- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
郁闷的出纳员(Splay树)「建议收藏」
作为一名出纳员，我的任务之一便是统计每位员工的工资。 这本来是一份不错的工作，但是令人郁闷的是，我们的老板反复无常，经常调整员工的工资。 如果他心情好，就可能把每位员工的工资加上一个相同的量。
26660编辑于 2022-09-22 - 来自专栏wym
【BZOJ 1503】郁闷的出纳员【权值线段树】
本题维护一个偏移量，当 A 操作时，不全都加工资 add+=x, S 操作 add-=x 。插入时x - add即可，这样仍然是全局偏移量。
58710发布于 2019-07-08 - 来自专栏信数据得永生
Python 智能项目：6~10
-1681654125431)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/intel-proj-py/img/f17a6b6e-bf3f 在这里，S表示智能体可能会暴露的所有状态，而A则表示智能体可以参与的可能动作。 您现在可能想知道智能体如何采取行动。 应该是随机的还是基于启发式的？ 好吧，这取决于智能体与相关环境的交互程度。 在初始阶段，智能体可能会采取随机行动，因为他们不了解环境。 但是，一旦智能体与环境进行了足够的交互（基于奖励和惩罚），智能体就会了解在给定状态下采取哪种适当的措施。 状态和奖励将由环境呈现给智能体，而智能体将通过采取适当的行动对智能体采取行动。 这些状态采用从汽车前面的摄像头拍摄的图像的形式。 设计智能体 该智能体将与环境交互，并在给定状态的情况下，尝试执行最佳操作。 智能体最初将执行随机动作，并且随着训练的进行，动作将更多地基于给定状态的 Q 值。
90620编辑于 2023-04-23 - 来自专栏信数据得永生
Python 人工智能：6~10
6 集成学习的预测分析 在本章中，我们将学习集成学习以及如何将其用于预测分析。 而不是随机选择它们，我们使用k-means++以更智能的方式选择这些中心。 这样可以确保算法快速收敛。 n_clusters参数是指群集数。 在我们讨论它的构成及其在人工智能（AI）中的相关性之前，让我们先讨论一下编程范例。 编程范例的概念源于对编程语言进行分类的需求。 它是指计算机程序通过代码解决问题的方式。 不知情还是知情搜索 约束满意度问题 本地搜索技术 模拟退火 使用贪婪搜索构造字符串 解决约束问题 解决区域着色问题 构建 8 难题求解器 构建一个迷宫求解器 启发式搜索是人工智能吗？ 在第 2 章，“人工智能的基本用例”中，我们了解了 Pedro Domingos 定义的五个流派。 符号主义者流派是最“古老”的流派之一。 至少对我来说，这一事实不足为奇。
1.7K30编辑于 2023-04-23 - 来自专栏信数据得永生
ensorFlow 智能移动项目：6~10
六、用自然语言描述图像 如果图像分类和物体检测是明智的任务，那么用自然语言描述图像绝对是一项更具挑战性的任务，需要更多的智能-请片刻考虑一下每个人如何从新生儿成长（他们学会了识别物体并检测它们的位置） 如果我们可以在智能手机上运行此模型，会不会更酷？ 但是在此之前，由于模型的相对复杂性以及 Python 中train和run_inference脚本的编写方式，我们还需要采取一些额外的步骤。 intel-mobi-proj-tf/img/e08dec95-3b49-432a-bc4f-e3077151f2e9.png)] 图 6.8：字幕示例显示在 TensorFlow im2txt 模型网站上 在我们进行下一个智能任务之前 十、构建类似 AlphaZero 的手机游戏应用 尽管现代人工智能（AI）的日益普及基本上是由 2012 年深度学习的突破引起的，但 2016 年 3 月，Google DeepMind 的 AlphaGo 与监督学习不同，监督学习需要标记数据进行训练，就像我们在前几章中建立或使用的许多模型中所看到的那样，强化学习使用反复试验的方法来获得更好的效果：智能体与环境交互并接收在每个状态上采取的每个动作的奖励（正面或负面
