AIoH

原创 【期末复习】存储过程与触发器

局部变量是用户可自定义的变量，它的作用范围仅在程序内部。局部变量必须以@开头，而且必须先用DECLARE 命令说明后才可使用。其说明形式如下：    DECLARE @变量名 变量类型[，@变量名变量类型…]在Transact-SQL 中不能像在一般的程序语言中一样使用“变量=变量值”来给变量赋值，必须使用SELECT 或SET 命令来设定变量的值。全局变量是SQL Server 系统内部使用的变...

原创 【期末复习】先进数据库技术03&04

NOSQL1. 诞生背景：网页技术发展，数据处理能力要求大幅上升。    web1.0: read intensive    web2.0: write intensive   解决思路：    ·硬件升级    ·分布式（关系数据库设计初衷没有考虑cluster）        ·sharding        2. NOSQL 特点·不使用 SQL don’t use SQL·通常开源 The...

原创 【期末复习】先进数据库技术01&02

1. 基本概念    · 数据模型：是现实世界数据特征的抽象。        分类：概念（E-R模型），逻辑（层次模型、网状模型、关系模型、面向对象模型），物理（堆组织表文件，索引文件）        包括：结构，操作，约束2. 先进数据库技术诞生背景    ·应用发展和需求的推动        · 关系模型缺点：有限的数据类型；不能清晰表达复杂对象和对象之间的关系；缺少对象身份标识    · 对...

翻译 【Hyperledger Fabric】Identity-身份认证与密钥

Authentication & Public keys and Private Keys身份认证与密钥Authentication and message integrity are important concepts of secure communication. Authentication requires that parties who exchange messages ...

翻译 【Hyperledger Fabric】数字认证证书（digital certificate）

Digital Certificates数字认证证书A digital certificate is a document which holds a set of attributes relating to a party. The most common type of certificate is the one compliant with the X.509 standard, whi...

翻译 【Hyperledger Fabric】Identity-什么是PKIs

What are PKIs?什么是PKIs？A public key infrastructure (PKI) is a collection of internet technologies that provides secure communications in a network. It’s PKI that puts the S in HTTPS – and if you’re rea...

翻译 【Hyperledger Fabric】Identity-通过一个简单情境理解身份（identity）的使用

原文：https://hyperledger-fabric.readthedocs.io/en/release-1.1/identity/identity.htmlA Simple Scenario to Explain The Use of an Identity通过一个简单情境理解身份（identity）的使用Imagine that you visit a supermarket to bu...

翻译 【Hyperledger Fabric】Identity-什么是身份（Identity）

原文：http://hyperledger-fabric.readthedocs.io/en/latest/identity/identity.html什么是身份（Identity）?What is an Identity?一个区块链（blockchain）网络中，有不同的参与者（actors），包括同伴（peers）,订货人（ orderers）,客户端（client apps）,管理员（ ad...

原创 chapter 5

原创 chapter 3&4

原创 chapter 1&2

原创 2.3

原创 2.2

2.2 评估方法泛化误差：通过测试误差(testing error)近似(测试样本尽量不要出现在测试集中)如何从数据集中产生训练集和测试集？1.留出法将数据集分成两个互斥的集合*划分要尽可能保持数据分布的一致性，若从采样的角度看待数据的划分过程，则保留类别比例的采样方式通常称为分层采样。例如：数据集一半好一半坏，则测试集也一半好一半坏*单次使用留出法得到的估计结果往往不够稳定可靠，一般采用若干次随...

原创 2.1

2.1错误率(error rate)：分类错误的样本数占总体的样本数精度(accuracy)：1-错误率误差(error)：预测输出与样本真实的输出产生的误差误差分为训练误差(training error)(empirical error)和泛化误差(generalization error)过拟合(overfitting)：·学习能力过于强大，学到了不太一般的特性·若过拟合可以完全避免，则构造性...

原创 1.5，1.6，1.7

1.5 发展历程仅具有逻辑推理能力远远实现不了人工智能。机器拥有知识。专家系统：由人把知识总结出来，再交给计算机是十分困难的。符号主义：ILP(inductive logic programming)连接主义：神经网络BP算法统计学习：支持向量机 1.6 应用现状大数据时代 1.7 阅读材料...

原创 1.3，1.4

1.3 假设空间归纳(induction)：一般到特殊演绎(deduction):特殊到一般概念学习：布尔概念学习：是或不是假设空间(hypothesis)版本空间(version space)：假设空间的子集，符合训练集的所有假设 1. 4 归纳偏好Occam’s razor：若有多个假设与观察一致，则选最简单的算法的归纳偏好要与问题匹配No free lunch theorem：基于所有问题同...

原创 1.1，1.2

1.1 引言机器学习所研究的主要内容：从数据产生“模型”的算法1.2 基本术语数据集(data set)：一批关于西瓜的数据示例(instance)/样本(sample)：一个西瓜的描述特征(feature)/属性(attribute)：西瓜的色泽...特征值/属性值(value)：西瓜的色泽=青绿色样本空间/输入空间：西瓜的“色泽”“根蒂”“敲声”构成了描述西瓜的三维空间特征向量：每个西瓜对应样...