理解递归，汉诺塔(Tower of Hanoi)是个很适合的工具，不大不小，作为最开始递归的理解正合适。从而学习各种计算机语言乃至各种编程范式的时候，汉诺塔一般都作为前几个递归实现的例子之一，是入门的好材料。
这两天正在构思这个“三维度”逻辑编程语言的设计系列的下一篇该怎么写，正好在上一篇《用写文章的方式写程序--“三维度”逻辑编程语言的设计（1）》有位叫做 dwcz 的朋友回帖说：
欢迎各位读者来到本篇博客，今天我们将探讨一个令人着迷的编程范式——Prolog。Prolog（Programming in Logic）是一种基于逻辑的编程语言，以其独特的特性和应用领域而备受关注。本文将带你深入理解 Prolog 的基本概念、语法和一些实际应用。
近年来，以神经网络为代表的机器学习技术和知识表征、符号推理技术的结合受到了越来越多研究者的关注。曾经，人们通过「数据驱动 vs 知识驱动」、「符号 vs 子符号」、「求解器 vs 学习器」等概念来区分学习和推理。如今，人们更常用「系统 1」和「系统 2」来代表能够迅速思考的系统和较慢推理的系统。
此部分包含第15、16、17和18章，包含了计算机中传输的数据压缩(有损与无损)、网络数据在传输过程中如何保证其数据安全, 讨论计算理论，即哪些是可计算的，哪些是不可计算的，最后介绍当前热门的人工智能(AI)的观点，加深我们对计算机数据处理的的认识，为后续学习扩展基础认识。
归纳逻辑编程(ILP)是机器学习的一种形式。ILP的目标是归纳一个假设(一组逻辑规则),概括训练示例。随着ILP步入3o，我们提供了该领域的新介绍。我们介绍必要的逻辑符号和主要的学习设置；描述ILP系统的组成部分；在几个维度上比较几个系统；描述四个系统(Aleph、TILDE、ASPAL和meta gol)；突出重点应用领域；最后，总结当前的局限性和未来研究的方向。
最近在写一些关于java基础的文章，但是我又不想按照教科书的方式去写知识点的文章，因为意义不大。基础知识太多了，如何将这些知识归纳总结，总结出优缺点或者是使用场景才是对知识的升华。所以我更想把java相关的基础知识进行穿针引线，进行整体上的总结。
之前分享过Groovy中的闭包，在我日常的工作中，就会想到一个问题：“如何在Groovy中使用Java方法？”
此篇文章讲解HiveJoinAddNotNullRule优化规则，此优化规则Rule主要功能是将SQL语句中Inner Join关联时，出现在关联条件中的字段存在为null可能的字段，都加上相应字段 is not null条件限制。
在本文中，我们将演示如何在Scala的集合上使用exists函数，该函数适用于Scala的可变（Mutable）和不可变（Immutable）集合。
Kotlin 标准库提供了基本集合类型的实现： set、list 以及 map。 一对接口代表每种集合类型：
本章包括 22 个涉及 Java 函数式编程的问题。这里，我们将重点讨论在流中遇到的涉及经典操作的几个问题（例如，filter和map），并讨论无限流、空安全流和缺省方法。这个问题的综合列表将涵盖分组、分区和收集器，包括 JDK12teeing()收集器和编写自定义收集器。此外，还将讨论takeWhile()、dropWhile()、组合函数、谓词和比较器、Lambda 测试和调试以及其他一些很酷的话题。
词法语法解析—>语义解析—>生成逻辑执行计划—>优化逻辑执行计划—>生成物理执行计划—>优化物理执行计划
排序操作基于一个或多个属性对序列的元素进行排序。 第一个排序条件对元素执行主要排序。 通过指定第二个排序条件，您可以对每个主要排序组内的元素进行排序。
ACL 2019已经结束，但其空前的规模仍然震撼人心：2900多篇提交论文，660篇被接收，3000多名会议注册人员，以及4个超过400人的研讨会（比一些国际CS会议都大）。
这篇文章来讲Hive优化规则HivePreFilteringRule，称为前置过滤器优化规则或谓词下推优化规则。其主要功能是通过哪些谓词下推到离数据源最近的位置，即提前过滤记录数，减少不必要的数据量IO。大致优化过程，是通过把谓词集合从析取范式(DNF) 和合取范式(CNF)根据需要可相互转换，再确定谓词表达式或函数的确定性或非确定性以及是否可下推的优化。
10.23 日，Yarn 团队经过一年多的努力，中间经过了 53 个候选版本，终于发布了 Yarn 4.x 的稳定发行版本。
虽然JanusGraph的复合索引（composite indexes）支持 可以存储在JanusGraph中的 任何数据类型， 但混合索引（mixed indexes ）仅限于以下数据类型。
本论文介绍的DeepProlog是一种概率逻辑编程语言，通过神经谓词和深度学习结合起来。我们将展示现有的推理和正在学习的技术将如何适应新的语言。我们的实验表明，DeepProblog支持符号和子符号的表示和推理，程序的归结，概率逻辑规划，从样例中学习。据我们所知，这项工作首先提出了一个能把通用神经网络和表达概率逻辑建模和推理以某种方式结合的框架，从而有更强的表达能力和两种框架的优点，并且可以基于样例进行端到端的训练。
建立一个实体类，该实体类有五个属性。下面的代码使用了lombok的注解Data、AllArgsConstructor，这样我们就不用写get、set方法和全参构造函数了。lombok会帮助我们在编译期生成这些模式化的代码。
LIKE谓词允许选择那些匹配模式中指定的字符的数据值。 模式可以包含通配符。 如果pattern不匹配任何标量表达式值，LIKE返回空字符串。
【导读】《21天学通C++》这本书通过大量精小短悍的程序详细而全面的阐述了C++的基本概念和技术，包括管理输入/输出、循环和数组、面向对象编程、模板、使用标准模板库以及创建C++应用程序等。这些内容被组织成结构合理、联系紧密的章节，每章都可在1小时内阅读完毕，都提供了示例程序清单，并辅以示例输出和代码分析，以阐述该章介绍的主题。本文是系列笔记的第十篇，欢迎各位阅读指正！
