- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据山谷
3分钟学会Excel“自主学习”
本文，我们来说说Excel中最神奇的一对快捷键，它的“自主学习”功能让你瞬间记住了它。只要你先给他一个提示，给他打个样，手动填写第一行数据，他就能帮助你完成接下来的事情。 快捷键“ctrl+E”自主学习能力会帮你解决。 6 小结 快捷键"Ctrl+E"功能强大，只要提供一个样本，给数据打个样，它就能帮助我们解决剩下的问题，凡是有规律的操作，合并数据，拆分数据，修改格式，添加符号，删除符号，提取信息，我们都可以再操作前，
1.1K10发布于 2020-11-06 语音助手迈向自主学习的AI新时代
语音助手进入"自主时代"语音助手自2014年推出以来，其核心AI技术持续演进。除了语音识别和自然语言理解等基础技术的改进，科研团队还开发出耳语识别和实时翻译等创新功能。 当前多数机器学习模型仍属黑箱，某机构通过投资基于博弈论Shapley值的可解释AI技术推动该领域发展。自主学习：无需人工干预的进化传统AI开发周期包含数据收集、标注和模型重训练等繁琐流程。 2019年推出的自主学习系统能自动修正两类错误：用户表达错误和语言理解模型错误。系统通过隐式信号（如用户中断响应并重新表述）识别处理不当的请求，目前已成功修正15%的普遍性缺陷。 该工具的机器学习模型将示例作为模板，自动生成大量合成训练数据并训练模型。虽然仍需开发者指定实体集合和API接口，但大幅降低了对机器学习专业知识的要求。 小样本学习是另一项重要技术，只需少量示例就能将现有模型适配到相关任务。某机构在语音技术会议上提出的新方法，在仅使用10个训练样本时，将自然语言理解任务的错误率降低达12.4%。
37710编辑于 2025-08-20- 来自专栏技术汇总专栏
基于强化学习的智能体自主决策
基于强化学习的智能体自主决策在现代人工智能（AI）领域，智能体的互操作性是实现系统协同的关键要素。随着多个供应商提供不同的智能体产品，如何在复杂的生态系统中构建互操作性的基础设施变得尤为重要。 6. 智能体自主决策与协作策略智能体之间的协作不仅仅依赖于数据同步和任务调度，还涉及到如何根据环境状态做出自主决策，并与其他智能体协同完成任务。 为了支持智能体之间的高效合作，MCP平台需要为每个智能体提供自主决策的能力，并通过适当的协作策略来优化整体效率。6.1 自主决策机制自主决策是指智能体根据自身的状态和外部环境做出判断和选择。 在MCP平台中，智能体可能有不同的目标和约束条件，因此，平台需要为每个智能体提供基于强化学习（Reinforcement Learning，RL）或博弈论的决策支持。 7.3 自适应与智能化协作随着机器学习技术的进步，未来的MCP平台将能够更好地适应变化的环境，智能体能够在没有外部干预的情况下自主适应不同的任务和条件，提高整体协作效率。8.
26100编辑于 2025-07-13 - 来自专栏DeepHub IMBA
打造自主学习的AI Agent：强化学习+LangGraph代码示例
在充满不确定性的现实世界里，AI的价值不在于预设规则，而在于持续学习和适应 AI Agent这个概念最近被炒得很热，从管理日程的语音助手到仓库里跑来跑去的机器人，大家都在谈论Agent的"自主性"。 但是真正让Agent变得intelligent的核心技术，其实是强化学习（Reinforcement Learning, RL）。 它让Agent像人一样，从试错中学习，在探索（exploration）和利用（exploitation）之间找平衡。 Q-Learning是off-policy的，可以从任何动作的经验中学习；SARSA是on-policy的，只从实际执行的动作学习。 供应链网络也类似，节点是供应商和产品，边是依赖关系，RL可以学习避开瓶颈，优化库存调度。
47210编辑于 2025-11-15 - 来自专栏c++与qt学习
QT学习---------6
信号和槽的拓展 拓展 1.信号可以连接信号 2.一个信号可以连接多个槽 3.多个信号可以连接同一个槽函数 4.信号和槽的参数必须类型一一对应 5.信号的参数个数可以多于槽函数，但类型也要对应 6.
