《面向对象的思考过程(原书第4版)》一1.1 基本概念

简介: 本节书摘来自华章出版社《面向对象的思考过程(原书第4版)》一书中的第1章,第1.1节,南森·马茨(Nathan Marz) [美] 詹姆斯·沃伦(JamesWarren) 著 马延辉 向 磊 魏东琦 译,更多章节内容可以访问云栖社区“华章计算机”公众号查看。

本节书摘来自华章出版社《面向对象的思考过程(原书第4版)》一书中的第1章,第1.1节,[美] 马特·魏斯费尔德(Matt Weisfeld) 著

黄博文 译,更多章节内容可以访问云栖社区“华章计算机”公众号查看。

1.1 基本概念

本书主要目标是让你学会思考如何将面向对象概念应用于面向对象的系统设计中。历史上定义面向对象的语言拥有以下特点:封装(encapsulation)、继承(inheritance)和多态(polymorphism)。因此,如果设计一门语言时没有完全实现以上特性,那么通常我们认为该语言不是完全面向对象的。即使实现了这三点,我也往往会加入组合特性。因此,我认为面向对象的概念如下;
封装
继承
多态
组合
本书接下来会详述这些特性。
从本书第1版开始,我一直在努力解决的问题是这些概念如何直接与当前的设计实践关联起来,因为设计实践始终在变化当中。例如,在面向对象设计中使用继承总是饱受争议。继承是否实际上破坏了封装?(稍后的章节会讨论这一主题。)甚至现在,很多开发人员都试图尽量避免使用继承。
我的方式是始终围绕概念来学习。无论你是否使用继承,你至少需要理解什么是继承,这会保证你的设计决策是有据可依的。正如在介绍中提及的那样,本书目标读者是希望学习基本的面向对象概念的总体介绍的人。请记住这一点,本章中我会展现基本的面向对象概念,希望读者能在做重要的设计决策前打下一个坚实的基础。本章涵盖了这些概念的基本知识,随后的章节中的主题也会讨论这些概念的细节。

相关文章
|
9天前
|
数据采集 人工智能 安全
|
4天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:七十、小树成林,聚沙成塔:随机森林与大模型的协同进化
随机森林是一种基于决策树的集成学习算法,通过构建多棵决策树并结合它们的预测结果来提高准确性和稳定性。其核心思想包括两个随机性:Bootstrap采样(每棵树使用不同的训练子集)和特征随机选择(每棵树分裂时只考虑部分特征)。这种方法能有效处理大规模高维数据,避免过拟合,并评估特征重要性。随机森林的超参数如树的数量、最大深度等可通过网格搜索优化。该算法兼具强大预测能力和工程化优势,是机器学习中的常用基础模型。
305 164
|
3天前
|
机器学习/深度学习 自然语言处理 机器人
阿里云百炼大模型赋能|打造企业级电话智能体与智能呼叫中心完整方案
畅信达基于阿里云百炼大模型推出MVB2000V5智能呼叫中心方案,融合LLM与MRCP+WebSocket技术,实现语音识别率超95%、低延迟交互。通过电话智能体与座席助手协同,自动化处理80%咨询,降本增效显著,适配金融、电商、医疗等多行业场景。
318 155
|
12天前
|
SQL 自然语言处理 调度
Agent Skills 的一次工程实践
**本文采用 Agent Skills 实现整体智能体**,开发框架采用 AgentScope,模型使用 **qwen3-max**。Agent Skills 是 Anthropic 新推出的一种有别于mcp server的一种开发方式,用于为 AI **引入可共享的专业技能**。经验封装到**可发现、可复用的能力单元**中,每个技能以文件夹形式存在,包含特定任务的指导性说明(SKILL.md 文件)、脚本代码和资源等 。大模型可以根据需要动态加载这些技能,从而扩展自身的功能。目前不少国内外的一些框架也开始支持此种的开发方式,详细介绍如下。
873 6
|
5天前
|
机器学习/深度学习 人工智能 前端开发
构建AI智能体:六十九、Bootstrap采样在大模型评估中的应用:从置信区间到模型稳定性
Bootstrap采样是一种通过有放回重抽样来评估模型性能的统计方法。它通过从原始数据集中随机抽取样本形成多个Bootstrap数据集,计算统计量(如均值、标准差)的分布,适用于小样本和非参数场景。该方法能估计标准误、构建置信区间,并量化模型不确定性,但对计算资源要求较高。Bootstrap特别适合评估大模型的泛化能力和稳定性,在集成学习、假设检验等领域也有广泛应用。与传统方法相比,Bootstrap不依赖分布假设,在非正态数据中表现更稳健。
258 113

热门文章

最新文章