从今天开始，我们正式进入 Serverless 的开发阶段。
学习一门新技术，除了了解其基础概念，更重要的是把理论转化为实践，所以学会开发 Serverless 应用尤为重要。考虑到很多刚开始接触 Serverless 开发的同学在短时间很难适应 Serverless 的开发思想，知识也不够体系化，所以我除了带你实现一个 Serverless 应用之外，还会介绍应用开发时涉及的重要知识点，让你更深刻地理解 Serverless，建立属于自己的知识体系。
你好，我是李兵。
在前面的课程中，我们介绍了 JavaScript 中的对象是由一组组属性和值的集合，从 JavaScript 语言的角度来看，JavaScript 对象像一个字典，字符串作为键名，任意对象可以作为键值，可以通过键名读写键值。
你好，我是程远。今天我们来聊一聊容器里僵尸进程这个问题。
说起僵尸进程，相信你并不陌生。很多面试官经常会问到这个知识点，用来考察候选人的操作系统背景。通过这个问题，可以了解候选人对 Linux 进程管理和信号处理这些基础知识的理解程度，他的基本功扎不扎实。
你好，我是李一帆。
今天，我们来聊一个话题，如何开启一段亲密关系。
从陌生到认识、从认识到熟悉、从熟悉又到暧昧、从暧昧到确定关系，在每一个阶段，我们都想和自己喜欢的人更进一步，想要有更亲密的感情。这是每个人谈恋爱的必经之路。
你好，我是王沛。这节课我们一起来学习基本 Hooks 的用法。
如果你用过基于类的组件，那么对组件的生命周期函数一定不会陌生，例如 componentDidMount, componentDidUpdate，等等。如果没有使用过，那也没关系，因为在今天这节课里，你会看到基于 Hooks 去考虑组件的实现，这会是一个非常不同的思路，你完全不用去关心一个组件的生命周期是怎样的。
你好，我是随你们去。今天我们来看看应该怎样去审视照片里的内容。
拍照是一种语言，至少对我来说是这样的。我利用它来传递情绪，展现我所看到的事物，以一种独特的方式和这个世界进行沟通。
你好，我是王磊，你也可以叫我 Ivan。
在上一讲的开头，我提了一个问题：对分布式数据库来说，“强一致性”意味着什么？我们经过分析后得出的结论是这个强一致性，包括数据一致性和事务一致性两个方面。然后，我们介绍了数据一致性是怎么回事儿。那么，今天我们会继续这个话题，谈谈事务一致性。
你好，我是博伟。
今天这节课我们就进入到“基础篇”模块了，通过前面的学习，你已经清楚了做 A/B 测试的基本流程，接下来呢，我会带你去看看在实践中确定目标和假设、确定指标、选取实验单位、估算样本量大小，以及分析测试结果这 5 步，具体应该怎么操作。
你好，我是范学雷。
上一讲，我们讨论了单向散列函数，以及它是怎么解决数据完整性问题的。你还记得它解决问题的背后逻辑吗？就是因为单向散列函数有两个重要的特点：逆向运算困难和构造碰撞困难。
你好，我是徐昊。今天我们来聊聊领域驱动设计中的提练知识的循环。
在上一讲，我们介绍了什么是统一语言，讲了它为什么是领域驱动设计的必要实践，以及为什么统一语言提供了一种更好的协同方式的可能性。
你好，我是杨四昌。
通过前一节课的介绍，我们已经对 5G 涉及的范围和内容有了整体的认识。现在我们进入到“从技术视角看 5G”这个模块的学习，在这里我会用 8 节课的时间与你一起顺着 5G 技术标准和 5G 解决方案这两条主线，从不同角度来了解和学习 5G。
我会在这一年中介绍一些总部在西雅图，或者研发中心里面很重要的一部分在西雅图的 IT 公司。这其中除了微软和亚马逊这样的大鳄以外，还囊括了诸多在不同领域取得一定统治地位的公司们。
063 | 简单推荐模型之一：基于流行度的推荐模型
今天，我们正式进入专栏的另一个比较大的模块，那就是推荐系统。之前我们详细且全面地介绍了搜索系统的各个组成部分。在接下来的几周时间里，我们一起来看推荐系统的技术要点又有哪些。
