elasticsearch 入门小教程

//索引创建
//127.0.0.1:9200/student/
{
	"settings":{
		"number_of_shards": 3,
		"number_of_replicas": 1
	},
	"mappings":{
		 "student": {
			    "properties": {
			      "studentNo": {
			        "type": "long",
			        "index": "true"
			      },
			      "name": {
			        "type": "text",
			        "index": "true"
			      },
			      "male": {
			        "type": "text",
			        "index": "true"
			      },
			      "age": {
			        "type": "integer",
			        "index":"true"
			      },
			      "birthday": {
			        "type": "date",
			        "index":"true",
			        "format": "yyyy-MM-dd"
			      },
			      "address": {
			        "type": "text",
			        "index":"true"
			      },
			      "classNo": {
			        "type": "text",
			        "index": "true"
			      },
			      "isLeader": {
			        "type": "boolean",
			        "index":"true"
			      }
			 }
		}
 
	}
}

基础数据


{       
        "studentNo": "1",
        "name": "刘备",
        "male": "男",
        "age": "24",
        "birthday": "1985-02-03",
        "classNo": "1",
        "address":"湖南省长沙市",
        "isLeader": "true"
 
}

{       
        "studentNo": "2",
        "name": "关羽",
        "male": "男",
        "age": "22",
        "birthday": "1987-08-23",
        "classNo": "2",
        "address":"四川省成都市",
        "isLeader": "false"
 
}

{       
        "studentNo": "3",
        "name": "糜夫人",
        "male": "女",
        "age": "19",
        "birthday": "1990-06-12",
        "classNo": "1",
        "address":"上海市",
        "isLeader": "false"
 
}

{       
        "studentNo": "4",
        "name": "张飞",
        "male": "男",
        "age": "20",
        "birthday": "1989-07-30",
        "classNo": "3",
        "address":"北京市",
        "isLeader": "false"
 
}

{       
        "studentNo": "5",
        "name": "诸葛亮",
        "male": "男",
        "age": "18",
        "birthday": "1992-04-27",
        "classNo": "2",
        "address":"江苏省南京市",
        "isLeader": "true"
 
}

{       
        "studentNo": "6",
        "name": "孙尚香",
        "male": "女",
        "age": "16",
        "birthday": "1994-05-21",
        "classNo": "3",
        "isLeader": "false"
 
}

{       
        "studentNo": "7",
        "name": "马超",
        "male": "男",
        "age": "19",
        "birthday": "1991-10-20",
        "classNo": "1",
	"address":"黑龙江省哈尔滨市",
        "isLeader": "false"
}

{       
        "studentNo": "8",
        "name": "赵云",
        "male": "男",
        "age": "23",
        "birthday": "1986-10-26",
        "classNo": "2",
	"address":"浙江省杭州市",
        "isLeader": "false"
}

创建索引:127.0.0.1:9200/student/

插入数据:127.0.0.1:9200/student/student

 

//匹配聚合查询
{
	"size":"0",
	"query":{
		"match":{
			"age":16
		}
		
	},
	
	"aggs":{
		
		"age_stats":{
			"avg":{
				"field":"age"
			}
		}
	}
	
}

 

//查询一段时间内   文档的聚合统计
{
	"size":0,
	"query":{
		"bool":{
			"must":{
				"range":{
					"utcTime":{
						"gte":"2018-10-01T16:00:00.000Z",
						"lte":"2018-10-07T16:00:00.000Z"
					}
				}
			}
		}
	},
	"aggs":{
		
		"groupDate":{
			"date_histogram":{
				"field":"utcTime",
				"interval":"day",
				"format":"yyyy-MM-dd HH:mm:ss"
			},
			"aggs":{
				"sum_cars":{
					"sum":{
						"field":"thirdLaneTwoKindAvg"
					}
				}
			}
		}
	}
}

 

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。
【4层】3100平米综合办公楼毕业设计(含计算书、建筑结构图) 、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。
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