Bounded Context(限界上下文)是DDD中最难解释的原则，但或许也是最重要的原则。可以说，没有Bounded Context，就不能做DDD。 Bounded Context是领域驱动设计中战略设计的重要组成部分，一定程度上决定了系统的逻辑架构以及集成方式。基于康威定律，Bounded Context的划分也可能会影响项目的组织结构。DDD社区将Bounded Context定义为： 应该显式地定义某个模型所应用的上下文。还应该在团队组织、应用中特定部分的使用以及像代码库和数据库模式等物理表现等
在 Nordstrom 数据实验室度过了两年美好时光以后, 我获得了一个亚马逊网络服务 S3 部门的岗位。我为即将开始的人生新篇章感到兴奋，也为耗时又折磨人的面试过程终于结束松了口气。面试通常包含三种初筛的一种，以及全天的现场面试。这些面试充满压力，因为不知道会被问到什么, 而且对方通常期待你大秀智力，数据科学家正常情况下不太会做这种事（至少不会脱离上下文，仅凭记忆在电话中大秀智力） 。
神经网络学习笔记-04-循环神经网络算法解释 本文是根据WildML的Recurrent Neural Networks Tutorial写的学习笔记。 门控循环单元 - GRUs (Gated Recurrent Units) 先看看计算公式： 计算公式的理解 首先，我们有一个单词集合，包含了常用的单词和标点符号。 这个单词集合，在训练前就已经确定了。因此：单词量在训练和预测的过程中是固定的。比如：8000。 我们想象现在正在学习需要句子，用来自动生成有一定含义的语句。 在训练的过程中，会建立
Zachman框架是John Zachman在1987年提出的，成为工程企业架构中广泛使用的方法。它以信息系统架构框架（frameworkforinformationsystemarchitecture）的名义发表在IBM的系统期刊上。Zachman于1964-1990年在IBM工作，是IBM业务系统规划（BSP）的创始人之一。
刚开始接触学习「DDD - 领域驱动」的时候，我被各种新颖的概念所吸引：「领域」、「领域驱动」、「子域」、「聚合」、「聚合根」、「值对象」、「通用语言」…..总之一大堆有关的、无关的概念从我的脑海经过，其中不乏让我陷入思考的地方，我原以为我会很开心地 “享用” 这些新知识带给我的营养
随着IT技术的日益普及，IT就业市场对云计算的工作岗位需求与日俱增。以下对四个常见的职业生涯以及如何准备面试进行探索。 近年来，许多IT专业人员已经将其简历进行了修改，并微调了他们在云计算方面的职业生涯。 云计算业务将会继续快速增长。根据调研机构Gartner公司的研究报告，公共云服务市场在2017年将增长18%，达到2486亿美元，高于2016年的2092亿美元。各种规模的组织将其业务继续迁移到云端，以利用新的服务和技术。但是，他们需要具备云计算技能的人才来满足他们的业务需求。 想要从事云计算方面的职业
刚开始接触学习「DDD - 领域驱动」的时候，我被各种新颖的概念所吸引：「领域」、「领域驱动」、「子域」、「聚合」、「聚合根」、「值对象」、「通用语言」.....总之一大堆有关的、无关的概念从我的脑海经过，其中不乏让我陷入思考的地方，我原以为我会很开心地 “享用” 这些新知识带给我的营养（参照下图）
安全研究人员指出了云平台可见性不佳面临的风险，并提出了评估谷歌云平台中身份和访问管理（IAM）的一种新策略。
“2019云计算发展状态”的调查对有关企业如何采用云计算进行了深入分析，这个调查的主题包括：企业如何看待云计算的好处和挑战、无服务器和容器等新兴云技术的发展趋势、多云计算的兴起。整体内容请看往期推送《2019云计算发展大调查：企业再穷不能穷“云”》
嘉宾 | 微软中国首席技术官 韦青 采访 | 极客邦科技CEO 霍泰稳 编辑 | 张晓楠