上次我说到了克雷公司的发展历程，它最初是克雷博士为了研究新一代的基于集成电路的超级计算机而成立的克雷研究公司。
由于产品一度非常领先，克雷研究公司的生意非常不错。然而随着市场需求的变化，公司试图调整经营方向，但克雷博士的兴趣仍然聚焦在研发新型超级计算机上，两者最终分道扬镳。
064 | 简单推荐模型之二：基于相似信息的推荐模型
这周我们开始讲推荐系统。周一的文章中，我们聊了一个最基本的推荐模型：基于流行度的推荐模型。这是一种简单且实用的推荐系统搭建方式，那就是需要对每一个物品的流行度进行估计。
用亚马逊创始人贝佐斯自己的话形容，亚马逊领导力准则是这家公司取得如此辉煌成就的基石。认真学习这些领导力准则，不但有助于理解亚马逊的企业文化，也可以帮助我们分析亚马逊如何取得了这样举世瞩目的成就。
065 | 简单推荐模型之三：基于内容信息的推荐模型
周一的文章中，我们聊了一个最基本的基于流行度的推荐模型。周三我们讨论了基于相似信息的推荐模型。基于相似信息的推荐模型，其核心就是协同过滤的思想，希望能够通过相似的用户或者相似的物品来对当前的场景进行推荐。
我会在这一年中介绍一些总部在西雅图，或者研发中心里面很重要的一部分在西雅图的 IT 公司。这其中除了微软和亚马逊这样的大鳄以外，还囊括了诸多在不同领域取得一定统治地位的公司们。
066 | 基于隐变量的模型之一：矩阵分解
上周我们聊了三个简单的推荐模型，分别是基于流行度的推荐模型，基于相似信息的推荐模型和基于内容特征的推荐模型。
这周，我们来看一类非常重要的推荐模型：基于隐变量的推荐模型。这类模型的优势是对用户和物品信息中的隐含结构进行建模，从而能够挖掘更加深层次的用户和物品关系。
创业公司经常会思考一个问题，就是公司发展到一定规模之后，是否希望被大公司收购。但是被收购就一定万事大吉吗？未必。一个处理不好，就可能导致双方都不开心的局面，Bungie 被微软收购的例子多少可以说明些问题。
067 | 基于隐变量的模型之二：基于回归的矩阵分解
本周我们主要来分享“矩阵分解”的点点滴滴，这是过去 10 年里推荐系统中最流行的一类模型。周一我们讨论了这类方法中最基础的基于隐变量的矩阵分解。这类模型的优势是显式地对用户和物品信息中的隐含结构进行建模，从而能够挖掘更加深层次的用户和物品关系。矩阵分解的流行起源于 10 年前的 Netflix 大赛，当时各类矩阵分解模型都在实际数据中起到了很好的效果。
用亚马逊创始人贝佐斯自己的话形容，亚马逊领导力准则是这家公司取得如此辉煌成就的基石。认真学习这些领导力准则，不但有助于理解亚马逊的企业文化，也可以帮助我们分析亚马逊如何取得了这样举世瞩目的成就。
068 | 基于隐变量的模型之三：分解机
周三我们分享了“基于回归的隐变量模型”，这是在基本的矩阵分解基础上衍生出来的一类模型。这种模型把显式特性和隐变量结合起来，对解决“冷启动”问题有一定作用。
在美国，亚马逊主要作为一个电商和云计算厂商为大家所熟知。这种印象最近两年因为一款智能音箱 Echo 的横空出世，得到了极大的改观，大家发现：原来亚马逊也很擅长制造硬件。
069 | 高级推荐模型之一：张量分解模型
上周我们分享了推荐系统中矩阵分解的点点滴滴，简单复习一下讨论过的三个模型。
第一，“基于隐变量的矩阵分解”，其优势是显式地对用户和物品信息中的隐含结构进行建模，从而能够挖掘更加深层次的用户和物品关系。
智能音箱 Echo 是一个自 2011 年起就一直存在的研发项目，但是优先级一直很低。Fire Phone 作为硬件研发团队 Lab126 的重点研发项目却最终惨败，让亚马逊的 Lab126 士气低迷。
070 | 高级推荐模型之二：协同矩阵分解
周一我们讨论了“张量分解”模型。这种模型的特点是能够把不同的上下文当作新的维度，放进一个张量中进行建模。虽然张量分解是矩阵分解在概念上的一种直觉扩展，但其在现实建模的过程中有很大难度，最大的问题就是张量分解的求解过程相对比较复杂，不同的分解方法又带来不同的建模选择。
