适合人群:计算机科学与技术、软件工程、人工智能、数据科学与大数据技术等专业的2027届毕业生。

项目关键词:Vue3、Spring Boot、Python、机器学习、决策树算法、MySQL、学业预警、AI辅助开发。

一、写在前面:为什么推荐这个毕业设计?

每年计算机专业毕业设计选题时,很多同学都会遇到一个问题:

想做一个有技术含量的项目,但又担心算法太复杂、开发周期太长,最后无法顺利完成。

如果你也在寻找一个兼顾 Web 开发、机器学习和实际应用场景的毕业设计,那么今天介绍的项目值得考虑。

项目名称:

基于决策树算法的高校学生学业预警系统

这个项目主要解决高校学生学业管理中的一个实际问题:

传统学生管理通常需要辅导员、教师通过成绩表格、考勤记录等信息,人工判断学生是否存在学业风险。

这种方式不仅效率较低,而且很难及时发现多个维度数据共同反映出的潜在问题。

因此,我们可以利用机器学习中的决策树算法,对学生成绩、出勤情况、课程完成情况等数据进行综合分析,建立一个智能学业预警模型。

当系统发现某名学生存在潜在学业风险时,可以自动给出预警等级,并展示影响预警结果的主要因素。

这不仅是一个普通的后台管理系统,还涉及:

  • Vue3 前端页面开发
  • Spring Boot 后端业务开发
  • MySQL 数据库设计
  • Python 机器学习模型训练
  • 决策树算法应用
  • 前后端数据交互
  • 数据可视化分析

对于2027届计算机毕业设计来说,这类项目具有比较完整的工程实践价值。


二、项目整体介绍

2.1 项目名称

基于决策树算法的高校学生学业预警系统。

2.2 项目核心目标

系统通过收集和分析学生的学业相关数据,利用决策树算法建立学业风险预测模型,实现学生学业风险识别、预警信息管理和数据可视化分析。

主要目标包括:

  1. 实现学生基本信息和学业数据管理。
  2. 实现学生成绩、考勤等数据的统一管理。
  3. 利用决策树算法建立学业预警模型。
  4. 自动识别存在学业风险的学生。
  5. 对学生进行不同等级的风险分类。
  6. 为教师和辅导员提供学业预警参考。
  7. 通过可视化图表展示学生整体学业情况。

2.3 系统角色设计

建议设计三个主要角色。

角色主要职责
系统管理员用户管理、学生信息管理、基础数据管理、系统配置
教师/辅导员学生学业分析、预警信息查看、预警处理、干预记录
学生查看个人成绩、学业分析、预警信息和改进建议

注意:不同角色的菜单和数据访问权限应当有所区别。

2.4 系统核心功能

1. 学生信息管理

  • 学生基本信息维护
  • 班级信息管理
  • 专业信息管理
  • 年级信息管理
  • 学生信息查询

2. 学业数据管理

  • 学生成绩管理
  • 课程信息管理
  • 考勤数据管理
  • 学业数据导入
  • 历史数据查询

3. 学业预警管理

  • 学业风险自动预测
  • 预警等级划分
  • 预警名单管理
  • 预警结果查询
  • 预警记录管理

4. 决策树模型管理

  • 训练数据管理
  • 模型训练
  • 模型评估
  • 模型参数配置
  • 模型版本管理

5. 学业数据分析

  • 学生学业情况统计
  • 各年级预警人数统计
  • 各专业预警情况分析
  • 不同预警等级分布
  • 学业风险因素分析

6. 预警干预管理

  • 教师预警处理
  • 干预措施记录
  • 学生改进情况跟踪
  • 预警处理结果统计

三、技术架构:前后端分离 + 机器学习

为了兼顾开发难度、系统完整性和算法应用,推荐采用前后端分离架构。

3.1 技术选型

技术主要用途
Vue3前端页面开发
Element PlusUI组件库
ECharts数据可视化
Spring Boot后端业务开发
MyBatis-Plus数据持久层
MySQL业务数据存储
Python机器学习模型开发
Scikit-learn决策树算法实现
FastAPIPython模型接口服务
Axios前后端数据交互

为什么推荐这种技术组合?

