潜洋-优快云博客

原创 Spring Boot教程之六十三：抛出After Advice的 AOP

它可以定义为将代码分解为不同的模块，也称为模块化，其中方面是模块化的关键单元。Spring MVC 是 Spring 的一个广泛使用的模块，用于创建可扩展的 Web 应用程序。还有一个依赖项需要添加，spring 从添加依赖项列表中删除了 AOP 启动器，因此我们必须手动添加它，只需将下面提到的依赖项添加到您的 pom.xml 文件中即可。控制器下没有什么特别的，我们只是为默认登陆页面指定一个获取映射，向模型添加一个属性，并传递给。传递的模型属性，因为传递了一个列表，我们只需遍历每个条目并将其打印出来。

2025-01-18 07:32:38 527

原创 Python AI教程之二十四：监督学习之KNN算法（3）使用 Python 从 Scratch 实现 K 近邻算法

K 近邻分类是基于实例学习的分类技术之一。基于实例学习的模型可以超越训练示例进行推广。为此，它们首先存储训练示例。当遇到新实例（或测试示例）时，它们会立即在存储的训练示例和这个新实例之间建立关系，为这个新实例分配目标函数值。基于实例的方法有时被称为懒惰学习方法，因为它们会推迟学习，直到遇到新实例进行预测。

2025-01-18 07:32:12 1040

原创 Python AI教程之二十三：监督学习之KNN算法（2）Python实现KNN算法

在这篇文章中，我们了解了什么是监督学习以及它的类别。在对监督学习有了基本的了解之后，我们探索了用于解决监督机器学习问题的 k-最近邻算法。我们还探索了如何测量模型的准确性。

2025-01-17 07:38:39 1038

原创 Spring Boot教程之六十二：AOP Around Advice

顾名思义，面向方面编程 (AOP) 在编程中使用方面。它可以定义为将代码分解为不同的模块，也称为模块化，其中方面是模块化的关键单元。方面可以实现横切关注点，例如事务、日志记录等与业务逻辑无关的关注点，而不会使代码核心与其功能混杂在一起。它通过添加其他行为（即对现有代码的Advice）来实现这一点。例如，安全性是一个横切关注点，在应用程序的许多方法中都可以应用安全规则，因此可以在每种方法中重复代码，在公共类中定义功能，并控制在整个应用程序中应用该功能的位置。

2025-01-17 07:38:12 778

原创 Spring Boot教程之六十一：如何在 Spring Boot 应用程序中实现 AOP？

在整个示例中，如果我们观察，就会发现我们使用了一种恰当的方式来提供@Around、@Before、@After、@AfterReturning 和 @AfterThrowing 建议，这样我们就可以轻松地实现 AOP 功能。如果有 @Around，则 @Around 始终具有更高的优先级，而 @Before 将在 @Around 的开始部分之后运行。通常，在主从关系中，主记录应该存在，然后只能插入相应的子数据，同样，在删除时，应该删除子数据，然后只能删除主数据。在本文中，让我们看看与此相关的示例。

2025-01-16 07:31:06 770

原创 Python AI教程之二十二：监督学习之KNN算法（1）

K-最近邻 (KNN) 算法是一种用于解决分类和回归问题的监督机器学习方法。Evelyn Fix 和 Joseph Hodges 于 1951 年开发了该算法，随后由 Thomas Cover 进行了扩展。本文探讨了 KNN 算法的基础知识、工作原理和实现。

2025-01-16 07:30:45 984

原创 Spring Boot教程之六十：Kafka+ElasticSearch+Grafana应用实例

在本文中，我们将编写一个程序，使用 Kafka Producer 生成一些数据，这些数据将由 Kafka Consumer 使用并保存到弹性搜索数据库中，然后将该 JSON 数据绘制到 Grafana 仪表板中。在 Kafka 中，我们首先要运行 zookeeper，然后运行 kafkaserver。使用 cmd 运行 elastissearch.bat -> E:\elasticsearch-7.17.3-windows-x86_64\elasticsearch-7.17.3\bin>

2025-01-15 07:51:00 621

原创 Python AI教程之二十一：监督学习之支持向量机（SVM）算法

支持向量机(SVM)是一种功能强大的机器学习算法，广泛用于线性和非线性分类以及回归和异常值检测任务。SVM 具有很强的适应性，适用于各种应用，例如文本分类、图像分类、垃圾邮件检测、笔迹识别、基因表达分析、人脸检测和异常检测。本文介绍支持向量机算法如何工作？支持向量机术语。数学计算：SVM；支持向量机的类型；SVM中的流行核函数；在 Python 中实现 SVM 算法；支持向量机（SVM）的优点和缺点

