人工智能
【WGCNA学习笔记】两次相关性分析
纸上得来终觉浅，绝知此事要躬行
学习要明确输入输出，多举例子，多找到应用场景，多进行检索练习——费曼学习法
之前总感觉WGCNA已经学习的差不多了，已经能够实际使用了，结果时间一长，就会把这个技能给生疏了，所以，记录下学习的过程，有助于自己的认识深入。
学习金字塔
WGCNA的两次相关性分析
第一次相关性分析
WGCNA第一次实际上是把众多的基因进行了一个归类，将具有
Sending build context to Docker daemon 数据很大
正在部署一个docker软件
进行docker build的时候发现文件非常大
Sending build context to Docker daemon xxGB
心中出现疑虑为何会这么大，是不是把自己有个文件夹几个T的数据也传过去了。查了一下果然
Docker client会发送Dockerfile同级目录下的所有文件到Dockerdaemon。
解决的方式：
在一个新的文件夹中进行
深度学习&PyTorch 之 DNN-回归
前面文章讲了PyTorch的基本原理，本篇正式用PyTorch来进行深度学习的实现。
一、基本流程
PyTorch建模的基本流程如下：
graph LR
A[数据导入] --> B[数据拆分]
B[数据拆分] --> C[Tensor转换]
C[Tensor转换] --> D[数据重构]
D[数据重构] --> E[模型定义]
E[模型定义] --> F[模型训练]
最新7+非肿瘤生信，机器学习筛选关键基因+样本验证。目前机器学习已经替代WGCNA成为筛选关键基因方法。非肿瘤生信分析欢迎咨询！
影响因子：7.31
关于非肿瘤生信，我们也解读过很多
目前非肿瘤中结合热点基因集，免疫浸润，机器学习，分型的分析是比较先进的。有需要的分析的朋友欢迎交流！！
研究概述：
心房颤动（AF）是缺血性卒中的主要危险因素，而仅凭临床特征和神经影像学表现都不能可靠地分类心源性栓塞性卒中（CE）。本研究旨在确定在心房颤动相关心源性栓塞性卒中（AF-CE）患者中具有诊断价值的新型潜在生物标志物，区
检验正态分布方法的汇总
在数据分析过程中，往往需要数据服从正态分布，正态分布，也称“常态分布”，又名高斯分布，在求二项分布的渐近公式中得到。很多方法都需要数据满足正态分布，比如方差分析、独立t检验、线性回归分析（因变量）等。如果说没有这个前提可能会导致分析不严谨等等。所以进行数据正态性检验很重要。那么如何进行正态性检验？接下来进行说明。
一、检验方法
SPSSAU共提供三种正态性检验的方法，分别是描述法
第五十九章 使用 ^PERFSAMPLE 监控进程 - 收集样本
第五十九章 使用 ^PERFSAMPLE 监控进程 - 收集样本
本主题介绍 ^PERFSAMPLE 实用程序，这是一种用于分析 IRIS® 数据平台流程的工具。该实用程序处理实时系统上的活动，并呈现采样活动的易于导航的细分，这可以提供对系统的洞察力。例如，可以通过检查 ECP 请求来发现应用程序瓶颈，或者通过查看等待事件的类型来识别整个系统的瓶颈。
要开始，请从感兴趣的 IRIS 实例上的 %S
8 Spring异步通信-Kakfa
前言：为什么选择Kafka？
Kafka 相对于其它消息系统的优点
支持集群模型，扩展性好。scalability
将 Topic 分区到所有实例上，容错性好。resilient
Kafka 的特点
使用 topic 发布/订阅 消息。
Topic 支持副本，分布在不同机器上。
集群的节点可以是多个 topic 的分区的 Leader 节点，而不是整个 topic 的 leader 节点。
Genspark：重新定义搜索体验的AI智能体引擎
关于我们 飞书-华彬智融知识库
由前百度高管景鲲（Eric Jing）和朱凯华（Kay Zhu）联合创立的AI搜索引擎Genspark，正以革命性的技术架构和用户导向的设计理念，为全球用户带来一场搜索体验的范式革命。本文将基于Genspark官网及权威媒体报道，深度解析其核心功能、技术优势