33920发布于 2021-02-22 - 来自专栏运维开发王义杰
自主学习：如何高效地“自我奖励”以提升动力
当我们讨论自主学习时，一个不能忽视的话题就是如何激励自己。理论上，奖励机制应该是一个强有力的驱动因素，但在自主学习的环境下，奖励自己似乎并没有那么直观或有效。为什么我们会觉得自己奖励自己没有收获感呢？ 自我奖励的困境 首先，我们要理解为什么在自主学习中，自我奖励可能会失效或带来困扰。其中的一些原因可能包括： 成本自负：奖励需要时间、金钱或其他资源，这些都是我们自己出的，没有实质的收获。 因此，当我们选择自我奖励的方式时，试着从以下几个方面来考虑： 自主性（Autonomy）：奖励应增强我们对自主学习的控制感。 胜任感（Competence）：奖励应能体现我们在某个领域的技能或知识。 总结 在自主学习的过程中，有效地自我奖励是一门艺术和科学。通过理解自我奖励的多个层面和心理机制，我们不仅可以找到更合适、更具激励性的奖励方式，还能从中得到更多的成长和满足感。 希望这篇文章能帮助你重新思考自我奖励的问题，并在自主学习的道路上找到更多的动力和乐趣。
1.4K30编辑于 2023-09-19 - 来自专栏不能显示专栏创建者
Oracle将利用AI，自主云平台中的机器学习
甲骨文周二在纽约的Oracle CloudWorld上展示了Oracle Cloud Platform在人工智能和机器学习方面的进步。 用于应用程序开发，移动和机器人，集成，分析，安全性和系统管理的自主功能计划于今年上半年推出。 Oracle宣布了一系列新的平台即服务功能和特性，其中包括： 手机和机器人- 自学聊天机器人，观察交互模式和偏好，以自动执行经常执行的最终用户操作，从而腾出时间来完成更高生产率的任务； 使用机器学习从用户对话中学习 星座研究公司的穆勒（Mueller）指出：“自主Oracle确实领先于所有人。” “此公告现在使自治数据库更加完善，后者在安全性和旧代码风险方面存在差距。” 他补充说，实现其自主云承诺“将需要Oracle尚未在尚未构建的数据中心中展示的强大功能。” 此外，Oracle的政策是锁定客户，“这些努力对互操作性有很高的要求，” Enderle说。
1.2K20发布于 2020-12-25 - 来自专栏WD学习记录
Dubbo 学习笔记（6）
服务消费方收到register和unregister事件后，从Key:/dubbo/com.foo.BarService/providers下获取提供者地址列表 6.
57740发布于 2019-01-07 - 来自专栏机器学习算法与Python学习
机器学习(6) -- SVM
SVMs 8.1 Optimization Objection 支持向量机(Support Vector Machine: SVM)是一种非常有用的监督式机器学习算法。 注1：事实上，上述公式中的Cost0与Cost1函数是一种称为hinge损失的替代损失(surrogate loss)函数，其他常见的替代损失函数有指数损失和对率损失，具体参见《机器学习》P129 周志华
1K50发布于 2018-04-04 - 来自专栏决策智能与机器学习
自主性
自主这个词在AI圈子越来越火，有变成玄学的趋势，但到底什么是自主，跟自动化、智能有啥关系，我们一起来看看。 先问大家一个问题，自主性是越高越好吗？ 中文上的词条解读，自主性是行为主体按自己意愿行事的动机、能力或特性。 所以比较好理解的是，自主就是自己当家作主。 反而，自主性强调的未必是不要人参与，更加突出的是一种应对不确定情况（意外情况、未预见到的情况等）时的主观能动性，可能没有预先练习过，但是由于具有临机应变和学习思考的能力，从而能够较好的做出反应，这个过程或者与人沟通完成 另外一种技术路线就是现在所谓智能技术在追求的，像我们这个星球上最有智慧的物种“人类”一样，学会一种自主应对的方法，可以基于理论和经验，自己去学习和应对，这样驾驶员可能没有在某个地方开过车，甚至交通规则都有些不同 涉及的方法就是各种神经网络、强化学习等等。
86850发布于 2021-05-11 - 来自专栏萌海无涯
Django学习视图（6）
我们在浏览器请求后，Django 匹配URL 进行路由，匹配到后调用对应的视图，生成HTML代码，返回给浏览器。
89240发布于 2019-09-03 - 来自专栏Puppeteer学习
MongoDB学习（翻译6）
有许多种让你控制序列化的方式，上一节通过约定方法来控制序列化，你也可以通过代码配置或者成员映射或者使用特性来控制你的序列化，下面说道的序列化的各个方面，我们都会展示两种方式。
33810编辑于 2022-05-09 - 来自专栏周小末天天开心
Java 基础学习（6）
1）表达式1 和 表达式2 要为可以赋给接受变量的类型，或者可以自动转换的数据类型。
53410编辑于 2022-10-26 - 来自专栏IMWeb前端团队
ECMAScript 6 学习笔记
