你好，我是傅健。这节课开始，我们聊聊 Spring AOP 使用中常遇到的一些问题。

Spring AOP 是 Spring 中除了依赖注入外（DI）最为核心的功能，顾名思义，AOP 即 Aspect Oriented Programming，翻译为面向切面编程。

你好，我是陈亦峰，欢迎你和我一起学英语。

课前朗读

今天我们继续来阅读The Product-Minded Software Engineer这篇文章，我为你精讲文章的第五段。

1. Offering product/engineering tradeoffs upfront

Because they have a strong understanding of the product“why,”as well as the engineering side of things, they can bring suggestions that few other people can. For example, when scoping the effort to build the product, the engineering effort to build a key feature might be significant. Many engineers would start to look for ways to reduce the effort and try to figure out what the impact of the reduced effort would mean for the feature itself.

好诗相伴，千金不换。你好，我是天博。

上一讲我们讲了见情真这个主题下的第一个话题，讲了诗词中的友情，今天我们来聊聊诗词中的爱情。我今天选的是，陆游写给前妻唐婉的两首诗《沈园二首》：

你好，我是吴咏炜。

在前面的几讲里，我们介绍了 Vim 的基本命令和配置。有了这些基本功，单个文件的基本编辑对你来说应该已经不成问题了。不过，显然我们在工作和生活中不可能只用一个文件包打天下，你肯定还会遇到需要同时编辑多个文件的情况。今天，我们就来细细讨论一下这个话题，什么是编辑多个文件的正确姿势。

你好，我是王沛。今天我们来聊聊 React 组件的生命周期。

这一讲我会带你从 Hooks 的角度进一步理解 React 函数组件的生命周期。你可能会有疑问，前面几节课我们已经学习了 Hooks 的概念和内置 Hooks 的用法，那为什么还会有专门一讲来进一步介绍 Hooks 呢？

你好，我是徐昊。今天我们来聊聊如何有效地分离领域模型中的上下文。

上节课我们介绍了关联对象，以及如何通过关联对象建模聚合 / 关联关系，从而在不影响性能的情况下，更好地维持领域模型与软件实现的统一。

你好，我是卢誉声。

作为“初识动态规划”模块的最后一课，今天我们不谈具体的解决方案了，我们来聊聊面试相关的话题，做个总结，也为我们后面的深入学习打下一个良好的基础。

你好，我是涵柏。欢迎你跟我继续学习写作。

上节课我们介绍了如何找到一个好的写作主题。紧接着我们就要解决第二个问题了，如何为这个主题搭建一个好的结构。

你好，我是随你们去。这节课我们来聊聊光。

当我们谈论摄影里的光时，这里面包括了所有的自然光和人造光。我们面对光线一般是两种思路，一种是针对不同的环境光线采用不同的拍摄方法；另一种是针对不同的拍摄内容去挑选不同的环境光线。

你好，我是程远。从这一讲开始，我们进入容器 CPU 这个模块。

我在第一讲中给你讲过，容器在 Linux 系统中最核心的两个概念是 Namespace 和 Cgroups。我们可以通过 Cgroups 技术限制资源。这个资源可以分为很多类型，比如 CPU，Memory，Storage，Network 等等。而计算资源是最基本的一种资源，所有的容器都需要这种资源。

你好，我是范学雷。

上一讲，我们列举了常见的单向散列函数，我们还知道了退役的、遗留的和现行的算法，通过对处理能力限制和算法的性能的讨论，我们对如何选择哈希算法有了更明确的认知。

你好，我是许健。今天我要跟你聊的是我上任第一个礼拜时获得的教训。

这件事情我至今记忆犹新，专门拿出来讲，是因为这个案例可以生动地说明“新官上任”急于求成的风险，给你一个活生生的例子，来看看急于求成办坏事后，该怎么弥补，该如何反思自己、反思别人的过程。

你好，我是博伟。

上节课我们确定了实验的目标、假设以及各类指标，那么今天我们就来讲一讲 A/B 测试的第三步：如何选取合适的实验单位。

前面我提到，A/B 测试的本质就是控制变量实验。既然是实验，那就要有实验单位。毕竟，只有确定了实验单位，我们才能在这个单位层面进行合理的样本分配（Assignment），从而决定哪些样本在实验组（Treatment/Test Group），哪些样本在对照组（Control Group）。

你好，我是李兵。

在前面两节中，我们分析了什么是 JavaScript 中的对象，以及 V8 内部是怎么存储对象的，本节我们继续深入学习对象，一起来聊聊 V8 是如何实现 JavaScript 中对象继承的。

