近期，就在2月15日，国内IT界有搞出个大瓜，Teradata以对中国当前及未来商业环境的不确定性，慎重考虑后决定退出中国运营，后续将进入中国公司关闭程序。Teradata是一家有着40多年历史的数据仓库企业，被业界专业人事称为“数仓人才的黄埔军校”， 在大数据领域一直保持全球领先的地位。它在1997年正式进入中国，并率先在金融、电信领域推出自己的数仓产品，由于当时国内软硬件基础不太好，信息化行业又面临着迅速数据膨胀等因素，使Tearadata很快在中国铺开市场，直到近期的退出，在国内还保留着众多的使用单位及市场。下面谈谈对这一事件的看法及国产数据仓库产品的机会。1、Teradata退出，个中
近期，就在2月15日，国内IT界有搞出个大瓜，Teradata以对中国当前及未来商业环境的不确定性，慎重考虑后决定退出中国运营，后续将进入中国公司关闭程序。Teradata是一家有着40多年历史的数据仓库企业，被业界专业人事称为“数仓人才的黄埔军校”， 在大数据领域一直保持全球领先的地位。它在1997年正式进入中国，并率先在金融、电信领域推出自己的数仓产品，由于当时国内软硬件基础不太好，信息化行业又面临着迅速数据膨胀等因素，使Tearadata很快在中国铺开市场，直到近期的退出，在国内还保留着众多的使用单位及市场。下面谈谈对这一事件的看法及国产数据仓库产品的机会。1、Teradata退出，个中
这篇笔记依然属于TD算法的范畴。Multi-Step-TD-Target是对TD算法的改进。9.Multi-Step-TD-Target9.1ReviewSarsa&Q-LearningSarsa训练动作价值函数\(Q_\pi(s,a)\)；TDTarget是\(y_t=r_t+\gamma\cdotQ_\pi(s_{t+1},a_{t+1})\)Q-Learning训练最优动作价值函数Q-star；TDTarget是\(y_t=r_t+\gamma\cdot\mathop{max}\limits_{a}Q^*({s_{t+1}},a)\)注意，两种算法的TDTarget的r部分都只有一个奖励
这篇笔记依然属于TD算法的范畴。Multi-Step-TD-Target是对TD算法的改进。9.Multi-Step-TD-Target9.1ReviewSarsa&Q-LearningSarsa训练动作价值函数\(Q_\pi(s,a)\)；TDTarget是\(y_t=r_t+\gamma\cdotQ_\pi(s_{t+1},a_{t+1})\)Q-Learning训练最优动作价值函数Q-star；TDTarget是\(y_t=r_t+\gamma\cdot\mathop{max}\limits_{a}Q^*({s_{t+1}},a)\)注意，两种算法的TDTarget的r部分都只有一个奖励
大学的时候学过web前端的课，但是主要是讲大框架，对于具体的一些概念没有讲那么细。最后交大作业项目就是用到啥了现场百度啥。现在工作了，虽然也写了一些页面，接触了echarts，axios，也用过vue+elementui等等，但是发现很多前端的概念我并不懂，还是一知半解的状态。再加上最近是有考虑这两年要不要换个工作，打算开始学习前端，从基础开始。相信要是能坚持下去，哪怕不跳槽，也能帮助我后面更好更顺利地写前端。主要在看黑马的前端宝典，根据上面的问题发散一下，主要是在纸质版资料上补充学习。有些不方便写在纸上的知识点也在这里也记录一下吧。 HTML表格（table、tr、td、th、thead、t
大学的时候学过web前端的课，但是主要是讲大框架，对于具体的一些概念没有讲那么细。最后交大作业项目就是用到啥了现场百度啥。现在工作了，虽然也写了一些页面，接触了echarts，axios，也用过vue+elementui等等，但是发现很多前端的概念我并不懂，还是一知半解的状态。再加上最近是有考虑这两年要不要换个工作，打算开始学习前端，从基础开始。相信要是能坚持下去，哪怕不跳槽，也能帮助我后面更好更顺利地写前端。主要在看黑马的前端宝典，根据上面的问题发散一下，主要是在纸质版资料上补充学习。有些不方便写在纸上的知识点也在这里也记录一下吧。 HTML表格（table、tr、td、th、thead、t
Sentieon开发的Hap-eval准确率评估工具在设计之初就考虑到了复杂以及重复的基因组区域，采用了基于单倍型拼接序列的矩阵比较模式，兼容包括PacBio和ONT在内的主流三代长读长测序数据。另外值得一提的是，Hap-eval基于python所写，运行效率非常高，速度快，非常适用于大规模分析场景。开源地址：https://github.com/Sentieon/hap-eval工具介绍：Sentieon的研发团队开发了SV评估软件Hap-eval。Hap-eval基于单倍型(haplotype)对两组SV结果进行比较，首先会将比较区块内的SV拼接成单倍型序列，如果SV的结果中有定相信息，在
Sentieon开发的Hap-eval准确率评估工具在设计之初就考虑到了复杂以及重复的基因组区域，采用了基于单倍型拼接序列的矩阵比较模式，兼容包括PacBio和ONT在内的主流三代长读长测序数据。另外值得一提的是，Hap-eval基于python所写，运行效率非常高，速度快，非常适用于大规模分析场景。开源地址：https://github.com/Sentieon/hap-eval工具介绍：Sentieon的研发团队开发了SV评估软件Hap-eval。Hap-eval基于单倍型(haplotype)对两组SV结果进行比较，首先会将比较区块内的SV拼接成单倍型序列，如果SV的结果中有定相信息，在
###01.序列比对nohupnucmer--mum-c100-l50-g1000-t12$ref$qry&>step1.log&#--mincluster/-c用于聚类的匹配最低长度，默认65#--minmatch/-l单个匹配最小长度#--maxgap/-g:两个相邻匹配间的最大gap长度，默认90-----------------------------------------------------------------------------------------mum Useanchormatchesthatareuniqueinboththereferenceandquery
###01.序列比对nohupnucmer--mum-c100-l50-g1000-t12$ref$qry&>step1.log&#--mincluster/-c用于聚类的匹配最低长度，默认65#--minmatch/-l单个匹配最小长度#--maxgap/-g:两个相邻匹配间的最大gap长度，默认90-----------------------------------------------------------------------------------------mum Useanchormatchesthatareuniqueinboththereferenceandquery
