一、接口 0. 引入 兔子：吃草 青蛙：吃虫子、蛙泳 狗：吃骨头、狗刨 在本案例中，兔子、青蛙和狗都有吃的行为，可以抽取到父类动物中；而兔子不会游泳，青蛙和狗会游泳，接口可以定义这个行为让类来实现 1. 接口概述 接口是一种规则，是对行为的抽象 2. 接口定义格式 接口用关键字 interface 定义 1public interface 接口名 {} 3

一、集合概述 集合的长度可以自动伸缩 集合只能存储引用数据类型 使用泛型 <E> 约束集合中存储元素的数据类型 如果要存储基本数据类型，可以使用对应的包装类 基本数据类型 | 包装类 | |:————:|: ——— :| | byte | Byte | | short | Short | | char | Character | | int | Integer

一、API 1. API 概述 API (Application Programming Interface) ：应用程序编程接口。 Java 中的 API 指的就是 JDK 中提供的各种功能的 Java 类，这些类将底层的实现封装了起来，我们不需要关心这些类是如何实现的，只需要学习这些类如何使用即可，我们可以通过帮助文档来学习这些API如何使用。 2. 如何使用 API 帮助文

1 数据定义语言DDL Data Definition Language：数据定义语言，用来定义数据库对象(数据库，表，字段)。 1.1 库操作 创建数据库： 1CREATE DATABASE [IF NOT EXISTS] 数据库名 [CHARSET = 'utf8']; 显示所有库： 1SHOW DATABASES; 使用指定数据库： 1USE 数据库名; 删

1 绪论 1.1 引言 机器学习：利用经验改善系统自身的性能。 任何经验在计算机内都以数据形式存在。 计算问题分类： P问题：可以在多项式时间（合理时间）内求解 NP问题：在多项式时间内求不出答案，但可以验证一个解 在计算学习理论当中，有一个很重要的理论模型PAC模型。 如果对于任意小的： 误差上限 ε > 0（表示学得多接近真理） 置信下限 1

1 概述 逻辑回归（Logistic Regression）尽管名字中含有“回归”，但逻辑回归实际上是一种分类算法，用于处理二分类问题。逻辑回归通过将线性回归的输出作为输入，映射到[0,1]区间，来表示某个类别的概率。 常用的映射函数是 sigmoid 函数：$𝑓(𝑥)=\frac{1}{1+𝑒^{−𝑥}}$，将线性回归的输出作为输入会得到 {0, 1} 的输出。 $$ 𝑃(�

1 概述 K近邻算法（k-nearest neighbors, KNN）是一种用于分类和回归的非参数统计方法。KNN 算法的原理是从历史数据中找到 $\small{k}$ 个跟新输入的实例最邻近的实例，根据它们中的多数所属的类别来对新实例进行分类或者输出新实例的目标值。K近邻算法没有显式的学习训练过程，它用的是“近朱者赤，近墨者黑”这样一种简单朴素的思想来实现分类或回归。 分类问题：

1 概述 回归模型是机器学习和统计学中的一种基本模型，用于预测连续型输出变量。简单的说，给定一组输入变量（自变量）和对应的输出变量（因变量），回归模型旨在找到输入变量和输出变量之间的映射关系。 线性回归分类： 一元线性回归：建立一个因变量与单个自变量之间线性关系的模型，也就是只有一个特征。 y = wx + b $\small{y}$ 是目标变量（因变量）， x 是输入变量（自变

1 概述 决策树（Decision Tree）是一种基于树形结构的算法，根据一系列条件判断逐步划分数据，缩小范围，最终得出预测结果。决策树由 4 部分组成： 根节点：树的节点，包含所有数据 内部节点：表示特征上的判断条件 分支：根据判断条件分出的路径 叶子节点：最终分类或回归的结果 决策树适用于需要规则化、可解释性和快速决策的场景，尤其在数据特征明确、样本量适中的情况下表现

1 概述 1.1 贝叶斯定理 贝叶斯定理是概率论中的一个重要定理，它描述了如何从主观经验或已知事实出发，通过收集到的样本数据（证据）来更新对事件发生概率的认知（信念）。贝叶斯定理的数学表达式为： $$P(A \mid B) = \frac{P(B \mid A)}{P(B)} \cdot P(A)$$ P(A) 是事件 A 发生的先验概率，我们可以理解为已知事实或主观经验（主观概率