博客涵盖软件开发过程模型,如增量、瀑布等模型的优缺点;介绍Java中值类型和引用类型、递归、字符串比较等知识;提及Linux命令、数据库范式、SQL语法;还包括同一类中代码块执行顺序、ArrayList扩容、Object类方法和线程池等信息技术相关内容。

1.在软件开发过程中,采用不同的过程模型。也叫软件生命周期模型。

增量模型

是把待开发的软件系统模块化,将每个模块做为一个增量组件,从而分批次分析、设计、编码和测试这些增量组件。
优:人员分配灵活,刚开始不必投入大量人力;可先发布部分功能给客户。
缺:并行开发可能会遭遇不能继承的风险,软件必须几倍开放式的体系结构。

瀑布模型

瀑布模型要求软件开发严格按照需求 ->分析->设计->编码->测试的阶段进行,每一个阶段都可以定义明确的产出物和验证准则.瀑布模型在每一个阶段完成后都可以 组织相关的评审和验证,只有在评审通过后才能够进入到下一个阶段.
优:大型软件开发过程中人员的组织,管理,有利于软件开发方法和工具的研究。
缺:开发过程一版都不可逆转,很难按照该模型进行(需求不明确,用户的使用环境不稳定)。

螺旋模型

遵从瀑布模型的开发过程,通过将瀑布模型的多个阶段转化到多个迭代过程中。
优:灵活
缺:需要具有相当丰富的风险评估经验和专门知识;风险大

快速原型模型


参考:https://www.cnblogs.com/langtianya/p/4535756.html
https://blog.youkuaiyun.com/chesteralive/article/details/49403269

2.Java中值类型和引用类型

在这里插入图片描述

基础数据类型的赋值是值传递,数据赋值,创建同值的新对象。
引用值类型的赋值是引用传递,传递的是对象的引用地址

3.递归

4. 比较"ABCD"与"DCBA" 字符串

比较的时候比的是ASCII码,从第一位开始比,如果第一位能比较出谁大谁小则直接返回,若相等,比较下一个字符。

常见ASCII码的大小规则,0-9<A-Z<a-z:
1)数字比字母要小。如 “7”<“F”
2)数字0比数字9要小,并按0到9顺序递增。如 “3”<“8”
3)字母A比字母Z要小,并按A到Z顺序递增。如“A”<“Z”
4)同个字母的大写字母比小写字母要小32。如“A”<“a”

二叉树,小项堆,排序算法,哈夫曼树
链表(线性单链表,双向链表,线性链表,循环链表)
TCP/IP结构及协议分层
一趟结束后能够确定一个元素的最终位置的排序方法有: 简单选择排序、快速排序、冒泡排序、堆排序

5.字符串有8个字符,那么非空子串数为8+7+…+2+1=8*9/2=36,加上一个空串,总共的子串数量为37。

6. linux命令相关

-r 将文件系统安装为只读。
-o 指定挂载文件系统时的选项
export 用于修改环境变量
env 用于创建环境变量

7.

1 、第一范式(1NF)
指数据库表的每一列(即每个属性)都是不可分割的基本数据项,同一列中不能有多个值,即实体中的某个属性不能有多个值或者不能有重复的属性。简而言之,第一范式就是无重复的列。
二维数据表且数据表中的列不可再分 强调原子性
2、 第二范式(2NF)
第二范式(2NF)要求数据库表中的每个实例或行必须可以被唯一地区分。
第二范式(2NF)要求实体的属性完全依赖于主关键字。
所谓完全依赖是指不能存在仅依赖主关键字一部分的属性,如果存在,那么这个属性和主关键字的这一部分应该分离出来形成一个新的实体,新实体与原实体之间是一对多的关系。
简而言之,第二范式就是非主属性依赖于主关键字。
3 、第三范式(3NF)
在满足第二范式的基础上,切不存在传递函数依赖,那么就是第三范式。
简而言之,第三范式就是属性不依赖于其它非主属性。

8.SQL语法

left semi join 左内匹配
left outer join 左外匹配

联合索引的最左前缀原理

MyISAM特性:
1:不支持事务、不具备AICD特性(原子性、一致性、分离性、永久性);
2:表级别锁定形式(更新数据时锁定整个表、这样虽然可以让锁定的实现成本很小但是同时大大降低了其并发的性能);
3:读写相互阻塞(不仅会在写入的时候阻塞读取、还会在读取的时候阻塞写入、但是读取不会阻塞读取);
4:只会缓存索引(myisam通过key_buffer_size来设置缓存索引,提高访问性能较少磁盘IO的压力、但是只缓存索引、不缓存数据);
5:读取速度快、占用资源比较少;
6:不支持外键约束、只支持全文检索;
7:是MySQL5.5.5版本之前的默认存储引擎;

DELETE和TRUNCATE TABLE 区别

9.在同一类中,代码块的执行顺序

同一类中,首先静态代码块在类加载的时候就执行了,并且只执行一次,不论是否new了对象;而构造代码块构造方法是在每次创建对象时都会被调用,并且构造代码块的执行次序优先于类构造函数

这里插入一个相关问题:关于类的初始化问题 (结合第10点来看)
Java 语言使用 final 关键字来定义一个常量
**编译期常量:**它的值在编译期就可以确定的常量
运行时常量: 它在运行时才能确定它的值。
**对类的依赖性:**与类的创建有没有关系。

编译期常量不依赖类,不会引起类的初始化;而运行时 常量依赖类,会引起类的初始化。
编译期常量会在编译阶段存入调用类的常量池,本质上并没有直接引用到定义常量的类,因此不会触发定义常量的类的初始化。
在这里插入图片描述

10.

String s1="abc"这种赋值方法经常用,会建立一个对象池,出现的第一个“abc”已经入池,当第二次出现这种语句时,就是池内的内容,所以“==”比较时,是同样的内容,所以是true;第二种是用new来实例化()缺点是会产生垃圾,s3并没有入池,所以是false,如果手动入池的话就是true。

11

用ClassLoader加载类,是不会导致类的初始化(也就是说不会执行方法).Class.forName(…)加载类,不但会将类加载,还会执行会执行类的初始化方法.

12 ArrayList 扩容

new ArrayList() 初始化大小为0
调用add方法判断数组是否为空数组;若为空数组则扩容为10
此后每次扩容为原先的1.5倍

13 Object类的方法

14 线程池

public class Main {
    public static void main(String[] args) {
        ThreadPoolExecutor executor = new ThreadPoolExecutor(5, 10, 15, TimeUnit.SECONDS,
                new ArrayBlockingQueue<Runnable>(5), new ThreadPoolExecutor.CallerRunsPolicy());
    }
}

前三个参数:核心线程有5个,最大线程数是10个,keepAliveTime是15s,如果线程池中的线程大于5,那么超15s的空闲线程就会被结束,也就是说,一定会保持5个线程不会被结束。当所有任务完成后,会保持5个空闲的线程

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创新点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创新点概述本文采用的技术路线、研究方法及主要创新点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率值,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失值、识别异常点、标准化数值、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1值以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值