关键点1.强化学习的发展历程2.马尔可夫决策过程3.动态规划4.无模型预测学习5.无模型控制学习6.价值函数逼近7.策略梯度方法8.深度强化学习DQN算法系列9.深度策略梯度DDPG,PPO等第一天9:0012:0014:0017:00一、强化学习概述1.强化学习介绍2.强化学习与其它机器学习的不同3.强化学习发展历史4.强化学习典

本文作者：李杰TF计算图从逻辑层来讲，由op与tensor构成。op是项点代表计算单元，tensor是边代表op之间流动的数据内容，两者配合以数据流图的形式来表达计算图。那么op对应的物理层实现是什么？TF中有哪些op，以及各自的适用场景是

importorg.apache.spark.SparkConf;importorg.apache.spark.api.java.JavaPairRDD;importorg.apache.spark.api.java.JavaSparkContext;importorg.apache.spark.api.java.function.VoidF

  本篇博客将介绍SparkRDD的Map系算子的基本用法。  1、map    map将RDD的元素一个个传入call方法，经过call方法的计算之后，逐个返回，生成新的RDD，计算之后，记录数不会缩减。示例代码，将每个数字加10之后再打印出来， 代码如下importjava.util.Arrays;im

!(https://static.oschina.net/uploads/space/2020/0702/190947_Fixv_4501957.jpg)GBDT(GradientBoostingDecisionTree，梯度提升决策树)是工业界广泛应用的机器学习算法，而XGBoost则是著名华人学者陈天奇发起并被工业界广泛应用的开源GBDT工

process算子：处理每个keyBy（分区）输入到窗口的批量数据流（为KeyedStream类型数据流）示例环境java.version:1.8.xflink.version:1.11.1示例数据源（项目码云下载）Flink系例之搭建开发环境与数据(https://my.oschina.net/u/43

maxBy聚合：获取一组数据流算子中最大的记录行（和max的区别，max是返回计算字段的最大值）示例环境java.version:1.8.xflink.version:1.11.1 示例数据源（项目码云下载）Flink系例之搭建开发环境与数据(https://my.oschina.net/u/437309

TiDBSQL查询优化器重构更好的支持TopN查询支持Join算子根据代价自动选择更完善的ProjectionEliminationSchema版本检查区分Table，避免DDL干扰其他正在执行的事务支持BatchIndexJoin

此基础知识仅为个人学习记录，如有错误或遗漏之处，还请各位同行给个提示。概述TFLite主要含有如下内容：（1）TFLite提供一系列针对移动平台的核心算子，包括量化和浮点运算。另外，TFLite也支持在模型中使用自定义算子。（2）TFLite基于FlatBuffers定义了一种新的模型文件格式。FlatBuffers类似于protoco

一、FlinkState概念State用于记录Flink应用在运行过程中，算子的中间计算结果或者元数据信息。运行中的Flink应用如果需要上次计算结果进行处理的，则需要使用状态存储中间计算结果。如Join、窗口聚合场景。Flink应用运行中会保存状态信息到