在树形递归查询这篇文章，我记录了使用CTE语法查询树形结构的办法。在一个树形结构中，每一个节点最多有一个上级，可以有任意个数的下级。因为图可能存在loop结构，所以在使用CTE递归的过程中，必须要破环，否则算法就会进入无限递归，永不结束。存储和查询图结构，

传统KNN缺点：数据量特别大时，需要计算参考点和每个样本点的距离，计算量非常大，所以提出一种优化算法-----kd-tree.kd树是一种对k维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。kd树是是一种二叉树，表示对k维空间的一个划分，构造k

目标跟踪是机器视觉中一类被广为研究的重要问题，分为单目标跟踪与多目标跟踪。前者跟踪视频画面中的单个目标，后者则同时跟踪视频画面中的多个目标，得到这些目标的运动轨迹。例如，在自动驾驶系统中，目标跟踪算法要对运动的车、行人、其他动物的运动进行跟踪，对它们在未来

经过传统切割算法处理，会无法获取图片结构信息，最终只会当成一张图片处理。那是否能引入AI来解决这个问题呢，我们来看一下，目前使用AI并拿到比较不错结果的解法是fcn+crf，基本上能够把目标物体的前景轮廓框出来，但缺点也很明显：。准确率只有80%左右边缘切

PostgreSQL GiST索引支持排序接口，可以支撑空间、标准、数组、文本向量、文本等类型的排序。数据库目前支持哪些排序操作符，可以参考：《PostgreSQL 如何确定某个opclass支持哪些操作符，JOIN方法，排序》

我们用一些工具对数据进行降维，看看结果会怎样，PCA会解决这个问题。NMF在分解图像时经常会发现有用的“部分”来表达整体，并且在MNIST数据集或人脸识别数据集中产生有趣的结果。import numpy as npimport matplotlib.pyp

启发式算法是一种基于直观或经验的构造的算法，对具体的优化问题能在可接受的计算成本内，给出一个近似最优解，这个近似解与真实最优解的偏离程度一般不能被预计。由于 NP 问题一般的经典算法求解效率过低甚至无法求解，从而促使了启发式算法的诞生。启发式算法不是一种确

但是由于从事的云计算和大数据方向的工作，所以平时只是作为自己的兴趣领域看了一些相关的入门级资料。最近事业部的同事在讨论文物保护的风险识别问题，不自觉地想到能否将深度机器学习运用到文物保护的风险识别中，于是做了一些较深入的研究，设计了一个基于深度机器学习DB

即由输出数据理论上不能推导出输入数据。当输入数据变化极小时，输出数据也会发生明显的变化。由于信息摘要有上述特点，一般保证数据的完整性，对一个大文件进行摘要运算，得到其摘要值。