看完了代码部分，这节课又将告一段落了。这是我们关于自然语言处理的第二节课程，当然这两节课程只是介绍了自然语言处理浩如烟海的知识中很小的一部分，但是我希望通过这两小节课程的学习，你能够对自然语言处理有一个初步的了解。在这节课里面，我们介绍了 Word2Vec 算法，从原来的 OneHot 编码讲起，到 Word2Vec 的基本原理以及 Word2Vec 的两种工作模式。不过，这里所介绍的都是最浅显的

历史数据变化趋势图，可以用来呈现任何需要的、具有时间序列特征的指标。具体的指标可以基于业务需求选择。影片租赁业务共涉及 3 个主要的业务活动，具体需要考虑的指标为：订单量、交易额、库存量。本案例中，我们选择订单量作为我们分析的指标。指标名称业务逻辑计算逻辑订单量当日出租影片的数量和SELECT * FROM dm_rental_day ORDER BY 日期 ASC交易额当日出租影片的收入和库存量

上一小节，我介绍了案例 2：PyEcharts 历史数据变化趋势图的设计和使用。接下来，让我们进入数据分析与可视化精讲的案例 3：订单商品构成模型图设计和使用。本小节是我们 6 个案例中的第三个案例，该案例在整个数据可视化分析构成模型中的位置如下所示：图 1：章节内容定位上图中，橙色部分是本节我要介绍的内容：订单商品构成模型图。实时监控数据指标卡用于呈现业务和发现业务问题，通常呈现的是业务的整体特

Flask 是一个用 Python 语言开发的、轻量级的、可扩展的 Web 应用程序框架，它基于 Werkzeug WSGI 工具包和 Jinja2 模板引擎进行封装和拓展。Werkzeug WSGI 提供了路由处理、请求和响应封装，Jinja2 则提供模板文件处理。Flask 是 Python 语言三大主流开发框架之一，另外两个分别为 Django 和 Pyramid。了解了 Flask 的常用

这一课时我们终于进入了模型评估环节，这是检验模型效果的重要阶段，直接决定一个模型是进入下一个环节，还是回到上一个环节回炉重炼。我们主要讲了模型的各种评估指标，从一个混淆矩阵出发，衍生出一系列的准确度评测；然后对模型泛化能力进行评估。在评估指标后面，我们又介绍了如何在数据上进行一些优化从而减少评估时产生误差，这部分是准备数据的延伸。在这里需要说明的是，这一课时我们所介绍的模型评估方法中，主要适用于分

本课时，我为你详细介绍了数据分析、数据挖掘、数据可视化和数据可视化分析的概念和体系结构，旨在让你对于数据可视化分析有一个明确的认知。明确了它们的概念，再回到我在本课时一开始提到的业务案例，你是否已经有了明确的答案呢？不妨结合我讲述的知识体系，尝试着寻找答案。欢迎你将你的思考写在留言区，与我和其他同学进行讨论。

这一讲我将带领你学习可视化监控套件 Grafana。Grafana 是一个开源的数据可视化的平台，所以它既不会监控应用，也不会产生监控数据，更不会对接原始数据进行分析存储。。本节内容，会先通过与上一节 Kibana 可视化套件对比，来讲述 Grafana 的核心设计。然后以实战视角，分享应用服务如何使用 Grafana 生成应用监控指标和落地实践。为什么提起 Grafana 的设计，我就会关联上一

容器化（Containerization）通常是指以Docker技术为代表，将操作系统内核虚拟化的技术。和传统的虚拟机相比，容器化具有占用空间更小、性能开销更低、启动更快、支持弹性伸缩以及支持容器间互联等优势。下面介绍 Docker 的几个基本概念。这节课我们首先了解了以 Docker 为代表的容器化技术的基本概念：镜像、容器、数据挂载和网络等。然后讨论了容器化的构建部署需要经历的流程，先创建镜像

我很早就关注了微服务架构，对云原生、微服务、容器化、分布式中间件等都有过深入的研究，同时带领公司团队从零开始，基于 Kubernetes 搭建较为完善的开发、运维部署和容器调度的平台。目前公司的整体业务都在基于这一套架构运行，这让我在 etcd 作为服务注册与发现中心、分布式键值对存储等场景中，积累了大量的实践经验。互联网应用经历了从早期单一架构到垂直架构，再到分布式架构的技术发展过程。在业务体系

1、一切从数据的增删改开始讲起好了，到这一讲为止，我们实际上已经初步的讲解了一下MySQL的整体架构设计原理，大家对于MySQL内部包含哪些组件， 我们平时更新数据以及查询数据的时候，大致都是怎么做的，都已经有一个比较高层次的了解了。另外现在我们初步的了解了MySQL的架构原理之后，还给大家介绍了一些我们的数据库相关的生产经验，就是对于任何一个 项目，数据库都需要选择好合适的机器，同时做好压测，并