2025-01-15 07:50:34 1544

原创 Sprint Boot教程之五十九：使用 Spring Boot 在 Apache Kafka 中进行消息压缩

对代理的请求将包含多个批处理，每个分区一个批处理，其中包含可访问的数据以供发送。如果目标主题的压缩配置设置为 compression.type=producer，代理会从客户端接收压缩的批处理并将其直接写入主题的日志文件，而无需重新压缩数据。例如，将 linger.ms 降低到 3 会导致发送的请求减少，但在没有负载时提交的记录将延迟最多 3 毫秒。因此，生产者将等待指定的延迟时间后再发送记录，以便能够发送其他记录，从而可以批量处理发送的内容。网络调用将大幅减少，压缩消息的存储要求也将大大降低。

2025-01-14 07:29:24 613

原创 Python AI教程之二十：监督学习之集成分类器

集成学习通过组合多个模型来帮助提高机器学习结果。与单个模型相比，这种方法可以产生更好的预测性能。基本思想是学习一组分类器（专家）并允许它们投票。优点：提高预测准确率。缺点：很难理解分类器集合。

2025-01-14 07:28:41 307

原创 Python AI教程之十九：监督学习之决策树（10）超参调整

决策树中的超参数为什么要调整决策树中的超参数？决策树中的超参数调整方法在决策树中实现超参数调整

2025-01-13 07:21:53 1609

原创 Sprint Boot教程之五十八：动态启动/停止 Kafka 监听器

默认情况下，该值设置为 true，因此，它将在我们的应用程序启动时立即开始使用消息。理想情况下，应用程序应在需要处理 Kafka 消息时启动，并在该过程完成后立即停止。使用 API 端点，我们可以通过提供 listenerID 来启动或停止特定的 Kafka 监听器。：在注册 Kafka Listener 时，我们可以设置以下 id 属性。的 bean 名称，将用于创建为该端点提供服务的消息侦听器容器。如果未指定，则使用自动生成的 ID。在本文中，我们将介绍如何动态启动或停止 Kafka 监听器。

2025-01-13 07:21:31 1369

原创 Spring Boot教程之五十七：在 Apache Kafka 上发布 JSON 消息

对于 Windows： .\bin\windows\kafka-topics.bat –create –zookeeper localhost:2181 –replication-factor 1 –partitions 1 –topic topic_name。对于 Mac 和 Linux：bin/kafka-topics.sh –create –zookeeper localhost:2181 –replication-factor 1 –partitions 1 –topic topic_name。

2025-01-12 07:37:58 923

原创 Python AI教程之十八：监督学习之决策树（9) 决策树模型中的过度拟合

克服决策树模型过度拟合的策略修剪技术限制树的深度每个叶节点的最小样本数特征选择与工程集成方法交叉验证增加训练数据

2025-01-12 07:37:09 1201

原创 Python AI教程之十七：监督学习之决策数据（8）修剪决策树和实例

决策树修剪是机器学习中的一项关键技术，用于通过减少过度拟合和提高对新数据的泛化来优化决策树模型。在本指南中，我们将探讨决策树修剪的重要性、其类型、实现及其在机器学习模型优化中的意义。

2025-01-11 07:26:07 780

原创 Spring Boot教程之五十六：用 Apache Kafka 消费 JSON 消息

\bin\windows\Kafka-topics.bat –create –zookeeper localhost:2181 –replication-factor 1 –partitions 1 –topic topic_name // 用于 windows。在本文中，我们将了解如何使用 Apache Kafka 在 Spring Boot 应用程序的控制台上发布 JSON 消息。在本文中，我们将创建一个学生模型，我们将在其中发布学生详细信息。此类将包含用于在控制台上发布消息的侦听器方法。

2025-01-11 07:25:09 918

原创 Spring Boot教程之五十五：Spring Boot Kafka 消费者示例

消息可以包含任何类型的信息，来自您的个人博客上的任何事件，也可以是触发任何其他事件的非常简单的文本消息。在这里，我们将讨论如何使用来自 Kafka 主题的消息并使用 Spring Boot 将它们显示在控制台中，其中Kafka 是先决条件。它是一个基于微服务的框架，使用 Spring Boot 制作生产就绪的应用程序只需很少的时间。Spring Boot 可以轻松创建独立的、生产级的基于 Spring 的应用程序，您可以“在输出中，您可以看到当您从 Kafka 主题发送消息时，它会实时显示在控制台上。

