<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[chenzl8944的专栏]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/chenzl8944</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; chenzl8944]]></copyright><item><title><![CDATA[AI入门那么简单|3-非监督学习：探索未标记数据之美]]></title><link>https://blog.youkuaiyun.com/chenzl8944/article/details/130753661</link><guid>https://blog.youkuaiyun.com/chenzl8944/article/details/130753661</guid><author>chenzl8944</author><pubDate>Thu, 18 May 2023 19:28:57 +0800</pubDate><description><![CDATA[这种算法基于对多个交易或记录之间关联性的分析，可以帮助我们发现事物之间的联系，进而提高商业效益。非监督学习是一项非常重要而且实用的技巧，它可以让我们发现数据中的隐藏信息，抽取最有价值的特征或者模式。一个示例是，假设我们有一个没有进行标签分类的音乐库，我们可以使用非监督学习来查找音频质量、相关性等相似性模式。然后，利用这些模式对音乐库中的歌曲进行分类和聚类，得到具有意义的组合。通俗点说，非监督学习就像是探险家拓荒者探索尚未被开发的新大陆一样，寻找未知的、隐藏在数据里的信息。鸡蛋, 牛奶, 豆腐, 苹果。]]></description><category></category></item><item><title><![CDATA[AI入门那么简单|2-机器学习基础]]></title><link>https://blog.youkuaiyun.com/chenzl8944/article/details/130510155</link><guid>https://blog.youkuaiyun.com/chenzl8944/article/details/130510155</guid><author>chenzl8944</author><pubDate>Fri, 05 May 2023 16:44:04 +0800</pubDate><description><![CDATA[在本章节中，我们介绍了机器学习的三种主要类型、常见算法模型及数据预处理的重要性。我们还提供了一个简单的Python实现示例，帮助您更好地理解机器学习算法的实际应用。各位还想看人工智能的那些内容，可以关注作者并留言！]]></description><category></category></item><item><title><![CDATA[AI入门那么简单|1-人工智能简介]]></title><link>https://blog.youkuaiyun.com/chenzl8944/article/details/130474704</link><guid>https://blog.youkuaiyun.com/chenzl8944/article/details/130474704</guid><author>chenzl8944</author><pubDate>Wed, 03 May 2023 16:58:52 +0800</pubDate><description><![CDATA[本章介绍了人工智能的基本概念，历史。介绍了机器学习和强化学习这两个核心技术，便于大家全面简单的理解人工智能。各位还想看人工智能的那些内容，可以关注作者并留言！]]></description><category></category></item><item><title><![CDATA[maxcompute时间日期函数整理]]></title><link>https://blog.youkuaiyun.com/chenzl8944/article/details/120744546</link><guid>https://blog.youkuaiyun.com/chenzl8944/article/details/120744546</guid><author>chenzl8944</author><pubDate>Thu, 21 Oct 2021 19:23:17 +0800</pubDate><description><![CDATA[maxcompute的时间日期函数



DATEADD

按照指定的单位和幅度修改日期值


datetime dateadd(date|datetime|timestamp &lt;date&gt;, bigint &lt;delta&gt;, string &lt;datepart&gt;)



参数说明

date
必填。待转换的时间日期，可以是date、datetime、timestamp中任意一种



delta
必填。修改幅度，BIGINT类型。如果delta大于0，则增，否则减。



]]></description><category></category></item><item><title><![CDATA[Maxcompute系列--持续更新]]></title><link>https://blog.youkuaiyun.com/chenzl8944/article/details/120524128</link><guid>https://blog.youkuaiyun.com/chenzl8944/article/details/120524128</guid><author>chenzl8944</author><pubDate>Tue, 28 Sep 2021 10:41:58 +0800</pubDate><description><![CDATA[目录

一、项目命令

二、SQL开发

三、python开发

四、项目实战&amp;巧学巧用

4-1 用pyodps+odps sql实现钉钉机器人预警推送

五、爬坑系列

一、项目命令

待更新。。。

二、SQL开发

待更新。。。

三、python开发

待更新。。。

四、项目实战&amp;巧学巧用

4-1 用pyodps+odps sql实现钉钉机器人预警推送

    在使用maxcompute中，我们发现整个数仓体系与外部没有交互，而恰好钉钉机器人支持我们讲数仓的信息通过机...]]></description><category></category></item><item><title><![CDATA[阿里云maxcompute系列--用pyodps+odps sql实现钉钉机器人预警推送]]></title><link>https://blog.youkuaiyun.com/chenzl8944/article/details/115385202</link><guid>https://blog.youkuaiyun.com/chenzl8944/article/details/115385202</guid><author>chenzl8944</author><pubDate>Tue, 06 Apr 2021 22:21:35 +0800</pubDate><description><![CDATA[场景
我们在使用maxcompute进行数据处理，我们会需要对上下游的数据质量作一些规则校验，用以来识别是否有脏数据影响了我们的数据质量。
而校验后，若是发现了脏数据，就需要第一时间通知到数据负责人，以便于数据质量负责人/数据运维角色的人员可以及时得知问题，让他们有充分的数据对数据进行处理，尽快修正数据问题；而且告知信息需要的是准确，有含义，才能让人更快定位原因。
而监控数据并通知到数据质量负责人/数据运维的方式有很多，常见的有使用外置数据质量工具，但是工具类天生就很重，开发难度，后去运维对于小团队而言是1]]></description><category></category></item><item><title><![CDATA[blog-数据仓库维度建模系列--缓慢变化维（SCD）的思考（一）]]></title><link>https://blog.youkuaiyun.com/chenzl8944/article/details/115384784</link><guid>https://blog.youkuaiyun.com/chenzl8944/article/details/115384784</guid><author>chenzl8944</author><pubDate>Thu, 01 Apr 2021 21:18:51 +0800</pubDate><description><![CDATA[缓慢变化维（Slowly Changing Dimensions）

缓慢变化维是维度技术中用于描述维度变化情况的一种分类。

什么是SDC?
在现实的实施中
先说一下缓慢变化维的概念。缓慢变化维（Slowly Changing Dimensions）指的是：维度中的某一个或某几个属性不是固定不变，会随着时间的推移发生低频次改变。
打个比方，小李在魔都奋斗多年，成功买房落户，那么小李的户籍地址就会发生变化；如果把自然人当作数据分析时的一个维度，那么户籍地址属性的就是一类SCD。

维度建模怎么处理SCD
维]]></description><category></category></item></channel></rss>