hlpsl2if：将用HLPSL语言编写的规范转换为IF语言的低级规范的工具。cl-atse：用于分析安全属性的工具
这篇文章来讲优化规则HiveFilterAggregateTransposeRule，主要功能是将Filter过滤器下推到Aggregate聚合操作之下。满足的前提条件，这些谓词表达式必须是确定性的。
适配器，在STL中扮演着转换器的角色，本质上是一种设计模式，用于一种接口转换成另一种接口，从而使原本不兼容的接口能够很好地一起运作。
上篇文章讲解了SortLimitPullUpConstantsRule等值常量谓词上拉，这样可以把即出现在谓词中等于某个常量constant的又出现在Project投影中的变量或列引用，是此列引用不在参与中间结果的一系列的计算，直接在投影Project使用常量作为此列引用的返回值。在等价变换即输入结果和输出结果不变的前提下，达到优化的目的，这也是优化器的价值所在。
Streams 接口支持 filter 方法，该操作会接受一个谓词（一个返回 boolean 的函数）作为参数，并返回一个包括所有符合谓词的元素的流。比如我们需要筛选 isMng 为 ture 的数据并打印名字就可以按照如下的方式处理。
本次我们会使用到很多的流操作，如筛选、切片、映射、查找、匹配和归约，这些操作可以让我们能快速完成复杂的数据查询。
大型系统在设计之初就会拆分为多个微服务，客户不可能都按每个服务的服务器地址进行访问，因为每个服务对应一个指定的Url,人咋记那么多的地址，这样我们是不是需要一个统一的入口公开给客户，去解决这种调用问题，同时，AJAX虽说可以进行异步请求实现局部刷新，但是不能解决跨域对吧，之前我们怎么进行跨域处理的，用的是在controller层添加@CrossOrign注解，解决跨域问题。单体项目还好说，那么在微服务项目中可能又成千上百的服务，那我都要一个个加吗？而且有的服务还可能存在着没有controller层的问题，我在过滤器、拦截器层面进行业务设计，那不G了？能不能在一个统一的地方进行解决？为了在项目简化前端调用的逻辑，同时优化内部服务的相互调用，也能更好的保护内部服务，网关应运而生。
追求轻微痛感,掌控快感释放，先做困难的事情,降低奖励期待，控制欲望,延迟消费多巴胺
标准 SQL 规定，在对表进行聚合查询的时候，只能在 SELECT 子句中写下面 3 种内容：通过 GROUP BY 子句指定的聚合键、聚合函数（SUM 、AVG 等）、常量。我们来看个例子
NDV全称为Number Of Distinct Values，即非重复值的个数。
In recent years, scientists have increasingly taken to investigate the predictive nature of cognition. We argue that prediction relies on abstraction, and thus theories of predictive cognition need an explicit theory of abstract representation. We propose such a theory of the abstract representational capacities that allow humans to transcend the “here-and-now.” Consistent with the predictive cognition literature, we suggest that the representational substrates of the mind are built as a hierarchy, ranging from the concrete to the abstract; however, we argue that there are qualitative differences between elements along this hierarchy, generating meaningful, often unacknowledged, diversity. Echoing views from philosophy, we suggest that the representational hierarchy can be parsed into: modality-specific representations, instantiated on perceptual similarity; multimodal representations, instantiated primarily on the discovery of spatiotemporal contiguity; and categorical representations, instantiated primarily on social interaction. These elements serve as the building blocks of complex structures discussed in cognitive psychology (e.g., episodes, scripts) and are the inputs for mental representations that behave like functions, typically discussed in linguistics (i.e., predicators). We