SIFT特征原理简析（HELU版)
SIFT(Scale-Invariant Feature Transform)是一种具有尺度不变性和光照不变性的特征描述子，也同时是一套特征提取的理论，首次由D. G. Lowe于2004年以《Distinctive Image Features from Scale-Invariant Keypoints[J]》发表于IJCV中。
Hive安装使用
文档及下周网址
官网http://hive.apache.org
文档https://cwiki.apache.org/confluence/display/Hive/GettingStarted https://cwiki.
JHipster开发环境安装
这里采用官方推荐的Yarn安装方法，默认操作系统为CentOS 7.4。
1 安装JDK
推荐版本：OpenJDK 1.8.0-64bit。
完整安装说明，请参考这里
2 安装Nodejs
推荐版本： v8.
Bagging与方差
在集成学习中，通常认为Bagging的主要作用是降低方差，而Boosting的主要作用是降低偏差。Boosting能降低偏差很好理解，因为其原理就是将多个弱学习器组合成强学习器。但Bagging为什么能降低方差？或者说，为什么将多个强学习器组合起来方差就会降低？这是本篇想要探讨的问题，而在这之前我认为有必要先搞清楚方差和偏差的基本概念。
EB级计算平台调度系统伏羲 DAG 2.0: 构建更动态更灵活的分布式计算生态
伏羲（Fuxi）是十年前创立飞天平台时的三大服务之一（分布式存储 Pangu，分布式计算 MaxCompute（内部代号ODPS），分布式调度 Fuxi），过去十年来，伏羲在技术能力上每年都有新的进展和突破，2013年5K，2015年Sortbenchmark世界冠军，2017年超大规模离在/在离线混部能力，2019年的 Yugong 发布并且论文被VLDB2019接受等。
