formatDateTime(def_datetime, '%y') AS def_datetime_year_litter, -- 19（指定日期为19年,Year, last two digits (00-99),本世纪的第19年）formatDateTime(def_datetime, '%M') AS def_datetime_get_minute,-- 20(得到指定事件的“分”，min

sql优化是一项必备技能，为了优化sql任务，则需要明确需要优化的内容。除了经验之外，可以借助工具，查看sql执行过程中的耗时环节，从而针对性的进行优化，本文即为对执行计划的一些基本信息进行了总结学习。

《推荐系统实战》读书笔记1.亚马逊允许用户禁用推荐理由，只要是出于隐私的考虑；2.提供用户对推荐结果的反馈方式：加入到购物车、加入到心愿单、给书打分、我已经拥有、对内容没兴趣；一、推荐系统评测完整的推荐系统一般存在3个参与方：用户、物品提供者和提供推荐系统的网站。一个好的推荐系统是能够令三方互赢的系统。为了全面评测推荐系统对三方利益的影响，常用的评测指标包括：准确率、覆盖率、新颖度...

python操作excel：批量为多个sheet页生成超链接目录需求解决办法需求excel文件内存在多个sheet页，想要将总表中的信息进行关联和对应的sheet页进行关联，可以通过总表部分，快速调到特定的sheet页。一看里边excel里边要为好百个sheet页加超链接，想想都头大。有问题，相应的就有解决问题的对策。解决办法网上其实有很多办法，就不一一说明了。直接总结下自己的处理办法。最基本的原

《AI大模型助你轻松搞定数据分析》摘要 本书系统介绍了AI大模型在数据分析领域的应用方法与实践技巧。内容涵盖Prompt编写技巧、大模型构建方式（提示工程/RAG/精调/预训练）、数据分析思维培养等核心知识。通过费曼学习法、商业模式分析、统计方法等实用案例，帮助读者掌握AI时代的数据分析能力。

机器学习的学习过程，本质上是一个不断试错并修正的过程。模型猜测：基于当前参数做出预测。裁判打分：损失函数计算预测值与真实值的差距，给出一个具体的“错误分数”。自我修正：优化器利用这个分数（通过梯度），反向调整模型参数，试图让下一次的分数更低。Loss 是模型知道它错了的方式；Training 是模型学会少犯错的过程。不要害怕那些复杂的公式。当你下次再看到MSE或时，回想一下那个飞镖游戏：你只是想知

机器学习的学习过程，本质上是一个不断试错并修正的过程。模型猜测：基于当前参数做出预测。裁判打分：损失函数计算预测值与真实值的差距，给出一个具体的“错误分数”。自我修正：优化器利用这个分数（通过梯度），反向调整模型参数，试图让下一次的分数更低。Loss 是模型知道它错了的方式；Training 是模型学会少犯错的过程。不要害怕那些复杂的公式。当你下次再看到MSE或时，回想一下那个飞镖游戏：你只是想知

现在有了ChatGPT，整个处理和分析过程，变成了提问模式，然后粘贴复制，从效率上来说，确实高效了不少，但从自我成长来说，个人觉得喜忧参半，甚至弊大于利。还是要在尽可能的情况下，自己适当多动手、多思考，然后再引用AI来辅助完善，精益求精，从而让工作更上层楼的同时，也让自己持续精进！【触动】最近在用AI生成博文，转念一想，这种依托的方式，对于自己的个人成长积累着实有限，因为自己真正思考的内容很少。：

简单来说，Tool Calling 是一种机制，允许 LLM 决定何时以及如何使用外部函数或 API，而不是仅仅生成文本。关键误区澄清模型不执行代码：LLM 只负责“决策”（选哪个工具，传什么参数）。代码执行逻辑：实际的 API 请求和执行由我们的后端代码完成。闭环反馈：代码将执行结果返回给 LLM，LLM 再根据结果生成最终的自然语言回复。这个过程被称为用户提问。LLM 判断是否需要调用工具，并

对于机器学习模型，评价模型的好坏是十分重要的一环，不同的任务对应的评估指标也有所差异，以更好的评价和比较模型的优劣。诸如分类（classification）、回归(regression)、排序(ranking)、聚类(clustering)、主题模型(topic modeling)等。本文则对不同场景的评估指标进行总结梳理