- 综合排序
- 最热优先
- 最新优先
- 来自专栏数据饕餮
Python基于AIML智能聊天机器人实战（4）- 机器人自学习能力集成
一、前言 本文是《Python基于AIML智能聊天机器人实战》第四篇：AIML自学习能力集成； AIML是智能对话机器人具有里程碑意义的开源项目，曾斩获多项国际大奖，是基于检索技术的闲聊式智能对话机器人的基石 2.2 解决方法 要想实现AIML的自学习能力，需要通过两步进行操作： 1.标签功能拓展：AIML定了了功能拓展标签 XXX ,可以通过潜入自定义处理程序的方式进行AIML的功能拓展。 原理说明：更新语料文件-》重新加载语料文件-》问答能力升级； 2.3 源码文件 实现AIML自学习能力的核心源码如下图所示： ?
1.3K20发布于 2019-01-14 基于Bedrock的自学习生成式AI系统构建
这种复杂性，加上每天数百万次的提交，使得目录信息丰富成为自学习AI的理想试验场。 这促使我们设计了一个重新构想生成式AI如何扩展的自学习系统。多个较小模型通过共识处理常规案例，仅在出现分歧时调用较大模型。 下图展示了这个自学习系统的架构。在自学习架构中，产品数据流经生成器-评估器工作节点，分歧被路由给监督者进行调查。推理后，系统还会捕获来自卖家（如上架更新和申诉）和顾客（如退货和差评）的反馈信号。 关于作者某负责人 是某电商平台选品与目录系统部门的首席科学家，他率先设计了大规模自学习生成式AI系统以提升目录质量。 他热衷于开发持续改进的闭环系统，并在某选品与目录系统部门领导战略计划，构建一个复杂的自学习闭环系统，整合来自顾客、卖家和供应链运营的信号以优化结果。
11510编辑于 2026-02-18- 来自专栏【计网】Cisco
【Cisco Packet Tracer】交换机的自学习算法
交换机的自学习算法 2.1 实验目的 理解自学习算法： 通过本实验，旨在深入理解Cisco Packet Tracer交换机的自学习算法，掌握其工作原理和过程。 ：构建新的网络拓扑并由主机4向主机5传输数据包，通过实验发现此时交换机在第一次记录了主机4的MAC地址和端口信息，在主机5收到后返回响应也会传输到交换机并留下主机5的MAC地址和端口信息。 切换模式： （4）step4 操作交换机的命令行界面：通过打开交换机的命令行界面回车输入enable进入课程模式，输入show mac-a查看交换机登记的MAC地址，同时可以使用clear mac-a 设置交换机的命令行界面： 由于清除了交换机的所有MAC记录，所以再次由主机4向书记5传输数据包交换机会将其进行转发，设置交换机的命令行界面： 2.4 实验体会 深入了解自学习算法： 通过观察实验中交换机的学习过程 ，对自学习算法有了更深刻的理解。
86910编辑于 2024-02-20 - 来自专栏CreateAMind
TCN: 端到端机器人自学习算法
Time-Contrastive Networks: Self-Supervised Learning from Multi-View Observation
50720发布于 2018-07-24 - 来自专栏编码如写诗
OpenClaw自学习：AReaL 让智能体真正学会
OpenClaw、LangChain、Claude Code等智能体框架如雨后春笋般涌现，但一个核心问题始终未被解决：智能体的能力在部署那一刻就被锁死了。
76711编辑于 2026-03-05 机器人通过自学习实现逼真唇部同步
当人们面对面交谈时，近一半的注意力会集中在嘴唇的运动上。尽管如此，机器人仍然很难以一种令人信服的方式移动嘴巴。即使是最先进的人形机器，也常常依赖僵硬、夸张的嘴巴动作，看起来像木偶，前提是它们有脸的话。
13610编辑于 2026-01-21- 来自专栏我还不懂对话
【自学习】- 怎么让对话机器人越来越强？
对话机器人如果能够检测到服务失败的case，再强一点，最好还能够自动纠正，就和人一样，在学习中成长，在成长中学习，越来越强。理想和美好，那么怎么做呢？怎么学习呢？
1.6K20编辑于 2022-09-06 - 来自专栏Java3y
【面试现场】如何设计可自学习的五子棋AI？
题目：如何设计可自学习的五子棋AI？ ? ? ? ? ? ? ? ? ? ? ? ? 【请教大神】 小史回到学校，把面试的情况和计算机学院的吕老师说了一下。 ? ? ? ? ? 吕老师：小史，你看4个子的权重，你给10000，或者给50000，甚至给1个亿，对于其他值来说都是绝对高的值，所以最后效果应该是一样的。 ? ? ? ? ? ?
