文章目录JDBC示例MyBatis示例JDBCJDBC（Java Database Connectivity）是Java语言和关系型数据库交互的一种规范。JDBC提供了一套完整的API用于连接、访问数据库，并返回sql执行对应的结果。本系列主要研究MyBatis源码，JDBC我们仅做一个使用示例，对MyBatis起一个引导作用，并不会对其底层做研究。示例导入相应的jar包<dependenc

完结撒花~本章我们开始强化学习的内容，强化学习 (Reinforcement Learning, RL) 是机器学习的一个分支，致力于研究智能体 (Agent) 如何通过与一个动态环境的直接交互来学习一个最优策略，以使其获得的累积奖励 的某个长期度量达到最大化。此交互过程在离散时间步 t=0,1,2,…t = 0, 1, 2, \ldotst=0,1,2,… 上展开：智能体的决策会直接影响其后续所

恋人不行真好看吧在之前的学习中我们的模型大多数都是黑箱模型：我们不知道模型内部到底做了什么运算得到的答案，于是我们希望可以得到一种解释性强的模型，这就是规则学习解决的问题。我们自然需要定义什么是规则及其组件，规则一般还被分为两类：命题规则和一阶规则序贯覆盖是一种常见的规则学习方法，它采用分治策略，将复杂的整体学习任务分解为多个较简单的子问题。该方法每次只学习一条规则，并通过迭代逐步完善，具体过程如

感觉理论学的太多了，该做点实践操作一下了在我们之前学习的基于概率的模型中，进行预测时会涉及三类变量集合：需要推断的目标变量集合 YYY、可观测到的变量集合 OOO，以及其他相关变量集合 RRR。无论模型采用生成式形式 P(Y,R,O)P(Y,R,O)P(Y,R,O) 还是判别式形式 P(Y,R∣O)P(Y,R|O)P(Y,R∣O)，最终都需要得到我们关心的条件概率分布 P(Y∣O)P(Y|O)P(

我们希望从图中学习到一个映射函数。

上半部分在上一篇上一节我们讨论了有限假设空间的情况，现在将假设空间扩展到无限维的情形。考虑一个最简单的二分类任务，通常使用超平面将样本空间划分为两部分，每个超平面对应一个假设hhh。这样的假设有多少个呢？显然存在无限多个，即∣H∣=∞|\mathcal{H}|=\infty∣H∣=∞。根据上一节的推导公式（无论是否可分），这意味着需要无限多的训练样本，但这与实际情况不符。因此可以得出结论：对于无限

……说我字数太多，分两部分本章比较理论，主要说的是凭什么相信机器学习，他为什么能给出一个好的结果：本质是研究泛化误差问题我们先假设有一个样本集D={(x1,y1),…,(xm,ym)}D =\{(x_{1},y_{1}),\dots,(x_{m},y_{m})\}D={(x1​,y1​),…,(xm​,ym​)}，其中所有样本都是独立同分布地从分布D\mathcal{D}D中采样得到的。这里每个x

感觉看的越来越水，有点想快点到深度学习了在上一章的讨论中，我们探讨了通过数学变换实现数据降维的方法。然而，降维其实还存在一种更为直接的方式，那就是简单地舍弃部分数据维度（即属性）。这个想法初看可能显得不太合理，但经过仔细思考就会发现其实际可行性：在现实世界的数据采集中，我们获得的样本属性通常存在以下两个典型问题：在特征选择过程中，当缺乏领域知识时，我们需要考虑所有可能的特征子集，然而这是不可行的。

本节是支持向量机，想起我室友当初毕设就和这个有关。

集成学习是一种通过结合多个学习器来提升模型性能的方法，主要分为同质集成和异质集成。同质集成使用同一种算法生成基学习器，而异质集成则使用多种算法生成组件学习器。集成学习的关键在于个体学习器的高精度和差异性，以扬长避短。集成学习方法可分为Boosting和Bagging两大类。Boosting通过迭代训练，逐步提升弱学习器为强学习器，典型代表是AdaBoost。Bagging和随机森林则通过并行生成多