世界上存在成千上万种学习法，如果上天只让我掌握一种，那一定就是“费曼学习法”。


## 介绍
费曼学习法是由诺贝尔物理学奖获得者理查德·费曼提出的一种学习方法，其核心思想是将所学内容用自己的话表达出来，以此检验自己对知识的掌握程度。

费曼学习法可以简化为四个单词：**Concept**、**Teach**、**Review**、**Simplify**

具体而言，费曼学习法包括以下几个步骤：

- **Concept**：选择一个主题，并尽可能全面地了解这个主题；

- **Teach**：将所学内容以简明易懂的语言写下来或讲述给别人听，使用通俗易懂的语言和例子，避免使用学术术语和复杂的句子；

- **Review**：检查自己的表达是否清晰明了，是否有遗漏或错误；

- **Simplify**：基于反馈修正自己的表达，直到能够清晰表达该主题。

其优点是：

- 突出重点：在解释一个概念时，我们不得不选取最重要的信息，并将其用自己的话表达出来。这种方式可以帮助我们更好地理解和记忆知识点。

- 发现问题：当我们尝试用自己的话阐述某个主题时，常常会发现自己对某些内容并不理解或者存在疑问。这种方式可以帮助我们及时发现自己的盲点和问题，促进深层次的学习。

- 加深印象：通过不断反复的讲解和修正，我们能够形成对于某个主题的深层次理解，并加深对于相关概念的印象。

## 数据

美国学术界在1946年一项研究显示了不同学习方式的效益，准确的说，是学习者在两周以后还能记住内容（平均学习保持率）的多少。

下图是当时美国教育学家Engar Dale研究出的“学习金字塔”（The Cone of Learning）。

![image.png](https://niuery.com/static/img/a270baa53b9f0798e17123dc62717220.image.png)

由上图可以看出，**Learning by teaching 可以说是学习效率最高的方式**。

Learning by teaching --- 费曼学习法

## 引言
软件开发过程中，我们经常会遇到各种设计问题，例如如何管理对象之间的关系、如何优化代码的可复用性和可维护性等等。为了解决这些问题，我们可以使用设计模式。



设计模式是一种被广泛接受的软件设计思想，它提供了一套通用的解决方案，可以帮助我们更好地解决常见的软件设计问题。设计模式是从实践中总结出来的，它不仅可以提高代码的可读性和可维护性，还可以提高开发效率和代码的可复用性。

## 常见设计模式原则
设计模式有常见的五大原则 - [SOLID](https://niuery.com/post/9)
- 单一职责原则（SRP）
- 开放封闭原则（OCP）
- 里氏替换原则（LSP）
- 接口隔离原则（DIP）
- 依赖倒置原则（ISP）


补充第六原则，迪米特法则(Law of Demeter,LoD)也称为最少知识原则(Least Knowledge Principle,LKP)

## 常见设计模式类型
- 创建型模式：负责对象的创建和初始化，共有5种：**工厂方法模式**、**抽象工厂模式**、**单例模式**、**建造者模式**、**原型模式**。
- 结构型模式：负责对象的组合，共有7种：**适配器模式**、**装饰器模式**、**代理模式**、**外观模式**、**桥接模式**、**组合模式**、**享元模式**。
- 行为型模式：负责对象之间的通信，共有11种：**观察者模式**、**策略模式**、**迭代器模式**、**命令模式**、**责任链模式**、**模板方法模式**、**访问者模式**、**中介者模式**、**解释器模式**、**过滤器模式**、**备忘录模式**。
## 目录

### 创建型模式

1. [**抽象工厂模式（Abstract Factory Pattern）**](https://niuery.com/post/10)

抽象工厂模式是一种创建型设计模式，它提供了一种封装一组相关或相互依赖对象创建过程的方法，使得我们可以在不知道具体实现细节的情况下，创建一系列相互协作的对象。

2. [**工厂方法模式（Factory Method Pattern）**](https://niuery.com/post/33)

工厂方法模式是一种创建型设计模式，它提供了一种将对象的创建过程封装起来的方法，使得我们可以在不知道具体实现细节的情况下，创建各种不同类型的对象。

3. [**单例模式（Singleton Pattern）**](https://niuery.com/post/11)

