合概述多种推荐算法的输出结果加以整合形成最终的输出加权式概述推荐系统对多个推荐算法的计算结果进行加权平
2022-01-05 11:28:10
2944
原创 推荐系统 --- 推荐算法 --- 基于用户行为的推荐算法 - 其他
利用上下文信息时间上下文信息一般认为，时间信息对 用户兴趣的影响表现在以下几个方面：用户兴趣是变化的：我们这里提到的用户兴趣变化是因为用户自身原因发生的变化。比如随着年龄的增长，用户小时候喜欢看动画片，长大了喜欢看文艺片。一位程序员随着 工作时间的增加，逐渐从阅读入门书籍过渡到阅读专业书籍。一个人参加工作了，工作 后的兴趣和学生时代的兴趣相比发生了变化。当然， 考虑用户最近的兴趣只能针对渐变的用户兴趣，而对突变的用户兴趣很难起作用，比如用户突然中奖了。物品也是有生命周期的一部
2022-01-04 16:20:05
446
原创 推荐系统 --- 推荐算法 --- 基于用户行为的推荐算法 - 协同过滤算法
概述历史1992年，Goldberg、Nicols、Oki及Terry提出基本思想爱好相似的用户喜欢的东西可能也会喜欢优点共享朋友的经验，提高推荐的准确度根据爱好相似的用户喜欢的视频进行推荐，可以发现用户潜在的兴趣缺点数据冷启动不对视频的内容做分析，无法依据深层特征和属性来推荐比较复杂的视频用户打分稀疏性问题的约束随着用户和视频数量的增大、系统计算量的增大，收到算法可扩展性问题的约束推荐算法分类基于记忆的推荐算法概述直接使用整个已知的评分矩阵
2022-01-04 16:16:39
633
原创 推荐系统 --- 推荐算法 --- 基于用户行为的推荐算法 - 矩阵分解
概述矩阵分解问题物品之间存在相关性，信息量并不随着向量维度增加⽽线性增加；矩阵元素稀疏，计算结果不稳定，增减⼀个向量维度，导致近邻结果差 异很⼤的情况存在。思路上述两个问题，在矩阵分解中可以得到解决。矩阵分解，直观上说来简单，就 是把原来的⼤矩阵，近似分解成两个⼩矩阵的乘积，在实际推荐计算时不再使 ⽤⼤矩阵，⽽是使⽤分解得到的两个⼩矩阵。矩阵存储难点只有原始⽤户⾏为⽇志，需要从中构造出矩阵，怎么做？思路CSR：这个存储稍微复杂点，是⼀个整体编码⽅式。它有三
2022-01-04 14:30:31
647
原创 推荐系统 --- 推荐算法 --- 基于用户行为的推荐算法 - 概述
数据反馈信息显性反馈数据和隐性反馈数据显性反馈数据概述显性反馈行为包括用户明确表示对物品喜好的行为。这里的主要方式就是评分和喜欢/不喜欢。特点用户兴趣：明确数量：较少存储：数据库实时读取：实时正负反馈：都有案例视频网站：用户对视频的评分电子商务网站：用户对商品的评分门户网站：用户对新闻的评分音乐网站：用户对音乐/歌手/专辑的评分隐性反馈数据概述隐性反馈行为指的是那些不能明确反应用户喜好 的行为。最具代表性的隐性反馈行为就是页面浏览行为。
2022-01-04 14:21:45
738
原创 推荐系统 --- 推荐算法 --- 基于内容的推荐算法
概述概述起源于信息搜索和信息过滤领域基本思想从视频内容是否与用户偏好匹配的角度来向用户做出推荐优点不存在物品冷启动的问题可解释性：能够列出推荐视频的特征作为推荐理由，更容易为用户所接受防止作弊：避免多个用户可能对物品的评分进行联手作弊而引导系统向目标用户做出不良推荐的情况缺点新用户冷启动问题提取视频的内容特征难度大使用标签对视频进行标注的方法工作量巨大而效用低需要有足够的数据来构造决策分类器，用户画像的建立需要大量的用户浏览记录难以为用户发现新的兴趣信息，只
2022-01-04 14:03:58
507
原创 推荐系统 --- 推荐算法 --- 基于知识的推荐算法
基于知识的推荐方法基本思想通过交互、会话等方式直接了解到用户需求（“问”），然后再寻找匹配的视频（“找”）解决思路优点不存在冷启动的问题由于与用户存在互动，用户偏好发生改变时不需要任何训练缺点知识获取比较困难用户必须说明他的需求，系统才能够做出推荐，在这个过程中若找不到合适的推荐视频，用户需要修改其需求约束知识和约束推荐算法概述主要面向人工智能，构建if-else推荐规则算法流程输入目标用户 u 的特定需求输出针对目标用户 u 的推荐
2022-01-04 13:54:02
1458
原创 推荐系统 --- 数据工程 --- 用户标签
概述标签是一种无层次化结构的、用来描述信息的关键词，它可以用来 描述物品的语义。根据给物品打标签的人的不同，标签应用一般分为两种一种是让作者或者专 家给物品打标签；另一种是让普通用户给物品打标签，也就是UGC（User Generated Content，用 户生成的内容）的标签应用。标签的作用表达：标签系统帮助我表达对物品的看法。（30%的用户同意。）组织：打标签帮助我组织我喜欢的电影。（23%的用户同意。）学习：打标签帮助我增加对电影的了解。（27%的用户同意。）发现：标签系