2.2K20编辑于 2023-04-24 - 来自专栏OI
「一本通 3.4 例 2」出纳员问题
「一本通 3.4 例 2」出纳员问题 题意 R(0)、R(1)、R(2)…R(23)表示第x个时刻需要R(x)个出纳员，有n个出纳员申请工作，第i个出纳员从t_i时刻开始工作8小时，问至少需要多少出纳员 x[i-7]+x[i-6]+x[i-5]+x[i-4]+x[i-3]+x[i-2]+x[i-1]+x[i]\geq r[i] 设，可得： s[i]-s[i-1]\geq0 s[i-1]-s[i]\geq-num
50830编辑于 2022-09-19 《人工智能导论》第 6 章 智能计算及其应用
前言 智能计算作为人工智能领域的重要分支，通过模拟自然界的生物进化、群体智能等现象，为复杂问题求解提供了高效的计算范式。 群智能算法 (Swarm Intelligence) 起源于对自然界生物群体行为的研究，如鸟群、鱼群、蚁群等。 这类算法的特点是： 无集中控制机制：个体通过局部交互实现群体智能 自组织性：群体行为通过简单规则涌现 鲁棒性：个别个体故障不影响整体性能 灵活性：对环境变化有自适应能力 常见的群智能算法包括粒子群优化算法 遗传算法： 基本遗传算法的各个组成部分，包括编码、选择、交叉、变异等操作 三种改进遗传算法：双倍体遗传算法、双种群遗传算法和自适应遗传算法 遗传算法在函数优化和旅行商问题中的应用 群智能算法： 粒子群优化算法的基本原理、参数分析及在函数优化和车辆路径问题中的应用 蚁群算法的基本模型、参数选择及 TSP 问题求解 智能计算算法具有自组织、自适应、鲁棒性强等特点，在组合优化、机器学习
12010编辑于 2026-01-21- 来自专栏思谱云汇人工智能
智能语音机器人小知识（6）--什么是人工智能？
人工智能的定义可以分为两部分，即“人工”和“智能”。“人工”比较好理解，争议性也不大。有时我们会要考虑什么是人力所能及制造的，或者人自身的智能程度有没有高到可以创造人工智能的地步，等等。 什么是人工智能1.jpg 关于什么是“智能”，就问题多多了。 人唯一了解的智能是人本身的智能，这是普遍认同的观点。但是我们对我们自身智能的理解都非常有限，对构成人的智能的必要元素也了解有限，所以就很难定义什么是“人工”制造的“智能”了。 因此人工智能的研究往往涉及对人的智能本身的研究。其它关于动物或其它人造系统的智能也普遍被认为是人工智能相关的研究课题。 人工智能在计算机领域内，得到了愈加广泛的重视。 什么是人工智能2.jpg 人工智能是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用
3.6K00发布于 2019-05-25 出纳每天最怕的不是数钱，是核对 200 笔流水——QClaw 帮你秒完成
出纳的工作，在外人眼里是"管钱的"。在出纳自己眼里，最消耗时间和精力的，往往不是金额本身，而是核对。 >>>立即体验QClaw，访问腾讯QClaw官网入口：https://qclaw.qq.com出纳日常核对工作的自动化方案核心功能QClaw功能描述QClaw效果流水自动核对读取银行账单与内部费用单据两份数据文件 出纳无需从空白表格开始手动逐条录入，只需在生成的初稿上进行核对与确认，大幅减少基础性重复劳动，释放时间。月度余额核对在月末自动比对日记账与银行账单的期末余额是否一致。 出纳使用QClaw的注意事项QClaw的核对结果需要出纳本人最终审核确认——AI的自动匹配可能在极端情况下出现误匹配（如相同金额的两笔不同业务），这类情况需要出纳凭经验识别。 一位出纳的真实感受"以前每天下午最烦的就是核对流水，200多笔，一笔一笔对，眼都花了。现在QClaw帮我核对完，我只需要看那十几笔异常的，时间少了，而且精力更集中，反而找差异找得更准了。"