92321发布于 2018-12-28 - 来自专栏FreeBuf
未来趋势 | 自学习网络或许会在2018年替代传统的僵尸网络
在本周举办于法国尼斯的供应商国际媒体会议上，Fortinet的全球安全战略负责人Derek Manky表示，自学习网络（例如由Hivenet驱动的Swarmbot-一种智能集群网络）在2018年将会成为一种新的威胁趋势 跟传统的僵尸网络不同，Hivenet自学习网络中的僵尸设备无需等待攻击者向其发送控制命令，而且Hivenet还可以成倍地自发增长和扩大。 Fortinet预测称，这种自学习攻击网络不仅将能够同时对多个目标发动攻击，而且目前的威胁缓解以及事件响应方案都无法有效地应对这种威胁。 考虑到企业环境的话，Trump认为：“当某个僵尸网络对你的企业发动DDoS攻击，垃圾邮件攻击或者点击欺诈攻击时，无论发动攻击的是普通的僵尸网络还是Hivenet自学习网络，其实都不重要了。 不过，相比于传统僵尸网络来说，基于Hivenet驱动的自学习型僵尸网络的破坏力则更加严重，如果这些基于机器学习技术的僵尸网络真的非常高效，那未来我们所面临的安全威胁就非常恐怖了。”
56960发布于 2018-02-26 - 来自专栏DeepHub IMBA
instinct：一个基于置信度的 AI Agent 自学习记忆系统
Confidence 1-4: raw (observed, not actionable) Confidence 5-9: mature (ready to suggest) { "command": "instinct", "args": ["serve"] } } } 配置文件里加上这几行，任意 MCP Agent 即可接入自学习记忆
9510编辑于 2026-04-15 用STM32制作的315Mhz自学习遥控器
但是这样无法用单片机控制，于是，使用单片机针对协议的解码，编码就成了必要实现：硬件图纸：STM32单片机连接发射模块和接收模块，通过单片机解码和编码用于控制遥控设备；目前代码只支持EV1527的解码规范；所谓的自学习遥控器 ，其实就是先将信号解码并存储，然后再次发送出去就相当于自学习；前端采用SHMICTRL 神秘魔控串口屏，用于实现UI操作，本版本只制作了一个测试界面，完成主要功能，后期第二个版本我们才制作全功能的界面方便实现控制 echo出来，而echo是通过串口输出的，因此实际上串口屏向单片机输出了：SD00ADADE2单片机收到串口传来的数据，解析后调用发送函数完成遥控数据的发送：单片机编解码实现：单片机采用STM32F030F4P6 HAL_TIM_Base_Start_IT(&htim16); }接收解码：#define H1min 14#define H1max 20#define L1min 5#define L1max 8#define H0min 4# (RF){ //高电平 if (code.d==0){ //LH if (code.flag==0){ //需要判断是否是引导码 if ((code.h>=4)
51600编辑于 2025-09-27- 来自专栏机器之心
业界 | 英特尔推出神经形态测试芯片Loihi：可自学习
去年，英特尔以4亿美元的价格收购了AI创业公司Nervana。其竞争对手英伟达的GPU目前正牢牢掌控着这一领域。 Srinivasa说：「也许不用三、五年，Loihi芯片就能走出实验室了。」
69680发布于 2018-05-10 - 来自专栏机器之心
前沿 | Science：自学习式人工智能可协助预测心脏病发作
在一项新研究中，Weng 和其同事对比了 ACC/AHA 指导方针和 4 个机器学习算法：随机森林（random forest）、logistic 回归（logistic regression）、梯度提升 为了在没有人类指示的情况下得出预测工具，所有这 4 项技术分析了大量数据，被分析的数据来自英国 378256 名患者的电子医疗记录，目标是在与心血管疾病有关的记录之中找出发病模式。 所有 4 种人工智能方法的表现都优于 ACC/AHA 指导方针。 我们使用 AUC（其中 1.0 表示 100% 的精确度）的统计量，ACC/AHA 指导方针达到 0.728，而 4 种人工智能方法的精确度在 0.745 到 0.764 之间，Weng 的团队这个月在