2022-01-04 13:42:56
275
原创 推荐系统 --- 数据工程 --- 用户画像 --- 解决方案
用户画像建模 — 用户定量画像定量画像包括：用户基础变量、兴趣偏好等可量化的数据特征用户画像的颗粒度：即用户画像应该细化到何种程度用户画像越细化，有利于提高推荐系统的准确定。但是需要越细化的用户数据，提高了用户画像建模的成本，同时也会导致用户画像适用性降低。数据来源显示收集方式：比如说用户问卷，准确度高，无须做过多预测隐式收集方式：比如说技术手段精度较差，但是可以通过大量用户信息的收集和挖掘可相应提高准确性可以作为显示收集方式的补充效度和信度验证信度（reliability）即可靠性，它
2022-01-04 13:38:14
1269
1
原创 推荐系统 --- 数据工程 --- 用户画像 --- 概述
概述概念：勾画用户（用户背景、特征、性格标签、行为场景等）和联系用户需求与产品设计的，旨在通过从海量用户行为数据中炼银挖金，尽可能全面细致地抽出一个用户的信息全貌目标：将定性和定量方法结合在一起定性化的方法：通过对用户的生活情境、使用场景、用户心智进行分析来对用户的性质和特征做出抽象与概括定量化：对特征做精细的统计分析与计算，获得对于用户较为精准的认识，便于在数值排序的基础上实现核心用户的发掘与突出⽤户画像的关键因素第⼀个是维度第⼆个是量化用户画像数据来源用户注册等基本属性
2022-01-04 13:32:43
1032
原创 推荐系统 --- 概述
概述什么是推荐系统推荐系统可以把那些最终会在⽤户（User）和物品（Item）之间产⽣的连接提前找出来。世界的发展趋势是万物倾向于建⽴越来越多的连接；⼈是这⼀切趋势的意义所在，为⼈建⽴连接是要义；根据已有的连接预测和⼈有关的连接，就是推荐系统。目标⽤已有的连接去预测未来⽤户和物品之间会出现的连接。你需要推荐系统吗？第⼀，看看产品的⽬的。如果⼀款产品的⽬的是建⽴越多连接越好，那么它最终需要⼀个推荐系统。第⼆，看看产品现有的连接。如果你的产品中物品很少，少到⽤⼈⼯就可以
2022-01-04 13:26:51
215
原创 运筹学 --- 线性规划
运筹学 — 线性规划概述基本假设（线性）决策变量每增加一个单位，对目标函数的贡献是一样的可加性允许非整数所有参数均已知标准形式形式maxZ = CXAX = bX >= 0约束条件目标函数为求最大值（如果是最小值，可以转换成最大值）约束条件均为等式方程变量 X 为非负常数 b 都大于等于零转化标准型注意点一：如果不等式为绝对值，需拆分成两个不等式线性规划的解概念可行解：满足线性规划模型约束条件的解最优解：使目标函数达到最大
2021-11-13 11:00:27
3528
原创 运筹学 --- 概述
运筹学 — 概述概述概述主要研究人类对各种资源的运用及筹划，在满足一定约束的条件下，以期发挥有限资源的最大效益，达到总体最优的目标－－所谓运筹帷幄最初由钱学森老先生引入中国，据说最开始的用途是优化航空／军工等领域。别名数学规划 (math programming)、优化 (optimization)、最优化理论、决策科学(Decision Science)等。历史An Annotated Timeline of Operations Research - An Informal
2021-11-13 10:54:11
1961
原创 机器学习 --- 监督学习 - 生成模型VS判别模型
机器学习 - 监督学习 - 生成模型VS判别模型判别模型概念判别模型就是直接学习条件概率分布P(y|x)判别模型不关心数据是怎么生成的，它只关心信号之间的差别，然后用差别来简单对给定的一个信号进行分类。基本思想有限样本条件下建立判别函数，不考虑样本的产生模型，直接研究预测模型。算法逻辑回归决策树支持向量机（SVM）条件随机场（CRF）最近邻一般的神经网络优点判别方法直接学习的是决策函数Y=f(X)或者条件概率分布P(Y|X)直接面对预测，往往学习的准确率
2021-11-11 21:03:27
187
原创 强化学习 --- 马尔科夫决策过程
C. 强化/增强学习 离散 马尔可夫模型 马尔科夫链 马尔可夫决策过程 动态规划 贝尔曼方程 策略估计 策略改进 策略迭代 值迭代 蒙特卡罗方法 时间差分法 隐马尔可夫模 评估问题：前向后向算法 解码问题：维特比算法（Viterbi） 学习问题：前向后向算法（BAUM-W...