2025-01-10 07:36:56 1715

原创 Python AI教程之十六：监督学习之决策树（7）和其它算法的比较

本文介绍了决策树和其它类似算法的优缺点比较。包括，逻辑回归与决策树分类；随机森林和决策树之间的比较；机器学习中的 KNN 与决策树的比较；决策树、聚类算法和线性回归之间的比较。

2025-01-10 07:36:30 2481

原创 Sping Boot教程之五十四：Spring Boot Kafka 生产者示例

消息可以包含任何类型的信息，来自您的个人博客上的任何事件，也可以是一条可以触发任何其他事件的非常简单的文本消息。它是一个基于微服务的框架，使用 Spring Boot 制作生产就绪的应用程序只需很少的时间。Spring Boot 可以轻松创建独立的、生产级的基于 Spring 的应用程序，您可以“当我们在这里传递“GeeksforGeeks”时，您可以看到我们收到了“已成功发布”的回复。消息的流式传输是实时的。类似地，如果我们在这里传递了“Hello World”，你会看到我们得到了“发布成功”的回复。

2025-01-09 08:01:00 1004

原创 Python AI教程之十五：监督学习之决策树（6）高级算法C5.0决策树算法介绍

C5.0 是之前ID3和C4.5算法的增强版本，是一种用于机器学习分类的强大决策树方法。它由 Ross Quinlan 创建，通过基于输入特征构建决策树来预测分类结果。C5.0 使用自上而下的递归方法划分数据集，在每个节点上选择最佳特征。它考虑生成的子组的大小和质量，同时使用信息增益和增益比标准确定最佳分割。C5.0 中包含修剪机制，以防止过度拟合并提高对新数据的泛化能力。它还可以很好地管理分类变量、数字属性和缺失值。生成的决策树为分类任务提供了易于理解的指导方针，并且由于其精确性、适应性和管理复杂数据集的

2025-01-09 08:00:16 1482

原创 Python AI教程之十四：监督学习之决策树（5）常见的决策树算法

理解决策树决策树的组成部分决策树算法的工作原理理解决策树背后的关键数学概念决策树算法的类型ID3（迭代二分法 3）C4.5CART（分类和回归树）CHAID（卡方自动交互检测）MARS（多元自适应回归样条）决策树算法的实现

2025-01-08 07:23:44 1092

原创 Sprint Boot教程之五十三：Java Spring Boot 微服务示例项目

非常理想的是，我们不需要将交换服务逻辑带入此应用程序，即第 1 部分项目可以分开，第 2 部分项目可以在此处调用第 1 部分的 URL。如今，微服务越来越流行。在本文中，让我们看一个基础项目“currency-exchange-sample-service”，它具有业务逻辑，可以在另一个项目“从控制台中，我们可以看到它使用了默认的 Tomcat，并且项目在端口 8080 上运行。因此，根据我们的业务需求，我们可以将业务逻辑添加到控制器文件。如果我们设置在两个不同的端口上运行应用程序，我们将获得以下选项。

2025-01-08 07:23:04 737

原创 Python AI教程之十三：监督学习之决策树（4）决策树中的概念和指标

文章介绍了决策树中的概念和指标，包括：一、ML | 决策树中的基尼不纯度和熵二、决策树中的信息增益三、决策树中的期望值四、决策树中的训练误差五、决策树中的最佳分割

2025-01-07 07:41:07 1373

原创 Spring Boot教程之五十二：CrudRepository 和 JpaRepository 之间的区别

例如，它包含 flush()、saveAndFlush()、saveAllAndFlush()、deleteInBatch() 等以及 CrudRepository 中可用的方法。Spring Boot 中有一个名为 CrudRepository 的接口，其中包含用于 CRUD 操作的方法。它提供了对存储库的通用 Crud 操作。存储库管理的实体的 id 类型（通常是在实体/模型类中创建的 @Id 的包装类）存储库管理的实体的 id 类型（通常是在实体/模型类中创建的 @Id 的包装类）