单例模式是一种保证一个类只有一个实例的模式，它可以避免多个实例造成的资源浪费和对象的不一致性。单例模式通常使用一个私有的构造函数和一个静态的实例变量来实现。

4. [**建造者模式（Builder Pattern）**](https://niuery.com/post/13)

将一个复杂对象的构建与它的表示分离，使得同样的构建过程可以创建不同的表示。建造者模式可以将复杂对象的构建过程抽象出来，从而使得系统更加灵活。

5. [**原型模式（Prototype Pattern）**](https://niuery.com/post/14)

用原型实例指定创建对象的种类，并通过复制这些原型创建新的对象。原型模式可以在运行时动态地创建对象，从而避免了静态工厂方法所带来的编译时耦合。


### 结构型模式
1. [**适配器模式（Adapter Pattern）**](https://niuery.com/post/15)

适配器模式是一种将一个类的接口转换成客户端所期望的另一种接口的模式，它可以让原本不兼容的类能够协同工作。这种模式可以避免因接口不匹配而导致的代码重构和重复开发。

2. [**装饰器模式（Decorator Pattern）**](https://niuery.com/post/16)

装饰器模式是一种在运行时动态地给对象添加新的功能的模式，它通过将对象包装在一个装饰器中来实现。这种模式可以避免使用继承带来的复杂性和静态特性，提高代码的灵活性和可扩展性。

3. [**代理模式（Proxy Pattern）**](https://niuery.com/post/17)

代理模式是一种结构型设计模式，它允许我们创建一个代理对象来控制对另一个对象的访问。代理对象可以充当原始对象的访问接口，从而控制对原始对象的访问。代理模式通常用于远程访问、延迟加载、访问控制等方面。

4. [**外观模式（Facade Pattern）**](https://niuery.com/post/18)

为一组复杂的子系统提供一个简单的接口，从而隐藏子系统的复杂性。外观模式可以降低客户端和子系统之间的耦合度，同时提高客户端的易用性。

5. [**桥接模式（Bridge Pattern）**](https://niuery.com/post/19)

桥接模式是一种将抽象部分与它的实现部分分离开来的模式，使它们可以独立地变化。这种模式可以避免因为实现细节的变化而导致的代码修改和重构。

6. [**组合模式（Composite Pattern）**](https://niuery.com/post/20)

组合模式是一种将对象组合成树形结构的模式，使得客户端可以像处理单个对象一样处理对象的组合。这种模式可以使得对象之间的关系更加清晰，提高代码的可读性和可维护性。

7. [**享元模式（Flyweight Pattern）**](https://niuery.com/post/21)

享元模式是一种结构型设计模式，用于优化对象的创建和使用。该模式通过共享相同的数据，来减少内存的使用和对象的创建。通常情况下，享元模式适用于存在大量相似对象的情况

### 行为型模式

1. [**观察者模式（Observer Pattern）**](https://niuery.com/post/12)

观察者模式是一种对象间的一对多依赖关系，当一个对象的状态发生改变时，所有依赖它的对象都会收到通知并自动更新。这种模式可以降低对象之间的耦合度，提高系统的灵活性和可扩展性。

2. [**策略模式（Strategy Pattern）**](https://niuery.com/post/22)

策略模式是一种定义一系列算法的模式，它将每个算法封装在一个类中，并使它们可以互相替换。这种模式可以避免使用大量的条件语句和重复代码，提高代码的可维护性和可扩展性。

3. [**迭代器模式（Iterator Pattern）**](https://niuery.com/post/23)

迭代器模式是一种访问一个聚合对象中的各个元素的方式，而又不需要暴露该对象的内部表示。这种模式可以让客户端透明地访问聚合对象中的元素，同时避免了聚合对象的数据结构对客户端的依赖。

4. [**命令模式（Command Pattern）**](https://niuery.com/post/25)

将请求封装成对象，从而使不同的请求可以被不同的对象处理。命令模式可以将请求的发送者和接收者解耦，同时支持请求的撤销和重做

5. [**责任链模式（Chain of Responsibility Pattern）**](https://niuery.com/post/26)

