jdk对于很多服务来说非常重要，本文中含有两种方式安装jdk，可保证虚拟机在联网和不联网状态下都能安装，步骤简单，原创不易，请勿搬运！

求振动信号功率谱的两种代码，一种周期法，一种AR_pyuler法，支持Excel和text读取

主要是Android 几种不同布局实现沉浸式状态栏

自己写的ping代码实现，可以实现one-shot和continue两种模式，非常好用

【自动微分】系列第三篇！微分主要分为两种模式：前向微分和正向微分！前向微分就是高等数学学习求导的微分方式，而反响微分就是对应机器学习中反向传播的原理！

类似于养了个羊，有两种模式

1.手动部署 k8s 环境虽然能很好的理解原理，当时相对耗时比较多 [初次部署，可能要1-3天] 2.使用 shell 脚本可以大大的减少了多个项目或场景的部署，能减少 [使用脚本，只需要几分钟] 3.压缩包内包含了 README 文档，可以使用 typora 等 markdown 软件打开

线性回归预测波士顿房屋价格（使用 scikit-learn 和 XGBoost 两种方式），并进行了对比分析。 # 使用 scikit-learn 和 XGBoost 两种线性回归方式实现波士顿房屋价格预测 # 波士顿房屋价格 包含506个样本、13个特征指标 # XGBoost是一套提升树可扩展的机器学习系统，也可以实现线性回归 # 使用XGBoost时，需将数据转化为DMatrix格式，否则会出现错误 # 使用评估指标判断 scikit-learn 和 XGBoost 两种线性回归方式实现波士顿房屋价格预测方式的优劣

逻辑回归预测良性和恶性乳腺肿瘤实现二分类（使用 scikit-learn 和 XGBoost 两种方式）,可扩展应用到小样本数据的故障诊断领域二分类问题 # 使用逻辑回归预测乳腺肿瘤是良性的还是恶性的 # 数据集为乳腺癌数据集，通过细胞核的相关特征来预测乳腺肿瘤为良性/恶性，这是一个非常著名的二分类数据集 # 数据集包含569个样本，其中有212个恶性肿瘤样本，357个良性肿瘤样本 # 共有32个字段，字段1为ID，字段2为label，其他30个字段为细胞核的相关特征 # scikit-learn实现逻辑回归 # XGBoost 实现逻辑回归 # XGBoost在预测结果上和scikit-learn有些差别，XGBoost的预测结果是概率，而scikit-learn的预测结果是0或1的分类，需要用户自己对其进行转化，程序能够实现scikit-learn 和XGBoost的概率输出和0或1分类输出 # 使用评估指标对分类和预测结果进行评估， 实现scikit-learn 和 XGBoost 两种逻辑回归方式对比分析

1. 猫和老鼠都有名字和体重两种属性，猫有抓老鼠的方法，对应的老鼠则有逃跑的方法。 2. 猫抓住了老鼠或者老鼠逃跑了，对于这两种情况，我们用体重、技能和速度来区分，若猫的体重、技能和速度大于或等于老鼠的体重、技能和速度，则猫可实现抓住老鼠的方法，若猫的体重、技能和速度小于老鼠的体重和速度，则老鼠实现了逃跑的方法。 3. 猫和老鼠都有技能提高功能，猫每次抓老鼠成功之后，技能加1，失败则技能减1。老鼠逃跑成功，则技能加1。