这个东西反而没那么难，我们来解释下 Session是服务器上的东西，有很多很多。而我们浏览器会对应一个Session，对应的方式就是我们浏览器Cookie会自带一串密钥，对应上服务器上的Session。我们可以通过请求头里面的密钥来控制服务器上的Session，也就是后端上面的。我们在Cookie当中有一个问题，就是如何让用户没登陆的情况下，也就是服务器没记住的情况下禁止没登陆前往首页。 JSESSIONID 这个 Cookie，是服务器自动生成、自动发送的，不是你自己写的！ 浏览器第一次访问服务器时，就会自动拥有！ 那么现在，我们在用户登录成功之后，将用户对象添加到Session中，只要
它可以在浏览器中保存一些信息，并且在下次请求时，请求头中会携带这些信息。 我们先来写一个Cookie： 123456// 1. 创建一个名叫 test，值是 yyds 的 CookieCookie cookie = new Cookie("test", "yyds");// 2. 把 Cookie 交给响应 → 让浏览器保存resp.addCookie(cookie);// 3. 让浏览器跳转到 /time 路径resp.sendRedirect("time"); 只需要一次后，我们浏览器访问同域名下的所有地址，都会携带一个Cooki
由官方定义的一系列借口，如Tmocat，最后交给Web服务器来运行我们编写的Servlet。 不再是直接由Tomcat服务器发送编写好的静态网页内容如HTML文件，而是由我们通过JAVA代码进行拼接，更好地实现动态网页。 注册Servlet 这里的test是访问路径，我们HTTP协议URL中最后就是端口或者路径。 123456789101112131415161718192021222324252627@WebServlet("/test")public class TestServlet implements Servlet{ @Override publ
什么是Maven Maven翻译过来是“专家“，是一个纯java开源项目。通过Maven，可以帮助我们做： 项目的自动构建，包括代码的编译、测试、打包、安装、部署等操作。 依赖管理，项目使用到哪些依赖，可以快速完成导入。 把项目打包成jar或者从外部导入jar库包，就像我们之前学习一样，Jar包越来越多。所以我们需要一个更好的管理方式来导入这些Jar包。 Maven也需要环境，不过Idea自带。 我们如果创建好Maven项目后，会发现有如下不同： Maven项目 我们先创建一个Maven项目，里面长这样。 java包：我们的代码一般写在java文件包当中。 resources：J
尝试JUT JDK自带的日志系统也就是JUT，如果我们一直用System.out.println()来在控制台输出信息的话，我们有时候还得找这个东西在哪，如果调试算法题的话应该深有体会。那么Java自己就有一个类java.util.logging包下，实现日志打印： 12345678public class Main { public static void main(String[] args) { // 首先获取日志打印器 Logger logger = Logger.getLogger(Main.class.getName());
导入包 肯定要导入包的啦 @Test 我们可以直接在无参方法前面加上@Test注解，这样我们在Idea编译器中可以直接运行这个方法进行调试。 方法必须是public的 不能是静态方法 返回值必须是void 必须是没有任何参数的方法 断言 对于一个测试用例而言，我们想知道是否最后结果值符合我们的期望值，如果不符合就运行失败。 1234567public class TestMain { @Test public void method(){ System.out.println("我是测试案例！"); A
JDBC中我们调用数据库获得的数据都是结果集，需要运用java底层来运作。 XML语言 XML长什么样 Mybatis使用简单的XML或者注解来进行数据库操作。XML语言最早用于数据的存储和传输，跟HTML长得几乎差不多，但意义不同。 123456789<? xml version="1.0"encoding="utf-8"?><outer> <name>qwq</name> <desc>qwqwq</desc> <inner type="1">
离散型随机变量的独立性 独立性定义 对于离散型随机变量 $X, Y$，若对所有 $i, j$ 满足： $$P\{X=x_i, Y=y_j\} = P\{X=x_i\} \cdot P\{Y=y_j\} $$则称 $X$ 与 $Y$ 相互独立。 例题1：判断独立性 联合分布表： $X \setminus Y$ $0$ $1$ $P\{X=x_i\}$ $0$ $0.3$ $0.3$ $0.6$ $1$ $0.3$ $0.4$ $0.4$ $P\{Y=y_j\}$ $0.6$ $0.4$ $1$
离散型随机变量的条件分布 联合分布表 $(X,Y)$ $X \setminus Y$ $0$ $1$ 边缘和 $P_{i\cdot}$ $1$ $0.2$ $0.3$ $0.5$ $2$ $0.1$ $0.4$ $0.5$ 边缘和 $P_{\cdot j}$ $0.3$ $0.7$ $1$ 条件概率计算示例 已知 $X=1$ 时，$Y$ 的条件分布 $P\{Y=0 \mid X=1\} = \dfrac{P\{X=1,Y=0\}}{P\{X=1\}} = \dfrac{0.2
边缘分布函数（通用概念） 核心定义回顾 二维随机变量 $(X,Y)$ 的联合分布函数： $$F(x,y) = P\{X \le x,\ Y \le y\} $$ 边缘分布函数公式 $X$ 的边缘分布函数 $F_X(x)$ $$F_X(x) = P\{X \le x\} = P\{X \le x,\ Y < +\infty\} = F(x, +\infty) = \lim_{y \to +\infty} F(x,y) $$ $Y$ 的边缘分布函数 $F_Y(y)$ $$F_Y(y) = P\{Y \le y\} =