将请求的发送者和接收者解耦，通过一条由多个处理对象组成的链来处理请求。责任链模式可以根据需求动态地组合处理对象，从而实现请求的自动转发和处理。

6. [**模板方法模式（Template Method Pattern）**](https://niuery.com/post/27)

定义一个操作中的算法骨架，将一些步骤延迟到子类中。模板方法模式可以提高代码的复用性和可维护性，同时可以避免子类中的代码重复

7. [**状态模式（State Pattern）**](https://niuery.com/post/28)

允许对象在内部状态发生改变时改变它的行为。状态模式将对象的行为和状态进行分离，从而将复杂的条件判断转化为简单的状态切换。

8. [**中介者模式（Mediator Pattern）**](https://niuery.com/post/29)

用一个中介对象来封装一系列的对象交互，从而使对象之间的交互松散耦合。中介者模式可以简化对象之间的交互，同时降低对象之间的依赖关系。

9. [**解释器模式（Interpreter Pattern）**](https://niuery.com/post/30)

给定一个语言，定义它的文法的一种表示，并定义一个解释器，该解释器使用该表示来解释语言中的句子。解释器模式可以将复杂的语言转化为易于处理的数据结构，从而使得语言的解释更加容易。

10. [**访问者模式（Visitor Pattern）**](https://niuery.com/post/31)

访问者模式是一种行为设计模式，它可以让你将算法与它们操作的对象分离。这样，你可以在不修改对象结构的情况下，向现有的对象结构添加新的操作。

11. [**备忘录模式（Memento Pattern）**](https://niuery.com/post/32)
备忘录模式是一种行为型设计模式，它允许我们将对象的状态保存在备忘录对象中，从而可以在以后恢复对象的状态。该模式通常用于需要撤销、恢复操作的场景，例如文本编辑器、绘图应用等。备忘录模式通过将状态保存在备忘录对象中来实现状态的恢复，从而保证了对象的封装性和数据安全性。

> 参考资料
> 
> https://dofactory.com/net/abstract-factory-design-pattern
> 
> https://refactoring.guru/design-patterns

重温设计模式 --- 前篇

> 相关链接
>
> https://github.com/mintisan/awesome-kan
>
> KAN模型地址：https://github.com/KindXiaoming/pykan 
>
> 实操视频1： https://www.bilibili.com/video/BV1Vs421N7ZL/?share_source=copy_web&vd_source=25eb155c813b59caf8fa8eb45adc0fe6
>  
> 实操视频2：  https://www.bilibili.com/video/BV1Ft421c7Pu/?share_source=copy_web&vd_source=25eb155c813b59caf8fa8eb45adc0fe6
>

人工智能 --- KAN模型实操

1. Seaborn库

    它是Python中另一个非常有用的数据可视化库。Seaborn库构建在Matplotlib之上，并提供许多高级数据可视化功能。 Seaborn库可以用于绘制各种图表，如矩阵图、网格图、回归图等





2. Numpy
    Numpy是一个Python库，提供了多维数组对象（ndarray）以及用于处理这些数组的函数。它是数据科学和机器学习领域最常用的库之一。Numpy提供了高效的数组操作和数学函数，使得在Python中进行数值计算更加简单和高效。


3. Pandas
    Pandas 是一个开源的、用于数据处理和分析的 Python 库。它建立在 NumPy 库的基础之上，提供了高效的数据结构和数据分析工具，让数据的操作变得更加简单和高效。

4. Matplotlib
    Matplotlib 是 Python 中最常用的数据可视化库，它可以帮助用户创建各种高质量的静态、动态以及交互式的可视化图表。它能够生成包括折线图、柱状图、散点图、饼图、等高线图等多种类型的图表，以直观地展示数据和数据之间的关系。


5. Scikit - Learn 
    是一个用于机器学习的 Python 库，它提供了大量用于分类、回归、聚类、降维等多种机器学习任务的算法和工具。它具有简单易用、高效、丰富的文档和大量示例等优点，在数据挖掘、数据分析和人工智能领域广泛应用。

6. PyTorch
    PyTorch 是另一个广受欢迎的深度学习框架。它以其动态计算图和简洁的 API 而受到青睐，使得用户能够更直观地构建和调试深度学习模型。PyTorch 在学术研究和工业界的应用也越来越广泛，尤其在研究新的深度学习算法和快速实验方面表现出色。

