Apache Kylin (v1.5.0) 发布,全新设计的新一代

Apache Kylin社区非常高兴宣布全新设计的新一代Apache Kylin (v1.5.0)正式发布。

Apache Kylin是一个开源的分布式分析引擎,提供Hadoop之上的SQL查询接口及多维分析(OLAP)能力以支持超大规模数据,最初由eBay Inc. 开发并贡献至开源社区。

这是一个主要的版本发布带来了更稳定,健壮及更好管理的版本,Apache Kylin社区解决了207个issue,包括Bug修复,功能增强及一些新特性等。

Plugin 架构

Apache Kylin的Plugin架构使得Kylin可以扩展计算框架,数据源以及Cube存储等。在之前的版本中,Kylin与作为计算框架的Hadoop MapReduce,数据源的Hive及作为存储的HBase耦合紧密。常有人问及例如:Spark可否作为Cubing引擎,或者是否可以使用Cassandra作为存储?我们希望借此重新设计和架构的新版本提供各种可能性,以使得Kylin与最新的技术栈一起演进。这是本次重大更新中最大的变化,同时,新的版本经实践测试,Cubing时间及网络传输可以缩减30~50%、查询速度成倍提升、支持TopN、支持Excel及PowerBI等,另外,实验性的Streaming Cubing技术也随之发布。

下载安装

下载Apache Kylin v1.5.0源代码及二进制安装包,请访问下载页面。

升级

此版本并不向前兼容。Cube格式和元数据格式都经过重构,以获得成倍的性能提升。我们建议使用此版本,但不建议直接从之前的版本升级。重新部署是最好的方式。如果必需从之前的版本升级,社区稍后会给出指南。

主要变化

  • KYLIN-875 - 一个插入式的总体架构,支持多样的构建引擎、存储引擎和数据源。

  • KYLIN-1245 - 一个内存Cube构建引擎,在内存充足情况下比之前版本快1.5倍左右。

  • KYLIN-942 - 一个更快的存储引擎,查询比之前版本快2倍左右,尤其是对原本较慢的查询。

  • KYLIN-738 - (实验性)流式Cube构建,从Kafka读取数据,以分钟间隔实时构建。

  • KYLIN-242 - 重新设计Aggregation Group,支持20+维度变得更加简单。

  • KYLIN-976 - 自定义聚合函数。

  • KYLIN-943 - TopN预聚合。

  • KYLIN-1065 - ODBC驱动支持Tableau 9.1, MS Excel, MS PowerBI。

  • KYLIN-1219 - 支持单点登录,使用SAML协议。

支持

升级和使用过程中有任何问题,请:
提交至Kylin的JIRA: https://issues.apache.org/jira/browse/KYLIN/
或者
发送邮件到Apache Kylin邮件列表: dev@kylin.apache.org

感谢每一位朋友的参与和贡献!

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值