簡單介紹Istio
What is Istio?
1. Is a service mesh, implement network mechanism
service mesh 基本上是透過在 Pod 上面做 Sidecar
把網路相關的工作剝離出來，讓工程師可以專注在開發上
而網路的控管像是 Gatewway，經過 pod 的 request 都是經由 Sidecar 轉發給 pod。
2. Integrate with many observability tools
不只可以做網路，還可以整合各種第三方的觀察工具
(e.g. Prometheus, Kiali, Grafana, etc.)。
3. Handle microservice challenges
在 microservice 架構下當 service/pod 一多，要去管控各個 service 間的網路連線是非常頭痛的
但是透過Istio可以負責解決網路的事情，並由control plane統一管理和設定。
可以從上方看到，每個Pod裡面有兩個container，一個是Service另一個是Proxy，而Istio主 ...
一次搞懂Java中的equals()和hashCode()
前言
如果你想要自定義物件判斷是否相等的邏輯，就改equals吧！
如果你想要修改HashMap或是HashSet中，不重複物件的邏輯，那就修改hashCode吧！
在物件導向的世界裡面，勢必逃不了自己建立的物件（你可能把某些功能包起來，放在某個class裡面）又或是想要建立一個Employee.class這樣的類別，方便你建立員工的資料存入資料庫中。
而這些xxxx.class都其實繼承Object，可以說是Object是所有Java類別的超類(Abstract Class)，而我會想寫這篇的原因是因為，剛好碰到需要自定義HashSet的需求，修改放入Set的自定義物件時，判斷物件是否相等的邏輯。
什麼意思呢？簡單來說，在程式語言中，我希望不要採用Object本身的hashCode和equals方法，我希望只要某些屬性的值一樣，我就視這個物件已經存在於Set裡面。而不是比較記憶體中的位置、所有屬性的value都要一樣等，我希望自定義物件相等的邏輯判斷。
如果你好奇…
我複寫equals的方法為什麼還要管hashCode?
equals跟hashCode的關係是什麼？
那你可以參 ...
德國簽證教學, 可能碰到的問題, 要準備什麼文件？
背景
簽證地點
德國簽證文件準備
Q: 留學生需要準備什麼資料和文件？
Q: 親自前往申請時要注意什麼？
Q: 簽證中關於保險需要注意什麼？
Q: 關於簽證後居住的注意事項？
Q: 可持學生簽證於求學期間工作？
實際前往狀況
當天有哪些烏龍
參考資源
背景
為什麼申請簽證？
因為台科大資管系剛好2023/3月與德國HKAs談雙聯。申請上後，2023/9準備前往德國雙聯，大約為期一年的時間，因此需要申請大概為期一年的簽證，然後在這邊做記錄說申請簽證的整個準備過程和心得。
簽證地點
💡 請注意以下資訊：
德國在台協會辦公時間、電話、地址及交通指南
住址：11049臺北市信義路五段7號33樓 (33F, No. 7, Xinyi Rd., Sec.5, Taipei 11049)
時間：需提前30分鐘到101(算上迷路時間)
要帶錢：約3000台幣(當時付了$2450 NTD)
提前時間：三個月
德國簽證文件準備
Q: 留學生需要準備什麼資料和文件？
切記注意：不要把以下文件訂起來，但是如果有把順序排好的話，作業流程會快很多。
順序大概是：申請表格 > 護 ...
我的第一篇blog - Hexo架設的樣式設計 - 基於Butterfly
前言
這是我在建立過程中，設置的一些小細節，如果我的文章有幫助到你的話，希望可以在下面留言:D
給我一個“讚”～
修改 home aside 樣式
整體寬度
前往themes/butterfly/source/css/_layout/aside.styl 找到 card-widget 的樣式，然後修改成以下樣式。
1234567.card-widget @extend .cardHover position: relative overflow: hidden margin-top: 20px margin-left: 15px # 添加這個 padding: 20px 24px
tag
前往themes/butterfly/source/css/_layout/aside.styl找到 card-tag-cloud 的樣式，然後修改成以下樣式。
123456789101112131415161718192021222324252627282930.card-tag-cloud a display: inline-block; margin: 0.2rem ...
資料分析概念大全 - TF, IDF, TF-IDF, Text Classification 樣樣來
一句話解釋TF-IDF『用來從一段文字/一個語料庫中，給越重要的字詞/文檔，越高的加權分數』
TF-IDF
你看，TF - IDF ，前面的TF是Term Frequency的縮寫，後面的IDF是Inverse Document Frequency的縮寫，合在一起則說明了它如何計算出誰是相對比較重要的字詞。
TF-IDF 有點像是互相牽制的感覺，前面的TF是Term Frequency的縮寫，後面的IDF是Inverse Document Frequency的縮寫。
綜合兩個公式值相乘，便得到我們今天介紹的TF-IDF值
字詞的重要性隨著 在文本出現的頻率越高則越高(TF)；在不同文本檔案間出現的次數越高則反而降低(DF)。
更白話一點：一個單字在一篇文章中出現的次數越多，那麼這個單字就越重要，但是如果這個單字在其他文章中也出現很多次，那麼這個單字就越不重要。
Term Frequency (tf)
上圖取自：【資料分析概念大全｜認識文本分析】對文本重點字詞加權的TF-IDF方法
我們先把拆解出來的每個詞在各檔案出現的次數，一一列出，組成矩陣。
nt,d{n_{t,d} ...