通過(guò)Flink官網(wǎng)可以看到Flink里面就默認支持了不少sink，比如也支持Kafka sink connector（FlinkKafkaProducer），那么這篇文章我們就來(lái)看看如何將數據寫(xiě)入到Kafka。

上一篇文章介紹了 Flink Data Sink，也介紹了 Flink 自帶的 Sink，那么如何自定義自己的 Sink 呢？這篇文章將寫(xiě)一個(gè) demo 教大家將從 Kafka Source 的數據 Sink 到 MySQL 中去。

Source 就是數據的來(lái)源，中間的 Compute 其實(shí)就是 Flink 干的事情，可以做一系列的操作，操作完后就把計算后的數據結果 Sink 到某個(gè)地方。（可以是 MySQL、ElasticSearch、Kafka、Cassandra 等）。這里我說(shuō)下自己目前做告警這塊就是把 Compute 計算后的結果 Sink 直接告警出來(lái)了（發(fā)送告警消息到釘釘群、郵件、短信等），這個(gè) sink 的意思也不一定非得說(shuō)成要把數據存儲到某個(gè)地方去。其實(shí)官網(wǎng)用的 Connector 來(lái)形容要去的地方更合適，這個(gè) Connector 可以有 MySQL、ElasticSearch、Kafka、Cassandra RabbitMQ 等。

在 Data Source 介紹 文章中，我給大家介紹了 Flink Data Source 以及簡(jiǎn)短的介紹了一下自定義 Data Source，這篇文章更詳細的介紹下，并寫(xiě)一個(gè) demo 出來(lái)讓大家理解。

Data Sources 是什么呢？就字面意思其實(shí)就可以知道：數據來(lái)源。 Flink 做為一款流式計算框架，它可用來(lái)做批處理，即處理靜態(tài)的數據集、歷史的數據集；也可以用來(lái)做流處理，即實(shí)時(shí)的處理些實(shí)時(shí)數據流，實(shí)時(shí)的產(chǎn)生數據流結果，只要數據源源不斷的過(guò)來(lái)，Flink 就能夠一直計算下去，這個(gè) Data Sources 就是數據的來(lái)源地。

flink 的安裝參照：flink 簡(jiǎn)單入門(mén)， 我們來(lái)了解下flink的配置文件。

最近開(kāi)始學(xué)習flink相關(guān)的，本文只是講述怎么簡(jiǎn)單的搭建flink以及簡(jiǎn)單的使用一個(gè)demo。

模型評估的相關(guān)方法詳解。模型評價(jià)是指對于已經(jīng)建立的一個(gè)或多個(gè)模型，根據其模型的類(lèi)別，使用不同的指標評價(jià)其性能優(yōu)劣的過(guò)程。常用的聚類(lèi)模型評價(jià)指標有ARI評價(jià)法（蘭德系數）、AMI評價(jià)法（互信息）、V-measure評分、FMI評價(jià)法和輪廓系數等。常用的分類(lèi)模型評價(jià)指標有準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1值（F1 Value）、ROC和AUC等。常用的回歸模型評價(jià)指標有平均絕對誤差、均方根誤差、中值絕對誤差和可解釋方差值等。

深度學(xué)習基礎知識詳解。

機器學(xué)習數學(xué)基礎，學(xué)習機器學(xué)習的必備知識。