36010编辑于 2026-03-20- 来自专栏陶士涵的菜地
多 AI 智能体系统- AI 智能体的 6 个关键要素
比如翻译任务，如果一个智能体一次翻译可能结果一般，但是如果分成多个智能体，先直译然后反思最后意译结果就好很多。 3. 使用工具 智能体有能力调用工具，并且能选择最适合当前任务的工具。 协作 通常对于复杂的任务，不是一个智能体在完成任务，而是多个智能体一起完成任务，那么在整个过程中，需要确保智能体之间能相互通信，比如一个智能体的输出可以作为下一个智能体的输入，比如有一个智能体专门负责调度根据中间结果调用不同的智能体 所以对于多智能体系统，还需要设计好工作流，确保智能体之间整体协作的通畅。 这种协作不仅是指智能体和智能体之间，也包含人和智能体之间的协作。 现在的智能体还不足以智能到自始至终能做出正确的决策，有时候还需要人工的干预，在中间及时给出反馈，有错误给予纠正，缺少信息补充上下文。 所以设定好防护栏，就能确保智能体能在正确的轨道上，如果出现故障可以及时干预，而不至于卡在某个任务上白白浪费 Tokens。 6.
72911编辑于 2024-05-28 - 来自专栏SDNLAB
IPv6+：构IPv6创新基因，筑新基建智能底座
IPv6+，为万物互联增加智能基因 我国政府于2017年印发了《推进互联网协议第六版(IPv6)规模部署行动计划》，明确提出要建成全球最大规模的IPv6商用网络，满足我国技术产业创新发展、网络安全能力强化的迫切需要 “IPv6+”以SRv6、网络切片、随流检测、新型组播和应用感知网络等技术为代表，结合智能化的“网络自动驾驶”创新技术，可以满足万物互联、千行百业上云带来的多云一网、智能联接、智能运营、智能运维等需求， 胡克文表示，智能云网将开启云网融合的新时代。 中国移动研究院副院长 段晓东 中国移动研究院副院长段晓东在分享中指出随着5G、6G、物联网、人工智能等新领域的出现，IP技术还在持续演进。 来自河北联通、江苏移动、上海电信的专家围绕IPv6+分享了云网融合、智能切片、多云交换等行业落地案例。
1K60发布于 2020-10-27 - 来自专栏人工智能AI
AI人工智能6大应用场景
AI人工智能6大应用场景 01、AI农业场景 在农业场景，主要包括有作物管理、害虫和杂草处理、疾病管理、土壤管理、产量预测和管理等。 04、AI网络金融场景 在网络金融场景，主要包括信用预测和评估，根据客户的历史交易数据、资金流动情况智能运营聊天机器人应答客户部分疑问，智能手续柜台满足客户部分需求。 主要涉及的 AI 技术有神经网络、演化算法、专家系统、分布式人工智能、机器视觉、决策网络等。主要涉及的用例是图像识别、推理分析等。
2.8K10编辑于 2024-05-21 - 来自专栏Go语言学习专栏
6 - MCP 协议 - AI 超级智能体项目教程
按照官方的说法，总共有 6 大核心概念。大家简单了解一下即可，除了 Tools 工具之外的其他概念都不是很实用，如果要进一步学习可以阅读对应的官方文档。 使 MCP 服务能够实现复杂的智能代理行为，同时保持用户对整个过程的控制和数据隐私保护。 如图，官方提供了很多现成的 MCP 服务： 让我们进入一个智能体应用，在左侧可以点击添加 MCP 服务，然后选择想要使用的 MCP 服务即可，比如使用高德地图 MCP 服务，提供地理信息查询等 12 /groupId> <artifactId>spring-ai-mcp-client-spring-boot-starter</artifactId> <version>1.0.0-M6< 6）跨平台兼容性：开发 MCP 服务时，应该考虑在 Windows、Linux 和 macOS 等不同操作系统上的兼容性。
