TCB里的stack成员隐含了线程的执行代码信息，因为当任务切换时，stack将保存被切换线程的PC指针，PC是指向线程的当前执行代码的。next_id：下一资源的ID，它是一个空闲链表指针，指向下一个空闲资源的编号，属于资源ID的一部分。当某个资源空闲时，id的高16位表示该资源在资源池的编号，分配后表示该资源的ID。线程控制块是一种资源，id表示该线程的资源ID。aCoral线程状态切换图。

（）（）代表元组数据类型，是一种不可变序列例如：a = (1,2,3)[][]代表list列表数据类型例如：list(‘python’){}{}代表字典数据类型，由键值对组成，“：”分开键值，“，”分开每一对。例如：dic = {‘john’:‘boy’,‘lili’:‘girl’}...

数据挖掘的定义：数据挖掘（Data Mining）DM，是从大量的、有噪声的、不完全的、模糊和随机的数据中，提取出隐含在其中的，人们事先不知道的、具有潜在利用价值的信息和知识的过程。这个定义包含几层含义：数据源必须是真实的、大量的、含噪声的发现的是用户感兴趣的知识发现的知识要可接收、可理解、可运用不要求放之四海而皆准的知识，仅支持特定的问题数据挖掘是从数据中发掘知识的过程，在这个过程中，在这个过程

等精度测量：在同一条件下进行的一系列重复测量称为等精度测量真值：被测量本身所具有的真正值称为真值，真值是一个理想的概念，一般是不知道的。误差（1）系统误差在同一条件下，多次测量同一量值时绝对值和符号保持不变，或在条件改变时按一定规律变化的误差称为系统误差。引起系统误差的主要因素有：材料、零部件及工艺的缺陷，标准量值、仪器刻度的不准确，环境温度，压力的变化，其它外界干扰。（2）随机误差在同一测量条件

回归算法回归算法实际上是一个迭代算法。R²衡量的是1-我们的模型没有被捕获到的信息量占真实标签中所带的信息量的比例。R²越接近于1越好。训练好的模型在测试集和训练集上表现的都非常不好——欠拟合欠拟合原因：模型学习到的样本特征太少解决：增加样本的特征数量(多项式回归)过拟合原因：原始特征过多，存在一些嘈杂特征解决：进行特征选择，消除关联性大的特征(很难做)正则化之岭回归线性回归也可以回归出一条曲线因

回归算法回归算法实际上是一个迭代算法。R²衡量的是1-我们的模型没有被捕获到的信息量占真实标签中所带的信息量的比例。R²越接近于1越好。训练好的模型在测试集和训练集上表现的都非常不好——欠拟合欠拟合原因：模型学习到的样本特征太少解决：增加样本的特征数量(多项式回归)过拟合原因：原始特征过多，存在一些嘈杂特征解决：进行特征选择，消除关联性大的特征(很难做)正则化之岭回归线性回归也可以回归出一条曲线因

数据仓库后端工具主要指的是用来装入和刷新数据的工具，包括：数据提取：从多个外部的异构数据源收集数据数据清理：检测数据中的错误并作可能的订正数据变换：将数据由历史或主机的格式转换为数据仓库的格式装载、排序、汇总、合并、计算视图，检查完整性。并建立索引和分区刷新 将数据源的更新传播到数据仓库中数据仓库只需要两种数据访问：数据的初始装载数据访问传统的异构数据库集成在多个异构数据库上建立包装程序和中介程序

数据挖掘对聚类分析的要求可扩展性：大多数来自于机器学习和统计学领域的聚类算法在处理百条数据时表现出高效率处理不同数据类型的能力：数字型、二元型、分类型、标称型、比率标度型等等发现任意形状的能力：基于距离的聚类往往发现的是球形的聚类，现实中的聚类是任意形状的用于决定输入参数的领域知识最小化：对于高维数据，参数很难决定，聚类的质量也很难控制。处理噪声数据的能力：对空缺值、孤立点、数据噪声不敏感对输入数

数据挖掘能做什么：用更小的成本发现欺诈现象 留住那些最有价值的客户 使组合销售更有效率 发现最有价值的客户在大数据背景下数据挖掘要面临的挑战：数据挖掘分析模型的重构、清洗粒度大小不易把握、数据开放与隐私的权衡数据仓库通过数据清理、数据变换、数据集成、数据装入和定期数据刷新构造大数据挖掘的特性：应用性、集合性、工程性常见的数据挖掘对象：关系型数据库、事物型数据库、面向对象的数据、数据库/多维数据库

数据挖掘的定义：数据挖掘（Data Mining）DM，是从大量的、有噪声的、不完全的、模糊和随机的数据中，提取出隐含在其中的，人们事先不知道的、具有潜在利用价值的信息和知识的过程。这个定义包含几层含义：数据源必须是真实的、大量的、含噪声的发现的是用户感兴趣的知识发现的知识要可接收、可理解、可运用不要求放之四海而皆准的知识，仅支持特定的问题数据挖掘是从数据中发掘知识的过程，在这个过程中，在这个过程