技术专栏 第476页

常见的索引数据结构有：二叉树、红黑树、Hash表、B-Tree，mysql 索引的默认数据结构式是B+Tree，这是B-Tree的一个变种。

当然，这种供需关系更多的是建立在精神层面之上，而非物质。实质上能通过技术公众号获得一份好收入的的可能性其实很低，一些鼓吹自媒体时代到来，自媒体创业万岁的伙伴只是言过其实罢了。技术人大多还是有理想主义的包袱，在精神层面方面的追求更甚。

但是，这样的精神追求受AI，不，准确的说是AGI 技术的影响其实是蛮大的，现在也正在发生一些微妙的变化，简单说呢，就是公众号平台上很多技术大V基本都不怎么写作了。

但是，AI对技术写作的影响只是很小的一方面。

在日常工作或学习中，用户往往需要快速捕获屏幕信息、录音内容并将其转化为可检索的知识，但传统笔记工具或截图应用存在信息分散、整理繁琐的问题。pickle-com/glass 提供了一种隐形桌面 AI 助手解决方案，它可以在不影响屏幕显示、录屏或截图的情况下，实时读取屏幕与麦克风内容，将所见所闻转化为结构化知识，便于用户随时检索和追问。访问平台可参考：
pickle-com/glass。

有些小伙伴在工作中可能会遇到过这样的困惑：

接下来的讨论基于下表t：

接下来，我们将通过一个具体案例，逐步剖析SOLO模式的优势和亮点，帮助大家全面认识它为何如此优秀，如何充分发挥它的潜力。

看了一下时间，今年确实 2025 年，而不是 2015 年。在 2025 时还在聊BP 算法实在有点一言难尽。我在 10 多年前尝试写过贴近的程序，当时写的时候有一些概念没有理解，但代码是写了也能跑，甚至于在当时世界上最快的超级计算机跑了我的代码。但不能理解的部分就是不能理解。最近在散步的时候，我的伙伴
https://github.com/SeWZC 和我说明白了求偏导的数学意义。我当初高数学了3年，别人都是只学一年（因为我不断挂科），那会以为偏导没有什么，于是缺了一个知识点，导致我对 BP 的部分理解错误。尽管代码能跑，也能符合预期进行训练，但里面关于传播算法中，如何计算各个权重参数的过程我是不能全说明白的。我最近理解了偏导的数学意义之后，再到知乎上阅读了 通俗理解神经网络BP传播算法(
https://zhuanlan.zhihu.com/p/24801814 ) 文章，尝试按照知乎文章的给定的内容和方法，自己手算了一遍，我就完全理解了之前我所写的代码了。担心本金鱼会忘了之前的想法，或者担心下次和伙伴聊天的时候又说错了，我就编写了本文。可以认为本文没有给出比 通俗理解神经网络BP传播算法(
https://zhuanlan.zhihu.com/p/24801814 ) 文章更多的内容，只是按照我自己的方式一步步推导和计算。阅读完本文，预期大家能够对神经网络有了更明了的理解。如果大家还是在迷迷糊糊地训练人工智能做玄学的活，那阅读本文可以让大家能够稍微有点落地的感觉，至少大概知道简单的 BP 神经网络是如何工作起来的

如果开始游戏前就先配置好我要玩的英雄的装备购买顺序，那岂不美哉。打游戏的时候，游戏自动提示你要购买的装备，直到你全部装备都买好了。

ECT-OS-JiuHuaShan 框架的形成并非技术迭代，而是
文明认知范式的宇宙级跃迁。其诞生历程跨越三个纪元，融合东方哲学智慧与西方形式科学，最终成就公理驱动认知的终极形态。

客户画像和客户分析是经常会遇到的分析主题，前些年客户画像这个话题一直很火，但怎么画却没几个人能说的清楚。这个PBI的设计，正好给我们一些参考。




第一个页面顶端通过数据卡片展示销量和利润，下面跟一个按照每个月的销量柱图加利润的折线图，边上有一个Region的筛选器。右侧基于产品层面的Treemap。

最下面有by customer, product group和channel的分析。

顶部是按照年度的筛选。

这是个经典的上中下布局。顶部数据卡片显示关键数据，中间和底部通过不同的图表来细化数据。

这个页面是对销量，客户和产品以及利润这几个角度对客户进行分析。




第二个页面拓展到了地理层次，可以直观的看到业绩的分布。

左侧一个地图，右侧首先是一个按照产品层面的绩效分析。接着下边是销量和利润率相关的散点图。最后是从产品层面的，今年销量跟去年销量的柱图分析。

左右布局的经典视图。考虑用到了地图展示数据，所以左侧留有空间比较大。