support our argument for representational diversity by explaining how the elements in our ontology are all required to account for humans’ predictive cognition (e.g., in subserving logic-based prediction; in optimizing the trade-off between accurate and detailed predictions) and by examining how the neuroscientific evidence coheres with our account. In doing so, we provide a testable model of the neural bases of conceptual cognition and highlight several important implications to research on self-projection, reinforcement learning, and predictiveprocessing（PP） models of psychopathology
Option 是一个表示有可能包含值的容器。 Option 本身是泛型的，并且有两个子类： Some[T] 或 None
从功能是实现上，removeIf是条件为true则过滤此元素，false则保留。而filter则是条件为false过滤此元素，而true则保留。
▍9、创建一个迭代器，它从iterable中过滤元素，只返回谓词为False的元素
语言作为一个抽象符号，人是可以理解每个语言单词的意义的，但是现在的nlp语言模型并没有直接的从感知抽象出每个语言符号的意义。成功的语言交流依赖于对世界的共同体验。正是这种共同的经历使话语变得有意义
元素序列：像集合一样，流也提供了一个接口，可以访问特定元素类型的一组有序值，因为集合是数据结构，所以他的主要目的是以特定的时间/空间复杂度存储和访问元素，但流的目的在于表达计算。集合讲的是数据，流讲的是计算。
这篇文章，我们讲尾递归。在递归中，如果该函数的递归形式表现在函数返回的时候，则称之为尾递归。
java.util.stream.Stream 中的 Stream 接口定义了许多操作。
本文结构为 先是一个例子，带你快速体验，之后再去深究里面的方法。以及一些底层原理是如何实现的。从如何用，到如何用好，如何用精。学习操作，学习思维。
在上一篇介绍了逻辑编程的作用，介绍了逻辑编程中的一些概念，包括逻辑程序的结构：事实、规则和问题；知识的表达方式：谓词演算、产生式规则，以及这些概念与三维度（角色+场景+时间）理论的契合关系，正式提出了“三维度逻辑编程”这个概念。为了更好的体现“三维度”的关系，今天要重点介绍一下角色的扮演者--Actor。
动态SQL是指在运行时准备并执行的SQL语句。在动态SQL中，准备和执行SQL命令是单独的操作。通过动态SQL，可以以类似于ODBC或JDBC应用程序的方式在InterSystems IRIS中进行编程（除了要在与数据库引擎相同的进程上下文中执行SQL语句）。动态SQL是从ObjectScript程序调用的。
[ 导读 ]对知识工程的研究贯穿于整个人工智能的发展史。作为目前最为火热的先验知识组织、表征技术，知识图谱的相关工作在本届 ACL 上可谓万众瞩目。本文将介绍本届 ACL 收录的一些知识图谱方向的优秀成果，希望对读者们有所启发。
Hive优化器是使用Apache Calcite动态数据管理框架实现的，其中包含VolcanoPlanner基于成本优化器（CBO）和HelpPlaner基于规则的启发式优化器（RBO）优化器。根据用户HiveConf配置信息使用不同的优化器。
Dapper是.NET中比较出名的ORM框架之一，它和Entity Framework或Nhibnate不同，属于轻量级的，并且是半自动的。Dapper只有一个代码文件，完全开源，你可以放在项目里的任何位置，来实现数据到对象的ORM操作，体积小速度快。 使用ORM的好处是增、删、改很快，不用自己写sql，因为这都是重复技术含量低的工作，还有就是程序中大量的从数据库中读数据然后创建model,并为model字段赋值。这些ORM都可以轻松给你搞定。
Impala的hash join目前有两种方式：broadcast和shuffle。关于这两种方式的区别，网上也有很多相关的资料介绍。我们这里来简单介绍下，broadcast join适合大表join小表的场景，首先将小表先构建hash table，然后发送到大表所在全部节点上。此时每个节点上都有大表的一部分数据和整个小表的数据。整个流程如下所示：
这篇文章来讲优化规则AggregateProjectPullUpConstantsRule，顾名思义是将Aggregate汇总操作中常量字段上拉到Project投影操作中的优化规则，主要功能从Aggregate聚合中删除常量键。常量字段是使用RelMetadataQuery.getpulldupredicates（RelNode）推导的，其输入不一定必须是Project投影操作。但此Rule规则从不删除最后一列，简单来讲，如果groupBy字段只有一列，而且为常量，也不会执行此优化，因为聚合Aggregate（[]）返回1行，即使其输入为空。由于转换后的关系表达式必须与原始关系表达式匹配，为等价变换，因此常量被放置在简化聚合Aggregate上方的Project投影中。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