49810编辑于 2026-03-17 - 来自专栏信数据得永生
PyTorch 人工智能基础知识：6~8
def forward(self, input): x = self.fc(input) x = x.view(-1, 256, 7, 7) return self.gen(x) 6. 生成智能体 在本秘籍中，我们将着眼于创建一组智能体以开始我们的进化过程，然后初始化这些智能体的权重。 我们将使用这些智能体来评估模型的表现并生成下一代智能体。 最后一个函数all_agent_score()仅循环遍历一代中的所有智能体，并获得一代中所有智能体的平均分数。 使智能体突变 在本秘籍中，我们将介绍使智能体突变。 最后，该函数返回突变的子智能体。 接下来，我们看到elite函数返回表现最佳的智能体中最佳智能体的副本。 在elite函数中，我们重新评估智能体以确保得分最高的智能体被选为精英，并作为子智能体传递给下一代。
93810编辑于 2023-04-27 - 来自专栏信数据得永生
PyTorch 人工智能研讨会：6~7
这可以通过以下代码片段实现： batch = np.array([[2 4 7 6 5] [2 1 6 2 5]]) batch_flatten = batch.flatten : 6, 'l': 7, 'r': 8} 用我们在上一步中定义的数字对你的文本样本进行编码。 NLP 是人工智能（AI）的子字段，它通过使计算机能够理解人类语言来工作。 尽管在某些情况下人类可能总是会做得更好，但是 NLP 的主要目标是通过使计算机理解人类语言来使计算机与人类更接近。 Transactions") plt.xticks(range(0, 20)) plt.show() 最终图应如下所示： [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-6M6lvupF Loss function: 3.1473221943296235 epoch: 6 ... Loss function: 2.897721455014985 epoch: 8 ...
1.8K10编辑于 2023-04-27 - 来自专栏IT架构圈
马云：我才不怕人工智能，未来30年，我只做一件事
马云之前在世界经济论坛上说：人类未来会有很多工作被人工智能、自动化机器替代，会有很多人面临着失业下岗的问题。近期马云表示：人类现在其实不需要担心人工智能和机器人的发展和进化。 在现代，人工智能的应用正在变得越来越突出并在各行各业中发挥着重要作用。人类害怕被人工智能和机器人取代，但事实并非如此。 银行用节省劳力的技术来开设更多的银行，把出纳员的工作变成了更像是客户服务代表的工作，今天银行雇佣的出纳员比1980年的雇佣人数多。 尽管计算机和人工智能技术正在飞速发展，但人工智能和机器人永远无法取代人类，不管它们最终变得多么智能，最终人类将成为最后的冠军。 其实，在Alphago机器人中有两个模块，第一个是“落子选择器”。 人类的大脑是记忆的是知识，如果你和知识竞争，计算机和人工智能就会赢，但是如果你和智慧竞争，计算机和人工智能就没有机会了。
53720发布于 2018-06-01 - 来自专栏人工智能快报
印度多家银行寻求利用人工智能提高业务能力
据印度新闻网站livemint报道2016年6月报道，总部位于新加坡的星展银行在印度推出了一款带有内置人工智能（AI）的银行应用。 Niki.ai由初创企业Techbins Solutions私营公司运营，是以人工智能为支持的智能采购协助公司，并提供可执行交易的聊天机器人。 在印度金融服务界，人工智能才刚刚起步。 银行可以将人工智能用于交易中的身份验证、建筑物及特定楼层和房间的进出管理、ATM等位置的公共安全和监控、人际识别和虚拟个人出纳助理（例如帮出纳确认客户身份，而客户无需提供信息）。 但人工智能却可以实现这样的客户体验。机器人和智能的流程自动化将让我们能够大幅缩短周短时间和相关流程成本，以近实时的方式为客户提供产品和服务。”通过使用人工智能，银行的呼叫中心将能够大幅减小。 HDFC银行计划在2016财年结束前推出更多人工智能服务。 人工智能将改变交互式语音应答（IVR）对银行的作用。基于人工智能的程序也许能提供更优质、更迅速的解决方案。