7. TensorFlow
   TensorFlow 是一个开源的深度学习框架，最初由 Google 开发。它提供了一个灵活的计算图模型，用于构建和训练各种深度学习模型，如神经网络、卷积神经网络（CNN）和循环神经网络（RNN）等。TensorFlow 支持在多种设备（如 CPU、GPU）上进行高效的计算，并且具有高度的可扩展性。
8. XGBoost 
   是另一个非常流行的梯度提升库。它以其强大的性能、可扩展性和鲁棒性而闻名。XGBoost 在处理结构化数据方面表现出色，支持多种语言，并且拥有丰富的参数设置，使得用户可以根据具体的应用场景和数据特点进行精细的模型调优。

9. LightGBM
    LightGBM 是一个快速、高效的梯度提升框架，用于机器学习中的分类、回归等任务。它采用了直方图算法等优化技术，在处理大规模数据集时具有高效的训练速度和较低的内存占用优势。与传统的梯度提升算法相比，LightGBM 能够更快地收敛，并且可以处理各种类型的数据。
10. Statsmodels
    Statsmodels 是一个用于统计建模和计量经济学的 Python 库。在机器学习中，它可以帮助我们进行统计分析，如假设检验、线性回归分析等，以更好地理解数据的统计特性。
    
    
    
>相关链接
>
>https://stackabuse.com/seaborn-library-for-data-visualization-in-python-part-1/

人工智能 --- 工具介绍

## Anaconda 介绍

![image-3.png](https://niuery.com/static/img/ab4a03c089a7c210cc5f5a25d0ed3eae.image-3.png)

[Anaconda[1]](https://www.anaconda.com/) 是一个开源的 `Python` 和 `R` 语言的发行版本，主要用于数据科学、机器学习、深度学习等领域的开发和研究。




### 一、主要特点

![1735521153135-image-2.png](https://niuery.com/static/img/1beb3b3aea2b127fab3f4b9498e657f3.1735521153135-image-2.png)
1. 包管理功能强大
   - `Anaconda` 自带了一个名为 `conda` 的包管理器。`conda` 可以方便地安装、更新和删除各种软件包。例如，如果你想安装数据分析库 `pandas`，只需要在命令行中输入 `conda install pandas`，`conda` 就会自动从 `Anaconda` 的软件仓库中下载并安装 `pandas` 及其相关的依赖项。
   - 它能够很好地管理不同版本的软件包，避免软件包之间的版本冲突。这在处理复杂的数据分析和机器学习项目时非常重要，因为不同的项目可能依赖于不同版本的库。

2. 环境管理便捷
   - 可以创建多个独立的 `Python` 环境。比如，你可能有一个项目需要使用 `Python 3.6` 和特定版本的 `TensorFlow`，而另一个项目需要 `Python 3.8` 和不同版本的`Scikit - learn`。通过 `Anaconda`，你可以轻松地为每个项目创建独立的环境。
   - 命令 `conda create -n myenv python=3.6` 可以创建一个名为 `myenv` 的 `Python 3.6` 环境。在这个环境中，你可以安装特定于该项目的软件包，而不会影响其他环境中的软件包配置。