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。

083 | 基于深度学习的推荐模型之三：利用深度学习来扩展推荐系统

这周，我们主要讨论如何利用深度学习来提升推荐系统的精度。我们分别介绍了使用 RBM（Restricted Boltzmann Machines，受限波兹曼机）来对推荐系统建模，和 RNN（Recurrent Neural Network，递归神经网络）在推荐系统中的应用。

英雄无末路，杜菲尔德再创业

2005 年，架不住拉里 · 埃里森（Larry Ellison）带领着甲骨文公司不断提高价码，仁科公司的董事们纷纷“投诚”，卖出了自己手里的股票。仁科公司被顺利地恶意收购了。

复盘 2 | 推荐系统核心技术模块

到目前为止，我们讲完了人工智能核心技术的第二个模块——推荐系统。

整个模块共21期，7大主题，希望通过这些内容，能让你对推荐系统核心技术有一个全面系统的认识和理解，为自己进一步学习和提升打下基础。今天我准备了 21 张知识卡，和你一起来对这一模块的内容做一个复盘。

大卫 · 杜菲尔德（David Duffield）是一个极具传奇色彩的创业人。他先后四次创业，其中三次是以人力资源软件起家的，而且全部成功 IPO。

他创立的第一家人力资源软件公司是 Integral Systems，是在 IBM 大型机上做人力资源开发软件的；第二家是仁科，是在个人计算机上做人力资源软件的；第三家是 WorkDay，是在云端做人力资源软件的。

007 | LDA模型的前世今生

在文本挖掘中，有一项重要的工作就是分析和挖掘出文本中隐含的结构信息，而不依赖任何提前标注的信息。今天我要介绍的是一个叫做LDA（Latent Dirichlet Allocation）的模型，它在过去十年里开启了一个领域叫主题模型。

分析企业有很多种方式，其中一种是看两个维度：远见和执行力。这也是我分析一家企业时常用的办法，它受到了 Gartner 魔力象限图的启发。

Gartner 公司是全球最权威的 IT 研究和顾问咨询公司，通过为客户提供客观、公正的论证报告及市场调研报告，协助客户进行市场分析、技术选择、项目论证、投资决策，为决策者在投资风险和管理、营销策略、发展方向等重大问题上提供重要咨询建议，帮助决策者作出正确抉择。

084 | LDA变种模型知多少

我们在之前的分享中曾经介绍过文本挖掘（Text Mining）中的重要工具 LDA（Latent Diriclet Allocation）的基本原理。在文本挖掘中，有一项重要的工作就是分析和挖掘出文本中隐含的结构信息，而不依赖任何提前标注（Labeled）的信息。也就是说，我们希望能够利用文本挖掘技术来对无标签的数据进行挖掘，这是典型的无监督学习。

如果说在互联网的发展史上，哪些公司需要被载入史册，雅虎必定有它一席之地。很可惜的是，这个诞生于 1994 年，曾经的“互联网第一股”，伴随着 2017 年固定资产被 Verizon 完成收购，已经不复存在了。但是雅虎的故事，还是值得讲一讲的。

085 | 针对大规模数据，如何优化LDA算法？

周一，我们分享了 LDA（Latent Diriclet Allocation）的各种扩展模型，介绍了基于上游的和下游的两种把额外信息融入到 LDA 模型中的方法。同时，我们也讨论了在时间尺度上如何把 LDA 模型扩展到可以“感知”不同的时间段对于模型的影响。以 LDA 为代表的主题模型在过去的十年间发展出了一整套的扩展，为各式各样的应用场景提供了有力的工具。

伴随着互联网泡沫的破灭，雅虎的估值下降了 90%，当时的雅虎 CEO 蒂姆 · 库格尔（Tim Koogle）被迫下台。新上任的 CEO 特里 · 塞梅尔（Terry Semel）来自时代华纳，这之前他在时代华纳工作了 24 年，一直做到了联合 CEO。同时上任的还有新的 CFO 苏珊 · 德克尔（Susan Decker）。在未来的若干年里，CEO 塞梅尔和 CFO 德克尔对雅虎的发展起到了至关重要的作用。

086 | 基础文本分析模型之一：隐语义分析

本周我们分享了文本挖掘中的一个重要工具 LDA（Latent Diriclet Allocation），这是一个出色的无监督学习的文本挖掘模型。

杨致远从建立人工编辑的互联网分类索引，到创立雅虎，再到雅虎上市，用了不到两年的时间。之后他想出通过给厂商做显示广告的方式，让雅虎在第一次互联网泡沫破灭之前赚了很多钱，成了全球访问量最大的网站。