1.2K60发布于 2018-03-07 - 来自专栏SAP ERP管理实践
一套近乎完美的公司财务流程！
6、 树立良好的窗口形象。 （6）支取现金的凭证编制完毕，若遇出纳无现金时，应暂时保存记账凭证，待出纳取回现金时通知领款。 6、高开冲红 审核是否附高开冲红表——→审核是否附合法收据——→审核是否有销售会计审核签名——→审核审批手续是否完备——→编制记账付款凭证 借：营业费用——高开冲红 贷：银行存款\现金——→传出纳岗 注 6、加强对预付账款的管理，勤于督促报账，及时清理广告挂账。 7、参与制定和完善公司费用控制办法。 8、参与年度费用控制计划的制定。 （五）工作要求 1、熟悉公司各类财务管理制度。 6、参与制定和完善公司其他应收款管理办法。 7、定期、不定期审核办公用品库、工程物资库账簿，保持账实相符。 （八）工作要求 1、熟悉公司费用管理办法、财务制度、资金使用办法等相关制度。
2.2K21发布于 2020-06-24 - 来自专栏OA办公系统
泛微BPM优化流程管理体系，推动组织一体化管理升级
流程管理体系可以帮助组织智能追踪业务流程执行情况，通过一张表单精准呈现各节点执行效率，让各部门、分子公司之间的协作效率可视化、可控、可管。 ② 通过实现管理前置，以减少流程返工造成的浪费；比如费用报销流程，一定是出纳先审核表单，看看是否符合财务规范，不然各级领导审核后，出纳再给打回，浪费时间。 4泛微智能报销审批流程.jpg ③ 加强对流程中的信息交流和协同点的识别，在一个跨区域多组织的企业中，流程运行的很多问题是由于信息的不对称或者没有及时沟通造成的。 6智能流程表单展示.jpg 2、审批权限清晰，快速落实管理制度 一些大型组织内部，业务流程审批管理制度文件动辄好几百个，对每个职能岗位都有具体的审批管理要求，流程管理系统通过权限设置，以岗位信息为索引， 以电子业务流程体系，驱动组织业务管理制度落地，在表单、权限的灵活配置下，明确流程审批节点，实现业务信息共享，形成以岗位为索引的智能流程体系。
1.3K30发布于 2020-04-29 破解企业增长瓶颈：财务管理效率与质量双提升
智能报销与风险识别：AI技术落地实践腾讯云提供OCR智能填报与审批解决方案，通过腾讯云智能体开发平台（TCADP），实现：●智能填报：支持400+发票字段识别，支持全票种识别（增值税专用发票、增值税普通发票 、增值税电子普通发票等）●智能审批：风险识别准确率提升90%，人工审核工作量减少90%●全流程优化：员工报销从10天缩短至2小时，员工报销录入时间从30分钟减少至5分钟量化成效：财务运营效率显著提升●员工效率提升 ：报销录入时间从30分钟缩短至5分钟●财务效率提升：人工审核工作量减少90%●人员优化：出纳组：12人减少至7人，节约报销单36000张/年，节约发票打印55320张/年○回单分类与匹配工作：8人减少至 5人○会计凭证整理工作：8人减少至6人腾讯云AI赋能财务管理核心优势腾讯云通过以下技术优势实现企业财务管理提效：●腾讯云OCR：支持400+发票字段识别，支持全票种识别●腾讯云智能体开发平台（TCADP ）：提供RAG、Workflow、Agent框架，支持企业快速构建智能应用●AI能力整合：结合行业领先的LLM、MLLM、RAG、OCR等能力，灵活支持工作流、Multi-Agent模式●行业落地验证：
24710编辑于 2026-01-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号