3.  集成大量科学计算库
    - `Anaconda` 预先集成了许多常用的科学计算、数据分析和机器学习库。包括`NumPy`（用于数值计算）、`Matplotlib`（用于数据可视化）、`Scikit - learn（`用于机器学习）等。
    - 这些库的集成使得数据科学家和开发者可以迅速开始他们的项目，而不需要花费大量时间去安装和配置每个库。例如，在进行简单的数据可视化时，直接导入 `Matplotlib` 就可以开始绘制图表，大大提高了开发效率。
4.  跨平台支持
`Anaconda` 支持多种操作系统，如 `Windows`、`Mac OS` 和 `Linux`。这意味着无论你使用哪种操作系统进行开发，都可以使用 `Anaconda` 来管理你的 `Python` 环境和软件包。
在不同操作系统上，`Anaconda` 的基本操作和功能是相似的。例如，在 `Windows` 和 `Mac OS` 上创建和管理环境的命令是相同的，只是在安装过程中可能会有一些细微的差异。
### 二、应用场景
1.  数据科学与分析
    - 在数据清理、数据探索和数据分析阶段，`Anaconda` 提供的 `pandas` 和 `NumPy`等库可以帮助用户高效地处理和分析数据。例如，`pandas` 的 `DataFrame` 结构可以方便地存储和操作表格型数据，`NumPy`则提供了高效的数组操作功能。
    - 对于数据可视化，`Matplotlib` 和 `Seaborn` 等库可以创建各种类型的图表，如柱状图、折线图、散点图等，以直观地展示数据特征和分析结果。
2. 机器学习与深度学习
   - 在机器学习领域，`Anaconda` 集成了 `Scikit - learn` 这样的流行库，它提供了丰富的机器学习算法，如分类算法（决策树、支持向量机等）、回归算法（线性回归、岭回归等）和聚类算法（K - Means 聚类等）。
   - 对于深度学习，虽然 `Anaconda`  本身没有包含深度学习框架如 `TensorFlow`和 `PyTorch`的核心部分，但它可以方便地用于安装和管理这些框架。用户可以在 `Anaconda` 环境中安装 `TensorFlow`，并利用其进行神经网络模型的训练和部署。
3. 学术研究与教学
   - 在学术研究中，研究人员可以利用 `Anaconda` 快速搭建实验环境，安装所需的研究工具和库。在教学方面，教师可以通过 `Anaconda` 为学生创建统一的教学环境，让学生能够轻松地安装和使用课程相关的软件包，例如在教授数据结构和算法课程时，学生可以在 `Anaconda` 环境中使用 `Python` 来实现各种数据结构和算法。

## Anaconda 安装

由于`Anaconda3` 官网是国外的，直接下载会很慢。 

清华大学开源软件镜像站提供了 `Anaconda` 的[下载镜像[2]](https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/)，地址为: 。使用镜像站下载速度通常会比从官网下载快很多，推荐优先该镜像站.

我这里下载了目前镜像站中最新的版本 `Anaconda3-2024.10-1-Windows-x86_64.exe`


![1735521153135-image.png](https://niuery.com/static/img/fd8c1540b9ca860117139d8ce4ea99c6.1735521153135-image.png)

![image-1.png](https://niuery.com/static/img/bc4390d8c0eca55c80817027677f0c6e.image-1.png)
安装完之后的界面是这样的：可以看到分四个模块，
1. Home
    `Home` 模块是主要界面，提供了一个便捷的入口来访问常用的工具和资源。它相当于一个控制台，用户可以在这里安装和快速启动应用程序


    在这里可以看到已安装的 `Anaconda` 应用，如 `Jupyter Notebook`、`JupyterLab` 等。`Jupyter Notebook` 是数据科学家和开发者经常使用的交互式计算环境，通过在 `Home` 模块中点击 `Jupyter Notebook` 的图标，就能快速启动它，然后开始编写和运行代码，进行数据分析、机器学习模型开发等工作。
 

![image-4.png](https://niuery.com/static/img/693baf597356e43bae5e5d93560fd6ea.image-4.png)
2. Environments
  
    `Environments` 主要用于管理 `Python` 和 `R` 等语言的环境。它允许用户创建、复制、删除和切换不同的环境，每个环境可以有独立的 `Python` 或 `R` 版本以及安装的软件包。
 
![image-5.png](https://niuery.com/static/img/70c2e5f3802d1f8b9c894efcea0b59cb.image-5.png)

3. Learning
   Learning 模块主要提供学习资源，帮助用户更好地掌握数据科学、机器学习等相关知识和技能。它是一个知识宝库，包含教程、文档和示例代码等多种学习材料。
  
![image-6.png](https://niuery.com/static/img/03aafcd8d6e68dd7fd64b300eb4ad636.image-6.png)
4. Community
    `Community` 模块是 `Anaconda` 用户交流和共享的平台，促进用户之间的知识共享、问题解决和协作。在这里，用户可以与全球范围内的其他 `Anaconda` 使用者互动，论讨交流以及代码共享。


>参考链接
>
>[1] https://www.anaconda.com/
>
>[2] https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
>