变量的解构赋值 定义：ES6允许按照一定模式，从数组和对象中提取值，对变量进行赋值，这被称为解构。 ES6在Math对象上还提供了许多新的数学方法。 ES6引入了一种新的原始数据类型Symbol，表示独一无二的ID。它通过Symbol函数生成。 （6）clear()：清除所有成员，没有返回值。 本文是学习ES6的一点心得，想要具体学习ES6，请参考阮老师的书，电子版地址点这里
1.1K80发布于 2017-12-29 - 来自专栏IMWeb前端团队
ECMAScript 6 学习笔记
变量的解构赋值 定义：ES6允许按照一定模式，从数组和对象中提取值，对变量进行赋值，这被称为解构。 ES6在Math对象上还提供了许多新的数学方法。 ES6引入了一种新的原始数据类型Symbol，表示独一无二的ID。它通过Symbol函数生成。 （6）clear()：清除所有成员，没有返回值。 本文是学习ES6的一点心得，想要具体学习ES6，请参考阮老师的书，电子版地址点这里
73830发布于 2019-12-04 - 来自专栏森屿暖树
前端特效学习6
效果图 HTML代码 <!Doctype html> <html> <head> <meta charset="utf-8"> <title>图片层叠</title> <link type="text/css" href="css/style.css" rel="stylesheet" /> </head> <body>
<input type="radio" name="slider" id="item-1" che32340编辑于 2022-03-23来自专栏云头条宇宙是一台可自主学习的计算机
与微软合作的物理学家认为：宇宙是一台可自主学习的计算机！ 这篇预印本论文让人脑洞大开。 与微软合作的一群理论物理学家近日发表了一篇令人震惊的预印本研究论文，该论文将宇宙描述为一套可自主学习的系统，遵循演进定律。 换句话说：我们所有人生活在一台可学习的计算机中。 研究人员认为： 比如说，当我们看到类似深度学习架构的结构出现在简单的自主学习系统中时，我们是否可以想象一下：起作用的矩阵架构（我们的宇宙在其中演化定律）本身就是从一种自主学习系统演化而来的，这种自主学习系统又是从最微不足道的起始条件而来的 结果是：如果宇宙通过一系列定律来运转，这些定律虽然起初很简单，但可自主学习，因此能够随着时间而演进，那么人类不可能统一物理学。 结论：我们的科学家执迷于研究去年的物理学模型，因为自我引导、自主学习的宇宙一直使不断演进的定律永久存在。 这是一篇预印本论文，所以还不能认为它很权威，但初审过关。
40010编辑于 2022-03-18来自专栏用户5637037的专栏通过对基于图像的自主驾驶的模拟学习预训练改进强化学习
through Imitation Learning Pretraining Towards Image-based Autonomous Driving 摘要：提出了一种以当前摄像机图像和车速为输入的自主驾驶任务的训练流水线 考虑到人类对这一任务的掌握和任务的高复杂性，我们首先利用模仿学习来模仿给定的人的策略，并将训练的策略及其权重运用到我们使用DDPG的强化学习阶段。 与纯模仿学习和纯DDPG相比，这种组合对自主驾驶任务的性能有很大的提高。
59820发布于 2019-07-18来自专栏WD学习记录机器学习 学习笔记（6） Logistic 回归
线性模型可以进行回归学习，但是若要做分类任务该怎么办，只需要找一个单调可微函数将分类任务的真实标记y与线性回归的预测值联系起来。 # 代码以及数据集源自于机器学习实战，见https://github.com/AnnDWang/MachineLearning/blob/master/thirdbook/ch5/logRegres.py 参考： 《机器学习》 《统计学习方法》 《机器学习实战》 逻辑回归(logistic regression)的本质——极大似然估计
76120发布于 2018-09-03来自专栏AI科技评论机器人落地「秘诀」：持续学习、知识迁移和自主参与
Michel Sidd Srinivasa是全球知名的机器人专家，IEEE Fellow，现任华盛顿大学波音特聘教授，同时是 Amazon 机器人人工智能项目的负责人，负责管理协助 Amazon 物流中心员工的自主机器人的算法 ，研究可以收拾和包装产品的机器人和可自主搬卸和运输货物的推车式机器人。 Scout 会在执行任务的过程中接收真实世界的数据，然后不断迭代开发用于感知、定位和导航的机器学习解决方案。 Sidd Srinivasa：我完全同意（从数据中学习解决问题）。 另外，我认为开放的世界会迫使我们思考怎样「持续学习」。 我们的机器学习模型往往是基于一些输入数据分布来训练的，但因为这是一个开放的世界，会遇到「协变量转移」（covariate shift）的问题，也就是看到的数据与分布不匹配，这会导致机器学习模型常常没来由地过于自信
35030编辑于 2022-05-27
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