分类目录归档：学习
分库：将表按照某种规则拆分到多个数据库中，来保证系统的稳定和性能
分表：将表中数据按照某种规则拆分到多张表中，提升查询效率
分库分表的原因
单表超 500 万行，或容量超 2GB 时推荐分库分表——阿里开发手册
分库分表的常见方法
将某个库中的表拆分到多个库，一般按照业务维度拆分
优点：降低单数据库服务的压力，增加系统可用性；业务清晰，
用美国股票总市值与 GDP 的比值来衡量股票市场的估值
巴菲特认为，当该指标介于0.9和1之间，则市场被视为估值合理，而当该比率超过1.2则认为估值过高，在该指标接近2时买入美股，相当于“玩火”
20240710：“巴菲特指标”升至 1.96，达到 2021 年底以来的最高水平
估值 =（3 年平均增速 x 100+10）x 确定性
确定性定为一个范围在 0-1.3
PageRank 是早期 Google 搜索的核心算法，决定了搜索结果中的网页展示顺序
PageRank 核心思想：
$$PR(j) = \sum_{i \rightarrow j} \frac{PR(i)}{l_i}$$
上式最大的问题在于忽略了"不存在外链的特殊页面"
因此 PageRank 算法引入了阻尼系
背景故事：啤酒与尿布
Aprior 算法的 3 个关键评价指标：
$$ Support(X,Y) = P(XY) = \frac{number(XY)}{num(All Samples)} $$ 2. 置信度（Confidence）：商品 Y 出现后，商品 X 出现的概率 $$ Confidence(X \Leftarrow Y) = P(X|Y)=P(XY)/P(Y) $$ 3. 提升度（Lift）：商品 X 出现的情况中，商品 Y 也出现的概率 $$ Lift(X \Leftarrow Y) = P(X|Y)
K 近邻算法（k-nearest neighbors, KNN）是一种很基本的机器学习方法
算法步骤：给定样本，寻找最近的 K 个样本进行（分类/回归）预测
KNN的 3 个核心要素：
KNN 的主要优点：
前置知识：图论基础
代码实践：图特征工程_Python实现
度中心性 (Degrree Centrality)：
特征向量中心性 ( Eigenvector Centrality)： $$ c_v=\frac{1}{\lambda}\sum_{u\in N(v)}c_u $$
介数中心性
PyG (PyTorch Geometric)，基于 PyTorch 编写和训练图神经网络 (GNN)
NetworkX 是一个 Python 包，常用于创建、操作和挖掘图/复杂网络
本教程默认使用 NetworkX=3.2.1
G = nx.Gr模型融合（model merging）：
思考：如何验证模型融合的合理性？ （此处