2021-11-10 13:31:12
1719
原创 E. 数据仓库 --- 数据管理能力成熟度评估模型
E. 数据仓库 — 数据管理能力成熟度评估模型数据战略数据战略规划数据战略实施数据战略评估数据治理数据治理组织数据制度建设数据治理沟通数据架构数据模型数据分布数据集成和共享元数据管理数据应用数据分析数据开放分享数据服务数据安全数据安全策略数据安全管理数据安全审计数据质量数据质量需求数据质量检查数据质量分析数据质量提升数据标准业务术语参考数据和主数据数据元指标数据数据生存周期数据需求数据设计和开发数据运维数据
2021-11-05 20:45:02
334
原创 F. 人工智能 --- 教训总结
F. 人工智能 — 教训总结AI 防锅指南没想好解什么问题（系统没有，你来帮我解决）数据没有（领域知识、用户数据没有，你来帮我生成答案）场景分类没有（系统准确率不高，你们的算法拿过来用用）Loss函数没有（达成目标不清楚，你帮我想想）确保搞砸人工智能项目 — 文因互联 CEO 鲍捷一下子砸很多的钱案例日本的五代机。当初日本举全国之力，砸了几百亿日元，最终没有做成。一开始砸很多钱，为什么还会失败？你要想，做一个项目，通常是有目标的。当你有一个大预算的时候，你的目标通常也定得很高。
2021-10-29 10:45:55
225
原创 强化学习 --- 前沿技术
C. 人工智能 — 强化学习 - 前沿技术难点Exploitation VS ExplorationSample EfficiencyModel-based RL概述针对真实环境建模通过Model-Network 反馈给 Policy Network应用场景棋类游戏特点优点更好的基于环境做规划缺点很难完美复现真实环境算法Alpha GoTrainingPre-train the policy network using Super
2021-10-29 10:38:54
215
原创 强化学习 --- QLearning
C. 人工智能 — 强化学习 - QLearningQ-Learning概述QLearning是强化学习算法中value-based的算法，Q即为Q（s,a）就是在某一时刻的 s 状态下(s∈S)，采取 动作a (a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作。缺点不适合连续型的action优化为了解决acti
2021-10-29 10:35:53
445
原创 强化学习 --- 概述
C. 人工智能 — 强化学习 - 概述概述思路Agent -> Action -> EnvironmentEnvironment -> Reward -> Agent难点大部分情况下，reward = 0应用场景Alpha Go：下围棋聊天机器人服务器节电：DeepMind、Google即时战略游戏难点Reward delayAgent的行为会影响环境分类On-policy：Agent一边学习，一边跟环境互动
2021-10-29 10:32:00
1807
原创 迁移学习 --- 终身学习
C. 人工智能 — 迁移学习 - 终身学习概述别称Continuous LearningNever Ending LearningIncremental Learning难点Knowledge Retention，but NOT IntransigenceKnowledge TransferModel Expansion，but Parameter Efficiency其他多任务学习，是终身学习的上限。LLL 的目标，是逼近多任务学习的效果Knowledge R
2021-10-29 10:24:20
1548
原创 迁移学习 --- 元学习
C. 人工智能 — 迁移学习 - 元学习概述概念Learn to learn本质上，就是输入训练资料，生成一个 目标函数也可以说是Domain Adaptation问题Too many tasks to learn, to learn more efficientlyFaster learning methodsBetter hyper-parameter/learning algorithmsRelated to:transfer learningdomain ada
2021-10-29 10:20:07
962
原创 迁移学习 --- Domain Adaptation
C. 人工智能 — 迁移学习 - Domain Adaptation概述概念不同的数据分布，但是相同的任务难点源域和目标域 的特征空间，映射到同一个分布领域迁移第一种：训练数据和测试数据不一样第二种：输出的发布发生变化第三种：输出的关系（标签）发生变化Target Domain 的数据完备程度数据很多，并且都有标签直接使用分类算法数据很少，但是都打了标签避免 过拟合控制 epoch 次数调整 Learning rate数据量大，但是没
2021-10-29 10:02:58
1107
原创 迁移学习 --- 概述
C. 人工智能 — 迁移学习 - 概述概述运用已学习的知识来求解不同但相关领域问题的新的机器学习方法，目的是让机器“学会学习”难点带标记的训练样本数量有限。比如，处理A领域（target domain）的分类问题时，缺少足够的训练样本。同时，与A领域相关的B（source domain）领域，拥有大量的训练样本，但B领域与A领域处于不同的特征空间或样本服从不同的分布。数据分布会发生变化。数据分布与时间、地点或其他动态因素相关，随着动态因素的变化，数据分布会发生变化，以前收集的数据已经过时，需要
2021-10-29 09:55:36
283
FOS操作系统
2008-01-26
计算机系统要素：从零开始构建现代计算机
2008-01-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人