Vue3 + Spring Boot 是目前比较常见的毕业设计开发组合,资料丰富,学习成本相对可控。

而 Python 的 Scikit-learn 提供了成熟的机器学习算法实现,可以帮助我们快速完成决策树模型的训练、评估和预测。

3.2 系统架构图

后端功能

前端功能

用户访问层

Vue3 前端展示层

Spring Boot 业务服务层

MySQL 数据库

Python 模型服务

Scikit-learn 决策树模型

学生信息管理

学业数据管理

学业预警展示

数据可视化

用户权限管理

学生业务管理

预警业务管理

模型调用服务

3.3 算法服务如何与业务系统交互?

这里采用一种比较清晰的设计:

Spring Boot 负责业务逻辑,Python 负责模型训练和预测。

例如,当教师发起学业预警分析时:

  1. Spring Boot 查询学生的成绩、出勤率等数据。
  2. 将需要预测的数据封装成 JSON。
  3. 通过 HTTP 请求调用 Python 模型服务。
  4. Python 加载已经训练好的决策树模型。
  5. 模型输出预测风险等级及相关分析信息。
  6. Spring Boot 保存预测结果。
  7. Vue3 页面展示预警结果。

这种方式能够让业务代码和算法代码相互独立,方便后续模型升级。


四、核心算法:决策树到底是什么?

这是整个毕业设计中最重要的技术部分。

如果项目只是完成普通的学生信息管理、成绩管理和数据统计,那么它与常规的管理系统区别并不大。

而决策树算法的加入,能够让系统具备一定的智能分析能力。

4.1 决策树算法简介

决策树(Decision Tree)是一种常见的机器学习算法,可以用于分类和回归任务。

它的基本思想是:

根据数据特征,不断进行条件判断,将数据划分到不同分支,最终得到预测结果。

可以简单理解为一棵由多个判断节点组成的树。

例如:

某名学生是否存在学业风险,可以根据以下条件进行判断:

  • 平均成绩是否低于60分?
  • 出勤率是否低于80%?
  • 不及格课程数量是否达到一定标准?
  • 作业完成率是否较低?

最终根据不同条件组合,输出学生的风险等级。

4.2 决策树结构示意图

是

否

是

否

是

否

学生学业数据

平均成绩是否低于60分?

不及格课程是否达到2门?

出勤率是否低于80%?

高风险

中风险

中风险

低风险

注意:上图是用于说明算法思路的简化示例,实际项目中的分支和阈值应由训练数据学习得到,不能直接将示意图当成真实训练结果。

4.3 学业预警模型的特征设计

我们需要先确定哪些数据可以作为决策树模型的输入。

建议使用以下特征:

特征名称数据类型说明
averageScore数值型学生平均成绩
attendanceRate数值型学生出勤率
failedCourseCount整数型不及格课程数量
homeworkRate数值型作业完成率
creditCompletionRate数值型学分完成率
studyHours数值型平均每周学习时长

模型最终输出:

预测结果含义
LOW低风险
MEDIUM中风险
HIGH高风险

以上只是推荐的特征设计,实际使用时应根据学校业务规则、数据可用性和数据质量进行调整。

4.4 决策树如何选择最佳分裂特征?

常见的决策树算法包括:

  • ID3
  • C4.5
  • CART

本项目建议优先采用 CART 分类树。

CART 可以使用基尼不纯度(Gini Impurity)衡量数据集的纯度。

其计算公式:

Gini(D) = 1 - Σ(pᵢ²)

其中:

  • D 表示当前数据集。
  • pᵢ 表示第 i 个类别在数据集中的比例。

基尼不纯度越低,表示当前数据集中的类别越集中。

算法通过寻找合适的特征和分裂阈值,逐步构建决策树。

使用 Scikit-learn 可以直接实现:

from sklearn.tree import DecisionTreeClassifier

model = DecisionTreeClassifier(
    criterion="gini",
    max_depth=5,
    min_samples_split=10,
    random_state=42
)

model.fit(X_train, y_train)

其中:

  • criterion:划分标准。
  • max_depth:决策树最大深度。
  • min_samples_split:节点继续划分所需的最小样本数量。
  • random_state:随机种子。

具体参数需要通过验证集和交叉验证进行调整,不能直接认为深度为5就是最优配置。


五、数据库设计:项目需要哪些数据表?