作为智能音箱核心功能的语音交互，或者更通俗的说是“语音助手”，对 Echo 来说是最重要的一个模块。在 Lab126 研发音箱的早期，Echo 既是音箱的代名词，也是语音助手的代名词。由此可见，语音助手并非一开始就作为独立模块存在。
071 | 高级推荐模型之三：优化复杂目标函数
周三我们讨论了协同矩阵分解，其主要思想就是解决多个两两关系的矩阵分解，并且希望能够建立隐变量之间的共享。
今天，我们来看一个稍微不一样的话题，那就是如何优化更加复杂的目标函数。
通过先发优势，亚马逊在智能音箱领域表现非常强劲，获得了近 80% 的市场占有率。在智能音箱诞生的最初两年里，尽管亚马逊一直在发力，其他公司却一直悄无声息，难道是因为智能音箱的研发比较困难？无论如何，这让亚马逊的先发优势持续了两年时间。
072 | 推荐的Exploit和Explore算法之一：EE算法综述
上周，我们聊了一些比较高级的模型，包括张量分解和协同矩阵分解，讨论这些模型如何能够抓住更多的用户和物品之间的关系。最后，我们还讨论了如何优化更加复杂的目标函数。
前两讲，我们围绕着 npm 和 Yarn 的核心原理展开了讲解，实际上 npm 和 Yarn 涉及项目的方方面面，加之本身设计复杂度较高，这一讲我将继续讲解 CI 环境上的 npm 优化以及更多工程化相关问题。希望通过这一讲的学习你能够学习到 CI 环境上使用包管理工具的方方面面，并能够解决非本地环境下（一般是在容器上）使用包管理工具解决相关问题。
在上一讲中，我通过一个订单系统的示例，展示了 MyBatis 在实践项目中的基本使用，以帮助你快速上手使用 MyBatis 框架。在这一讲，我就来带你搭建 MyBatis 源码调试的环境，并为你解析 MyBatis 的源码结构，这些都是在为后面的源码分析做铺垫。
02｜Sparrow RecSys：我们要实现什么样的推荐系统？
你好，我是王喆。
上节课，我们明确了推荐系统要解决的基本问题，清楚了深度学习推荐系统的技术架构，这节课我们开始走进实战。
02｜吉他&贝斯：跳过枯燥的乐器练习，让你成为吉他手
你好，我是邓柯，欢迎来和我一起玩音乐。
在上一课的开篇词里，我讲过库乐队是非常容易上手的。具体来说，很大一部分原因就在于库乐队自带的自动演奏功能。
02｜晋升流程：你需要通过多少“关卡”才能晋升？
你好，我是华仔。
上一讲我给你介绍了两种常见的职级体系，帮助你从宏观上了解晋升的游戏总规则。但是只掌握总规则还不够，你还需要详细地了解，在一次晋升流程中到底需要经过哪些关卡，因为这些关卡直接决定了哪些人能晋升，哪些人不能晋升。
02丨DBMS的前世今生
上一讲我们介绍过两个 IBM 研究员在 1974 年发表了一篇有关结构化英语查询语言的论文，并将这门语言命名为 SEQUEL。SEQUEL 的语言标准是开放的，但是围绕它的商业化竞争却从来没有停止过。首先因为商标之争，SEQUEL 改名为 SQL，后来有一个重量级的公司基于那篇论文研发出了商业化的数据库管理软件，这就是 Oracle。自此之后，又诞生了一堆大家熟知的 DBMS，比如 MySQL、SQL Server、PostgreSQL、DB2 和 MongoDB 等。
02丨性能综述：TPS和响应时间之间是什么关系？
我们在上一篇文章中讲了性能测试的概念，肯定会有人觉得，那些概念很重要，怎么能轻易抹杀呢？那么，在今天的文章中，我们就来扒一扒性能场景，看看概念与实际之间的差别。
02丨学习数据挖掘的最佳路径是什么？
上一节中，我给你分享了数据分析的全景图，其中最关键的部分就是数据挖掘，那什么是数据挖掘呢？
想象一下，茫茫的大海上，孤零零地屹立着钻井，想要从大海中开采出宝贵的石油。
03｜掌握考试思维：成为一个特别会考试的人
学习是有方法的，按照正确的方法练习，每个人都可以成为学霸。
大家好，我是冷冷。
今天要跟大家分享的是，如何掌握考试思维，做到“特别会考试”。