- 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。
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。 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。 7. 未来发展方向随着人工智能和物联网（IoT）技术的快速发展，智能体的数量和功能将呈指数级增长。 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 - 来自专栏机器之心
7 Papers & Radios | ECCV 2022最佳论文；Transformer在试错中自主改进
当前方法要么从不含学习的数据中学习策略（例如通过蒸馏固定专家策略），要么从包含学习的数据中学习策略（例如 RL 智能体的重放缓冲区），但后者的上下文大小（太小）无法捕获策略改进。 研究者提出了算法蒸馏（Algorithm Distillation, AD），这是一种通过优化 RL 算法学习历史中因果序列预测损失来学习上下文策略改进算子的方法。 推荐：DeepMind 新作：无需权重更新、提示和微调，transformer 在试错中自主改进。 (from Hermann Ney) 7. Monotonic segmental attention for automatic speech recognition. (from Shih-Fu Chang) 7. Context-Enhanced Stereo Transformer. (from Zheng Wang, Russell H.
55930编辑于 2022-12-15 - 来自专栏各类技术文章~
Redis学习（7）
Redis 作为一个内存服务器，它需要处理很多来自外部的网络请求，它使用I/O多路复用机制同时监听多个文件描述符的可读和可写状态，一旦受到网络请求就会在内存中快速处理，由于绝大多数的操作都是纯内存的，所以处理的速度会非常地快。Redis在4.0后的版本中引入多线程，但仅在部分命令上引入，比如非阻塞的删除操作，在整体的架构设计上，主处理程序还是单线程模型的。无论是使用单线程模型还是多线程模型，都是为了更好地提升Redis的开发效率和运行性能。
34020发布于 2021-09-16 - 来自专栏c++与qt学习
Qt学习-----------7
c++11中lambda表达式用于定义并创建匿名的函数对象 lambda表达式的基本构成：
38810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 英伟达用AI智能体7天自主优化GPU内核，超越人类专家
1、7天自主进化，超越人类专家许冰表示：“在一些经过高度优化的注意力机制工作负载中，智能体在没有人工干预的情况下，即可在优化循环中连续搜索7天，从而超越几乎所有人类GPU专家。” 在完全没有人类干预的情况下，AVO智能体连续自主运行了7天。在这7天里，智能体在后台探索了超过500个优化方向，并最终提交了40个有效迭代版本。 7 、软件工程的新范式AVO作为通用型进化变异算子，为自动化软件系统优化指明了新方向，不仅适用于AI芯片与深度学习底层开发，更能在高算力需求的科学工程领域广泛应用。 英伟达这项研究证实，AI智能体已具备复杂硬件联合推理能力，AVO的自主进化，更标志着AI在软件工程中从辅助工具向自主主体的蜕变。正如许冰所言，盲编程正是软件工程的未来。 当AI能无休迭代优化、自主钻研硬件逻辑，人类工程师终将从执行者，转向问题定义与结果评估的核心角色。AI自主进化的浪潮已至，你准备好了吗？
11000编辑于 2026-03-31- 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。
86750发布于 2021-05-11 - 来自专栏MiningAlgorithms
机器学习7：集成学习--XGBoost
对于特征的值有缺失的样本，xgboost可以自动学习出它的分裂方向。 7. xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的？ RF和Bagging对比：RF的起始性能较差，特别当只有一个基学习器时，随着学习器数目增多，随机森林通常会收敛到更低的泛化误差。 划分训练集、测试集 myDatas.data,myDatas.target, #load_iris的原始数据集 test_size = 0.3, random_state = 7 ，找一个最合适的学习率 #设几个不同学习率的列表，后面来遍历它，看哪个学习率下分类精确度最高，就用哪个学习率代回模型重新建模 learning_rate=[0.0001,0.001,0.1,0.2,0.3 ] #这次使用交叉验证（交替充份使用有限数据）划分数据集 #实例化交叉验证类 kfold = StratifiedKFold(n_splits=2,shuffle=True,random_state=7)
2K20发布于 2019-08-08 - 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 - 来自专栏萌海无涯
Django学习模板（7）
前面学了视图，我们可以在访问 localhost:8000/polls/ 看到我们返回的内容。
61420发布于 2019-09-03 - 来自专栏一个爱吃西瓜的程序员
学习SQL【7】-函数
二：算术函数 算术函数是最基本的函数，也就是我们常用的四则运算： +（加法） -（减法） *（乘法） /（除法） 为了学习算术函数，我们首先得创建一种示例用表： --创建SampleMath表 --DDL INSERT INTO SampleMath VALUES (NULL, NULL, NULL);INSERT 0 1 INSERT INTO SampleMath VALUES (NULL, 7, ---+---+----------- 500.000 | 0 | 500 -180.000 | 0 | -180 | | | 7 2.270 | 1 | 2.3 5.555 | 2 | 5.56 | 1 | 8.760 | | (11 行记录) 字符串函数 为了学习字符串函数 今天可以留言了，大家可以尽管吐槽啦 每天学习一点点，每天进步一点点。
1.5K120发布于 2018-04-04 - 来自专栏WD学习记录
Dubbo 学习笔记（7）
参考：http://dubbo.apache.org/zh-cn/docs/dev/design.html config配置层：对外配置接口，以ServiceConfig，ReferenceCon
51020发布于 2019-01-07 - 来自专栏周小末天天开心
Java 基础学习（7）
2）八进制：0 - 7，满 8 进 1，以数字0开头。 3）十进制：0 - 9，满 10 进 1。 演示： 0237 => 0 3(011) 3(011) 7(111) => 0b11011111 // 八进制转二进制 0x23b => 0x 3(0011) 3(0011) b(1011) = 0b001100111011
29610编辑于 2022-10-26 - 来自专栏Puppeteer学习
MongoDB学习（翻译7）
手动构造类映射时您可以简单地通过不将字段或属性添加到类映射。当使用自动映射你需要指定应忽略该字段或属性的方法。可以使用属性编写如下编写：
47120编辑于 2022-05-09 - 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