一个完整的毕业设计不能只有算法,还需要完善的数据管理能力。

建议围绕学生、课程、成绩、预警和模型建立数据库。

5.1 核心数据表

数据表主要作用
sys_user系统用户
sys_role角色信息
student学生基本信息
college学院信息
major专业信息
class_info班级信息
course课程信息
score学生成绩
attendance学生考勤
academic_warning学业预警记录
intervention_record干预处理记录
model_info模型版本信息
model_train_record模型训练记录

5.2 学业预警表设计

以 academic_warning 表为例:

CREATE TABLE academic_warning (
    id BIGINT PRIMARY KEY AUTO_INCREMENT,
    student_id BIGINT NOT NULL,
    warning_level VARCHAR(20) NOT NULL,
    risk_probability DECIMAL(6,5),
    warning_reason TEXT,
    model_version VARCHAR(50),
    warning_time DATETIME,
    process_status VARCHAR(20) DEFAULT 'PENDING',
    create_time DATETIME DEFAULT CURRENT_TIMESTAMP
);

字段说明:

  • student_id:学生ID。
  • warning_level:预警等级。
  • risk_probability:模型输出的高风险类别概率。
  • warning_reason:预警原因。
  • model_version:使用的模型版本。
  • warning_time:预警时间。
  • process_status:预警处理状态。

需要注意,模型概率并不等于学生真实发生学业困难的确定概率,使用前应进行概率校准和效果验证。


六、最重要的部分:如何利用 AI 开发这个项目?

很多同学使用 AI 开发毕业设计时,容易犯一个错误:

直接告诉 AI:

“帮我开发一个高校学生学业预警系统。”

然后期待 AI 一次性生成整个项目。

这种方式通常效果不好。

因为系统涉及多个角色、多个业务模块、数据库、算法模型和前后端交互。

更推荐的方式是:

先让 AI 理解项目,再让 AI 设计架构,最后按照模块逐步开发。

下面分享一套可以直接使用的提示词。

6.1 第一步:让 AI 生成完整项目方案

提示词:

你现在是一名拥有多年经验的高级软件架构师、
Java开发工程师和机器学习工程师。

我准备开发一个计算机专业毕业设计项目:

《基于决策树算法的高校学生学业预警系统》。

项目技术栈:
前端:Vue3 + Element Plus + ECharts
后端:Spring Boot + MyBatis-Plus
数据库:MySQL
算法:Python + Scikit-learn
算法接口:FastAPI

系统包含三个角色:
1. 系统管理员
2. 教师/辅导员
3. 学生

请你帮我完成以下工作:

1. 分析项目的实际应用场景。
2. 设计完整的系统功能模块。
3. 梳理三个角色的功能权限。
4. 设计前后端分离架构。
5. 设计Python机器学习服务架构。
6. 设计MySQL数据库表。
7. 设计核心业务流程。
8. 设计决策树模型的数据输入和输出。
9. 给出项目完整开发路线。

要求:
功能设计符合计算机本科毕业设计的实际工作量。
不要只生成简单的CRUD管理系统。
需要体现决策树算法的实际应用。
所有模块之间必须具有明确的业务关系。

暂时不要生成代码,先输出完整设计方案。

6.2 第二步:让 AI 生成数据库设计

提示词:

现在请根据已经确定的高校学生学业预警系统方案,
帮我完成MySQL数据库设计。

要求:

1. 使用MySQL 8.0。
2. 设计完整的数据表结构。
3. 包含学生、教师、课程、成绩、考勤等业务表。
4. 包含学业预警记录表。
5. 包含模型训练记录和模型版本管理表。
6. 包含教师干预处理记录表。
7. 每张表都需要明确字段类型。
8. 设置合理的主键、外键和索引。
9. 添加字段注释。
10. 输出可以直接执行的SQL文件。

另外,请解释各数据表之间的关联关系,
并使用Mermaid绘制数据库ER关系图。

不要遗漏核心业务表。

6.3 第三步:让 AI 生成前端页面

提示词:

现在开始开发高校学生学业预警系统的前端。

技术栈:
Vue3 + Vite + TypeScript + Element Plus + ECharts。

要求:

1. 使用Vue3 Composition API。
2. 使用合理的组件化开发方式。
3. 使用Pinia管理全局状态。
4. 使用Vue Router管理路由。
5. 使用Axios封装请求。
6. 实现登录和角色权限控制。
7. 实现管理员、教师、学生三个角色的页面。
8. 页面风格采用简洁、专业的高校教育管理系统风格。
9. 使用红色、暖橙色、米白色作为主要视觉色彩。
10. 不要使用蓝紫色主题。

首先生成项目目录结构,
然后按照页面模块逐步生成代码。

每个页面需要提供:
页面布局、组件结构、交互逻辑、模拟数据和接口调用位置。

不要一次性生成所有页面。

6.4 第四步:让 AI 开发决策树模型

这是整个项目最关键的一步。

提示词:

你现在是一名机器学习算法工程师。

请使用Python和Scikit-learn,
开发一个基于CART决策树算法的高校学生学业预警模型。

输入特征包括:

1. averageScore:平均成绩
2. attendanceRate:出勤率
3. failedCourseCount:不及格课程数量
4. homeworkRate:作业完成率
5. creditCompletionRate:学分完成率
6. studyHours:每周学习时长

预测目标:
LOW:低风险
MEDIUM:中风险
HIGH:高风险

开发要求:

1. 使用Pandas处理数据。
2. 使用合理的数据清洗方式。
3. 对训练集和测试集进行划分。
4. 使用DecisionTreeClassifier构建模型。
5. 设置合理的树深度和节点划分参数。
6. 使用Accuracy、Precision、Recall、F1-score评估模型。
7. 绘制混淆矩阵。
8. 使用export_text或plot_tree输出决策树结构。
9. 使用joblib保存模型。
10. 提供单条学生数据预测接口。
11. 提供批量预测接口。

特别要求:

不要使用预测结果直接反过来作为训练标签。
训练标签必须来自可靠的历史学业风险定义或经过审核的标注数据。
请提供可运行的完整代码、数据格式和运行步骤。

6.5 第五步:让 AI 开发 Python 接口服务

提示词:

现在请使用FastAPI将已经训练好的决策树模型封装成HTTP接口。

要求:

1. 启动时加载joblib模型文件。
2. 提供单个学生预测接口。
3. 提供批量学生预测接口。
4. 对输入参数进行校验。
5. 返回预测等级。
6. 返回各类别预测概率。
7. 返回模型版本号。
8. 返回可解释的主要判断路径。
9. 处理模型文件不存在等异常。
10. 提供Swagger接口文档。

请提供完整项目结构和代码。

6.6 第六步:让 AI 实现 Spring Boot 算法调用

提示词:

现在需要在Spring Boot后端实现Python机器学习服务调用。

要求:

1. 使用Spring Boot开发。
2. 通过HTTP调用FastAPI接口。
3. 封装算法请求DTO。
4. 封装算法响应DTO。
5. 实现学生单条预测。
6. 实现学生批量预测。
7. 保存预测结果到MySQL。
8. 记录模型版本。
9. 实现接口超时和异常处理。
10. 提供Controller、Service、Mapper等完整代码。

注意:
业务逻辑必须放在Spring Boot中,
机器学习模型的训练和预测由Python服务负责。

不要将算法代码直接写在Controller中。

七、分步开发路线:从零到完整项目

如果你是第一次开发机器学习类毕业设计,建议按照以下顺序推进。

不要一开始就研究复杂算法,也不要一开始就开发所有页面。

第一阶段:需求分析与项目搭建

预计时间:2~3天。

主要任务:

  • 明确项目功能。
  • 确定系统角色。
  • 梳理业务流程。
  • 确定技术栈。
  • 设计数据库。
  • 创建前后端项目。

阶段成果:

完成系统需求文档、技术架构图、数据库设计和项目基础框架。

第二阶段:前后端基础业务开发

预计时间:5~7天。

主要任务:

  • 登录模块。
  • 用户管理。
  • 学生管理。
  • 班级管理。
  • 课程管理。
  • 成绩管理。
  • 考勤管理。

阶段成果:

完成系统基础业务功能,能够正常进行学生和学业数据管理。

第三阶段:决策树模型开发

预计时间:4~6天。

主要任务:

  • 准备历史学业数据。
  • 处理缺失值和异常值。
  • 构建模型特征。
  • 训练决策树模型。
  • 调整模型参数。
  • 评估模型性能。
  • 保存模型文件。

阶段成果:

完成一个能够进行学生学业风险分类的决策树模型。

特别提醒:

如果没有真实历史数据,可以使用合理构造的模拟数据完成开发和功能演示,但必须明确标注数据为模拟数据,不能把模拟数据训练出的指标描述成真实高校的预测效果。

第四阶段:算法服务集成

预计时间:3~4天。

主要任务:

  • 使用FastAPI封装模型。
  • 开发单条预测接口。
  • 开发批量预测接口。
  • Spring Boot调用Python接口。
  • 保存模型预测结果。
  • 实现异常处理。

阶段成果:

实现前端、Spring Boot和Python算法服务之间的数据交互。

第五阶段:可视化与预警业务开发

预计时间:3~5天。

主要任务:

  • 学业预警列表。
  • 预警等级展示。
  • 预警人数统计。
  • 年级预警分析。
  • 专业预警分析。
  • 学业风险因素分析。
  • 教师干预记录。
  • 学生预警结果展示。

阶段成果:

形成一个具有完整业务闭环的高校学生学业预警系统。

第六阶段:系统测试与毕业设计材料整理

预计时间:3~5天。

主要任务:

  • 前端功能测试。
  • 后端接口测试。
  • 算法预测测试。
  • 数据库测试。
  • 权限测试。
  • 模型性能评估。
  • 项目部署。
  • 整理毕业设计论文。
  • 准备答辩PPT。

阶段成果:

完成系统部署、测试报告、毕业设计论文和答辩材料。

以上时间是一个本科毕设的参考排期,实际进度需要根据个人基础、数据准备情况和学校要求调整。


八、核心代码示例:训练一个决策树模型

下面给出一个相对精简的训练代码示例,方便大家理解整个项目的核心实现过程。

8.1 安装依赖

pip install pandas scikit-learn joblib

8.2 准备训练数据

假设我们准备一个名为 students.csv 的文件:

averageScore,attendanceRate,failedCourseCount,homeworkRate,creditCompletionRate,studyHours,riskLevel
85,95,0,98,95,20,LOW
72,90,1,90,85,15,LOW
58,75,2,65,60,8,HIGH
65,82,1,75,75,12,MEDIUM
78,88,0,85,90,16,LOW
55,70,3,60,55,6,HIGH
68,85,1,80,78,13,MEDIUM

这里的数据仅用于演示字段格式。实际训练需要更多具有代表性的样本。

8.3 模型训练代码

import pandas as pd
import joblib

from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import (
    accuracy_score,
    classification_report,
    confusion_matrix
)

# 1. 读取数据
data = pd.read_csv("students.csv")

# 2. 选择特征
features = [
    "averageScore",
    "attendanceRate",
    "failedCourseCount",
    "homeworkRate",
    "creditCompletionRate",
    "studyHours"
]

X = data[features]
y = data["riskLevel"]

# 3. 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X,
    y,
    test_size=0.2,
    random_state=42,
    stratify=y
)

# 4. 创建决策树模型
model = DecisionTreeClassifier(
    criterion="gini",
    max_depth=5,
    min_samples_split=10,
    random_state=42,
    class_weight="balanced"
)

# 5. 模型训练
model.fit(X_train, y_train)

# 6. 模型预测
y_pred = model.predict(X_test)

# 7. 模型评估
print("准确率:", accuracy_score(y_test, y_pred))

print("分类报告:")
print(classification_report(
    y_test,
    y_pred,
    zero_division=0
))

print("混淆矩阵:")
print(confusion_matrix(y_test, y_pred))

# 8. 保存模型
joblib.dump(model, "academic_warning_model.pkl")

print("模型训练完成!")

8.4 单个学生预测

import joblib
import pandas as pd

# 加载模型
model = joblib.load("academic_warning_model.pkl")

# 构造学生数据
student = pd.DataFrame([{
    "averageScore": 58,
    "attendanceRate": 75,
    "failedCourseCount": 2,
    "homeworkRate": 65,
    "creditCompletionRate": 60,
    "studyHours": 8
}])

# 预测
result = model.predict(student)

# 获取类别概率
probabilities = model.predict_proba(student)

print("预测结果:", result[0])

print("各类别概率:")
for label, probability in zip(
    model.classes_,
    probabilities[0]
):
    print(label, round(probability, 4))

实际项目还需要统一训练与预测时的特征顺序、缺失值处理规则和数据预处理流程。

另外,模型的类别概率需要经过验证,不能直接将其视为经过校准的真实风险概率。


九、项目有哪些可以写进论文的创新点?