2025-01-07 07:40:20 1312 1

原创 Python AI教程之十二：监督学习之决策树（3）使用 Python 中的决策树进行文本分类

文本分类是将文本文档分类到预定义类别的过程。在本文中，我们将探讨如何利用决策树对文本数据进行分类。文本分类涉及根据文本文档的内容为其分配预定义类别或标签。决策树是一种分层树结构，可根据输入特征的值递归地划分特征空间。由于其简单性、可解释性和处理非线性关系的能力，它们特别适合分类任务。

2025-01-06 07:31:08 1096

原创 Spring Boot教程之五十一：Spring Boot – CrudRepository 示例

Spring Boot 是一个基于微服务的框架，在其中创建生产就绪的应用程序只需很少的时间。如果有人想在 Spring Boot 应用程序中使用 CrudRepository，他/她必须创建一个接口并扩展 CrudRepository 接口。Spring Boot 的 CrudRepository 是 Spring Data JPA 框架的一部分，它提供了对关系数据库中的实体执行。存储库管理的实体的 id 类型（通常是在实体/模型类中创建的 @Id 的包装类）中定义，它扩展了 Spring Data。

2025-01-06 07:30:32 932

原创 Python AI教程之十一：监督学习之决策树（2）使用 sklearn 进行决策树回归

决策树是一种决策工具，它使用类似流程图的树结构，或者说是决策及其所有可能结果（包括结果、投入成本和效用）的模型。决策树算法属于监督学习算法类别。它适用于连续和分类输出变量。本文使用Python Sklearn库实现决策数的例子

2025-01-05 07:30:10 1524 3

原创 Sprint Boot教程之五十：Spring Boot JpaRepository 示例

由于其快速的生产就绪环境，使开发人员能够直接专注于逻辑，而不必费力配置和设置，因此如今它正成为开发人员的最爱。Spring Boot 是一个基于微服务的框架，在其中创建生产就绪的应用程序只需很少的时间。返回具有给定标识符的实体的引用。返回的 Iterable 将与作为参数传递的 Iterable 具有相同的大小。现在运行您的应用程序，让我们在 Postman 中测试端点并参考我们的 H2 数据库。在本文中，我们将讨论如何使用。存储库管理的实体的 id 类型（通常是在实体/模型类中创建的 @Id 的包装类）

2025-01-05 07:29:47 1018

原创 Spring Boot教程之四十九：Spring Boot – MongoRepository 示例

由于其快速的生产就绪环境，使开发人员能够直接专注于逻辑，而不必费力配置和设置，因此如今它正成为开发人员的最爱。Spring Boot 是一个基于微服务的框架，在其中创建生产就绪的应用程序只需很少的时间。假设实例是新的，以便能够应用插入优化。使用返回的实例进行进一步的操作，因为保存操作可能已经完全改变了实体实例。现在运行您的应用程序，让我们在 Postman 中测试端点，并参考我们的 MongoDB Compass。存储库管理的实体的 id 类型（通常是在实体/模型类中创建的 @Id 的包装类）

2025-01-04 07:23:38 1143

原创 Python AI之十：监督学习之决策树（1）- 机器学习中的决策树

决策树是一种监督学习算法，常用于机器学习，根据输入数据对结果进行建模和预测。它是一种树状结构，其中每个内部节点都测试属性，每个分支对应属性值，每个叶节点代表最终决策或预测。决策树算法属于监督学习类别。它们可用于解决回归和分类问题。本文深入探讨决策树的组成部分、术语、构造和优势，探索其应用和学习算法。

2025-01-04 07:23:14 1188

原创 Python Ai教程之九：监督学习之逻辑回归算法

逻辑回归是一种用于分类任务的监督机器学习算法，其目标是预测实例属于给定类别的概率。逻辑回归是一种统计算法，用于分析两个数据因素之间的关系。本文探讨了逻辑回归的基础知识、类型和实现。目录什么是逻辑回归？逻辑函数-Sigmoid函数逻辑回归的类型逻辑回归的假设逻辑回归如何工作？逻辑回归的代码实现逻辑回归阈值设置中的精确度-召回率权衡如何评估逻辑回归模型？线性回归和逻辑回归之间的差异

2025-01-03 07:36:58 827

原创 Spring Boot教程之四十八：Spring Boot – CRUD 操作

它现在越来越受到开发人员的青睐，因为它是一个快速的生产就绪环境，使开发人员能够直接专注于逻辑，而不必费力配置和设置。Spring Boot 是一个基于微服务的框架，在其中创建生产就绪的应用程序只需很少的时间。因此，在本文中，我们将通过创建 Spring Boot 应用程序并使用 H2 数据库来执行一些基本的 CRUD 操作。或方法可以作为 CRUD 操作，请注意，从编程的开发角度来看，它们至关重要，还可以帮助我们更好地进行 Web 开发，还可以帮助我们处理数据库。它提供了对存储库的通用 Crud 操作。