最近的一两个月里，我一直在研究各类的模式：设计模式、架构模式、容器模式，以及其它一些特定领域的模式（如并行计算模式）等等。
AI科技评论按：本文根据郑宇教授在中国人工智能学会AIDL第二期人工智能前沿讲习班＊机器学习前沿所作报告《多源数据融合与时空数据》编辑整理而来，AI科技评论在未改变原意的基础上略作了删减。 📷 郑宇 郑宇，微软研究院城市计算领域负责人、资深主任研究员、上海交通大学讲座教授、中国香港科技大学客座教授、人工智能国际权威期刊 ACM TIST 主编、美国计算机学会杰出科学家，ACM数据挖掘中国分会（KDD China）秘书长。2013年被MIT Technology Reivew评为全球杰出青年创新
本文目录： 一、人工智能（AI）的目标是增强智能（IA），而不是替代人类 二、应对软件架构分而治之带来集成的挑战，探索智能的连接 三、从智能连接入手探索在软件架构中应用人工智能 四、总结 因为 AlphaGo 的出现，过去的 2016 年可谓是人工智能元年。记得当时我们正在苏州封闭研发The Platform，工作之余讨论到人机对战的真正意义，并不在于技术上的突破，而在于对人们固有知识的影响，人工智能的应用会如雨后春笋般诞生，以后没有人工智能的软件你都不好意思开口了。 大家都在问，自己的工作与人工智能有什么
〇、序 之前一段时间，在结合深度学习做 NLP 的时候一直有思考一些问题，其中有一个问题算是最核心一个：究竟深度网络是怎么做到让各种 NLP 任务解决地如何完美呢？到底我的数据在 NN 中发什么了什么呢？ 并且，不少的 terms like： 词向量、word embedding、分布式表示、word2vec、glove 等等，这一锅粥的名词术语分别代表什么，他们具体的关系是什么，他们是否处于平级关系？ 出于对知识结构追求完整梳理的强迫症的老毛病，于是不停地查资料、思考、keep revolving……
在本人的前一篇文章《不要把微服务做成小单体》中，现在很多的微服务开发团队在设计和实现微服务的时候觉得只要把原来的单体拆小，就是微服务了。但是这不一定是正确的微服务，可能只是一个拆小的小单体。这篇文章让我们从这个话题继续，先看看为什么拆出来的是小单体。
事实证明，我们很难预测AI的新进展何时会发生。在1956年的the Dartmouth Summer Research Project研究项目中，科学家们认为也许两个月的时间就足以在一系列复杂的问题上
DDD（领域驱动设计）的一些介绍网上资料很多，这里就不继续描述了。自己使用领域驱动设计摸滚打爬也有2年多的时间，出于对知识的总结和分享，也是对自我理解的一个公开检验，介于博客园这个平台也算是对DDD的推广尽了一份绵薄之力。一开始接触这个东西是在2014年，真的觉得像是发现了一片新大陆一般，对我整个程序开发视野有了新的理解，但是像[Vaughn Vernon]《实现领域驱动设计》里写的那样，景色虽好，可是自己很长一段时间内很混乱，理不清眼前的陌生世界，因为它与传统的观念完全不同。我相信大部分同学刚接触DDD的时候也会有一样的感觉。
在互联网时代，大数据炙手可热，许多人言必称大数据，但能够真正说清大数据为何物的人并不多，更遑论如何借助大数据挖掘出巨大的商业价值。究竟如何定义大数据?大数据有哪些特征?本文旨在厘清大数据概念，阐明大
Yoshua Bengio教授（个人主页）是机器学习大神之一，尤其是在深度学习这个领域。他连同Geoff Hinton老先生以及 Yann LeCun（燕乐存）教授，缔造了2006年开始的深度学习复兴。他的研究工作主要聚焦在高级机器学习方面，致力于用其解决人工智能问题。他是仅存的几个仍然全身心投入在学术界的深度学习教授之一，好多其他教授早已投身于工业界，加入了谷歌或Facebook公司。 这次推荐的是 Yoshua Bengio 的大作 Deep Learning，合计705页。有兴趣的朋友请在后台点击【最
领取专属 10元无门槛券
手把手带您无忧上云