很多同学完成毕业设计后,不知道如何总结项目特色。

这个项目可以从以下几个方向进行设计和论述。

创新点一:基于多维学业数据的综合风险识别

不再只根据单一考试成绩判断学生学业情况,而是结合:

  • 学业成绩
  • 课程完成情况
  • 出勤情况
  • 作业完成情况
  • 学分完成情况

实现多维度学业风险分析。

创新点二:基于决策树的可解释学业预警

与一些难以解释的复杂模型相比,决策树可以通过判断路径展示模型的分类依据。

教师不仅能够看到预测结果,还能够了解模型主要依据哪些特征进行判断。

创新点三:基于角色权限的预警管理

针对不同用户设计不同功能:

  • 管理员负责系统管理。
  • 教师负责学生学业分析和预警干预。
  • 学生查看个人学业情况和改进建议。

形成完整的业务管理流程。

创新点四:预警结果与干预记录相结合

不仅生成预警结果,还记录教师后续采取的干预措施,以及学生后续学业变化。

让系统从单纯的风险预测工具,逐步发展为学业管理辅助平台。

需要注意:上述内容属于可实施的设计特色,不应直接宣称为算法理论创新。毕业论文应当根据实际实现和实验结果客观描述。


十、毕业设计容易踩的几个坑

最后再分享几个开发过程中需要特别注意的问题。

1. 不要只做普通管理系统

如果整个项目只有学生管理、成绩管理、用户管理等CRUD功能,那么决策树算法就会变成一个摆设。

必须真正实现模型训练、预测、评估和系统调用。

2. 不要随意生成训练标签

不能简单地用几个固定条件生成风险标签,再用同样的条件训练决策树,最后宣称模型具备很高的预测能力。

这样容易形成标签泄漏或规则复现问题。

建议使用经过审核的历史数据和明确的学业风险定义。

3. 不要忽略模型评估

准确率并不是唯一指标。

对于学业风险预警而言,漏掉真正存在风险的学生可能造成更大的影响。

因此还应该重点关注高风险类别的Recall、Precision和F1-score,并结合混淆矩阵进行分析。

4. 不要让算法直接决定学生命运

模型输出应当作为教师开展学业指导的辅助参考,而不是自动认定学生不合格或采取处罚措施。

预警结果需要允许人工复核,并提供申诉和纠错机制。

5. 注意学生隐私保护

学生成绩、出勤和学习行为都属于需要妥善保护的数据。

开发过程中建议使用脱敏或模拟数据,设置角色访问权限,并避免在日志和接口中泄露不必要的个人信息。


十一、总结

今天介绍了一个比较适合2027届计算机专业毕业设计的项目:

基于决策树算法的高校学生学业预警系统。

从项目需求分析、技术架构、数据库设计,到决策树算法、Python模型服务,再到 AI 辅助开发提示词和分步开发路线,基本梳理了整个项目的实现思路。

这个项目的优势在于:

  1. 有明确的实际应用场景。
  2. 涉及前后端分离开发。
  3. 能够体现机器学习算法应用。
  4. 可以进行完整的数据可视化。
  5. 有比较清晰的业务流程。
  6. 适合撰写系统设计、算法实现和实验分析等毕业论文内容。

对于编程基础一般的同学,建议先完成 Vue3 + Spring Boot 的基础业务,再逐步接入 Python 决策树模型。

不要试图让 AI 一次性生成整个系统。把项目拆成一个个小任务,让 AI 辅助你完成需求、设计、编码、测试和优化,开发过程会更加清晰。

希望这篇文章能够帮助正在准备2027届毕业设计的同学找到一个合适的方向。

如果你也在做计算机毕业设计,可以先收藏这篇文章,后续开发时按照上面的路线一步一步完成。

毕设不迷茫,技术助成长!


本文关键词:

2027届毕业设计、计算机毕业设计、AI辅助编程、高校学生学业预警系统、决策树算法、机器学习毕业设计、Vue3毕业设计、Spring Boot毕业设计、Python机器学习、Scikit-learn。

Logo

有“AI”的1024 = 2048,欢迎大家加入2048 AI社区

更多推荐