2025-01-03 07:36:25 874

原创 Python AI教程之八：监督学习之支持向量回归（SVR）

支持向量回归 (SVR) 是一种用于回归任务的支持向量机 (SVM)。它试图找到一个函数，能够最好地预测给定输入值的连续输出值。SVR 可以使用线性和非线性核。线性核是两个输入向量之间的简单点积，而非线性核则是更复杂的函数，可以捕捉数据中更复杂的模式。核的选择取决于数据的特征和任务的复杂性。

2025-01-02 07:37:04 1372

原创 Spring Boot教程之四十七：Spring Boot ——JDBC

当我们使用 DriverManager 或 DataSource 时，使用 DataSource 打开的连接是不可重用的。对于每个客户端，如果打开一个新连接，数据库服务器的负担就会增加。Spring Boot 提供了多种使用数据库的方法（例如 – JdbcTemplate），而无需 JDBC 所需的繁琐工作。如果为了提高安全性需要对已编码的密码再次进行编码，则返回 true，否则返回 false。DataSource 对象从池中获取连接并创建到该连接的代理或逻辑连接，然后将代理连接感知到 Java。

2025-01-02 07:36:40 1218

原创 Spring Boot教程之四十六： Spring Boot 与 H2 数据库

H2 是一个用 Java 编写的轻量级快速 SQL 数据库。它可以在两种模式下运行：内存模式和嵌入式模式。内存模式对于测试和开发特别有用，因为它允许您创建一个临时数据库，该数据库在应用程序停止时会自动销毁。嵌入式模式适用于需要小型独立数据库的应用程序。

2025-01-01 07:47:34 1402

原创 Python AI教程之七：多项式回归

多项式回归是一种线性回归，其中独立变量 x 和因变量 y 之间的关系被建模为n 次多项式。多项式回归拟合 x 的值与 y 的相应条件均值之间的非线性关系，表示为 E(y | x)。在本文中，我们将深入探讨多项式回归。

2025-01-01 07:47:06 1325

原创 Spring Boot教程之四十五：使用 Jackson 在 Spring Boot 的 REST API 实现中使用 JSON

每当我们使用Spring（Spring Boot）实现REST API时，我们都会遇到在API 的JSON响应中排除 NULL 的需求。现在，创建org.springframework.http.converter.json.Jackson2ObjectMapperBuilderCustomizer。此外，将此属性绑定到类级属性，以便可以读取该值，下面给出的代码供您参考。在本文中，我们总结了使用 Jackson 实现上述功能的 ON/OFF 外部化的方法。如果全局属性值为 true ，则将创建的映射器的。

2024-12-31 07:33:02 729

原创 Python AI教程之六：监督学习算法之线性回归

线性回归是一种监督式机器学习算法，它根据一个或多个独立变量预测连续目标变量。它假设因变量和自变量之间存在线性关系，并使用线性方程来模拟这种关系。本文介绍了简单线性回归的优缺点、梯度公式、评估指标、代码实例、正则化等内容

2024-12-31 07:32:31 1203

原创 Spring Boot教程之四十四：REST 示例

我们都知道，在当今世界，大多数 Web 应用都遵循客户端-服务器架构。应用本身是客户端或前端部分，它需要调用服务器或后端来获取或保存数据，这种通信使用 HTTP 协议进行，同样的协议也是 Web 的强大之处。在服务器上，我们公开了可通过 HTTP 协议访问的一系列服务。将打开一个新对话框，您将在其中提供项目相关的信息，如项目名称、Java 版本、Maven 版本等。接口，它包含我们的应用程序将向用户提供的所有服务方法。类，我们在其中公开我们创建的所有 API。添加任何内容，因为我们没有使用数据库。

2024-12-30 07:50:28 544

原创 Python AI 教程之五：强化学习

强化学习 (RL) 是机器学习的一个分支，专注于在特定情况下做出决策以最大化累积奖励。与依赖具有预定义答案的训练数据集的监督学习不同，强化学习涉及通过经验进行学习。在强化学习中，代理通过执行操作并通过奖励或惩罚获得反馈来学习在不确定、可能复杂的环境中实现目标。

2024-12-30 07:49:55 928