087 | 基础文本分析模型之二：概率隐语义分析

在上一篇的分享里，我们展开了文本分析这个方向，讨论了“隐语义分析”（Latent Semantic Indexing）这个模型。隐语义分析的核心是基于矩阵分解的代数方法。这种方法的好处自然是能够直接利用代数计算方法对文本进行分析，而短板则是无法很好地解释结果。而“解释性”是很多概率模型的一大优势，因此，自然就有很多研究者想到是否能够把概率的语言移植到隐语义分析上。

雅虎曾经是互联网上访问量最大的一个网站，雅虎公司也一度发展为让人艳羡的“互联网第一股”。但是后来雅虎公司的发展却每况愈下，最后被 Verizon 以非常低廉的价格收购了。

088 | 基础文本分析模型之三：EM算法

周一我们分享的模型是“概率隐语义分析”（Probabilistic Latent Semantic Indexing），或者简称为 PLSA，这类模型有效地弥补了隐语义分析的不足，在 LDA 兴起之前，成为了有力的文本分析工具。

有一句话叫作“兵熊熊一个，将熊熊一窝”，这句话还是很有道理的。一个企业发展得怎么样，很多时候需要看企业的那群领导人到底怎么样。透过企业的领导人去分析企业的前景，往往行之有效。

089 | 为什么需要Word2Vec算法？

至此，关于文本分析这个方向，我们已经介绍了 LDA（Latent Diriclet Allocation），这是一个出色的无监督学习的文本挖掘模型。还有“隐语义分析”（Latent Semantic Indexing），其核心是基于矩阵分解的代数方法。接着，我们分享了“概率隐语义分析”（Probabilistic Latent Semantic Indexing），这类模型有效地弥补了隐语义分析的不足，成为了在 LDA 兴起之前的有力的文本分析工具。我们还介绍了EM（Expectation Maximization）算法，这是针对隐参数模型最直接有效的训练方法之一。

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。

090 | Word2Vec算法有哪些扩展模型？

从上一期的分享开始，我们进入到文本分析的另外一个环节，那就是介绍一个最近几年兴起的重要文本模型，Word2Vec。这个模型对文本挖掘、自然语言处理等很多领域都有重要影响。我们讨论了 Word2Vec 模型的基本假设，主要是如何从离散的词包输入获得连续的词的表达，以及如何能够利用上下文从而学习到词的隐含特性。我们还聊了两个 Word2Vec 模型，SG（SkipGram）模型和 CBOW（Continuous-Bag-of-Word）模型，讨论了它们都有什么特性以及如何实现。

通过上一节课的学习，相信你已经知道了 Pod 是 Kubernetes 中原子化的部署单元，它可以包含一个或多个容器，而且容器之间可以共享网络、存储资源。在日常使用过程中，也应该尽量避免在一个 Pod 内运行多个不相关的容器，具体原因在上一节课中也已经详细阐述。

通过上一讲的内容，相信你已经了解了现代化构建流程和处理内容。这一讲，我将结合 Webpack 为主的成熟方案现阶段的“不足”，从源码实现角度带你分析 Vite 的设计哲学，同时为“解析 Webpack 源码，实现自己的构建工具”一讲内容打下基础，循序渐进，最终你将能够开发一个自己的构建工具。

03｜图片转文字：如何提高识别准确率？

你好，我是尹会生。

不知道你有没有遇见过这样的场景：在工作中，你遇见了一个紧急情况，对方给你发了一串儿聊天记录的长截图，当你处理完事情想要复盘的时候，必须要把这些记录处理成文字，然后就发现图片转文字过程中会出现很多问题，还需要自己二次手动校对。

04｜弦乐&民乐：你以为很土，其实很酷

你好，我是邓柯，欢迎来和我一起玩音乐。

今天我们来继续学习弦乐组件、民乐组件和采样器的使用。在正式学习之前呢，我想先跟你聊聊弦乐器和民族乐器的一些背景知识，这对你制作音乐片段会是非常有帮助的。

04丨JMeter和LoadRunner：要知道工具仅仅只是工具

做性能测试工作的人总是离不了性能测试工具，但当我们刚开始接触这类工具或者压测平台的时候，总是难免处在一种顾此失彼，焦虑又没想法的状态。

04丨Python科学计算：用NumPy快速处理数据

上一节我讲了 Python 的基本语法，今天我来给你讲下 Python 中一个非常重要的第三方库 NumPy。

它不仅是 Python 中使用最多的第三方库，而且还是 SciPy、Pandas 等数据科学的基础库。它所提供的数据结构比 Python 自身的“更高级、更高效”，可以这么说，NumPy 所提供的数据结构是 Python 数据分析的基础。