905120发布于 2018-05-07 - 来自专栏素质云笔记
无监督学习︱GAN 在 NLP 中遇到瓶颈+稀疏编码自学习+对偶学习
Dai, Rafal Jozefowicz,Samy Bengio https://arxiv.org/abs/1511.06349v4 [2] SeqGAN: Sequence Generative http://www.machinedlearnings.com/2017/01/generating-text-via-adversarial-training.html . ---- 二、稀疏编码自学习 为了区别于这种半监督学习，我们称我们的任务为自学习。 自学习方法主要包括以下两个阶段： 首先使用无标记数据来学习一种表达，然后将此种表达应用于标记的数据以及分类任务中。
1.5K20发布于 2019-05-26 - 来自专栏DeepHub IMBA
使用PyTorch实现简单的AlphaZero的算法（3）：神经网络架构和自学习
神经网络架构和训练、自学习、棋盘对称性、Playout Cap Randomization，结果可视化 从我们之前的文章中，介绍了蒙特卡洛树搜索 (MCTS) 的工作原理以及如何使用它来获得给定棋盘状态的输出策略 以下是在3x3, 4x4和5x5棋盘上对随机代理的胜率。 可以看到对于一个3 x 3的棋盘，即使没有MCTS，在80个回合后至少可以达到75%的胜率 对于一个4 x 4的棋盘，训练在500个回合后就会饱和，然后就会变成振荡，但在1300回合附近，没有MCTS 如果能够超越离散动作空间[4]将是有趣的。连续动作空间将在机器人或自动驾驶汽车应用中更为常见。[4]接受beta分布并学习它的参数。然后使用这个分布的一个缩放版本来近似有界连续空间。 如果我们能将这些知识转移到4x4大小或其他大小的棋盘上，那就太好了。这项工作的重点也是一个方向[5]。
96130编辑于 2023-02-01 - 来自专栏苦逼的码农
【面试现场】如何设计可自学习的五子棋AI？
题目：如何设计可自学习的五子棋AI？ ? ? ? ? ? ? ? ? ? ? ? ? 【请教大神】 小史回到学校，把面试的情况和计算机学院的吕老师说了一下。 ? ? ? ? ? 吕老师：小史，你看4个子的权重，你给10000，或者给50000，甚至给1个亿，对于其他值来说都是绝对高的值，所以最后效果应该是一样的。 ? ? ? ? ? ?
89030发布于 2018-12-25 - 来自专栏五分钟学算法
【面试现场】如何设计可自学习的五子棋 AI ？
题目：如何设计可自学习的五子棋AI？ ? ? ? ? ? ? ? ? ? ? ? ? 【请教大神】 小史回到学校，把面试的情况和计算机学院的吕老师说了一下。 ? ? ? ? ? 吕老师：小史，你看4个子的权重，你给10000，或者给50000，甚至给1个亿，对于其他值来说都是绝对高的值，所以最后效果应该是一样的。 ? ? ? ? ? ?
1.3K10发布于 2019-10-23 - 来自专栏数据猿
滴滴出行场景中语音识别模型的自学习平台化实践
于是我们开发了语音识别模型自学习平台来缓解这个问题。语音识别简单来说分为声学模型，语言模型，解码器和发音词典。 一方面，为了满足非专业用户参与模型优化，自学习平台基于NodeJS/Antd开发了Web前端页面，为用户提供了简单、易用的模型自学习优化操作界面；另一方面，为了支持开发人员进行定制化的二次开发，平台基于 这种自学习的训练方式通常能比单纯使用少量标注数据时，能够带对模型效果带来更大的提升。 3.2.2 重排序 现有的语言识别服务一般采用beam-search方式进行解码，最终往往得到N个可能的解码结果（即为N-best），上图所示，其中N=4；最后采用N-best中得分最高的候选序列作为识别结果 4. 产品落地 在滴滴夸项目中，我们使用自学习平台定制周期性数据回流-模型迭代任务，每周定时从MySQL服务中拉取线上回流数据更新线上服务语言模型。
1.4K50发布于 2020-11-13 - 来自专栏计算机视觉工坊
一文带你了解基于视觉的机器人抓取自学习(Robot Learning)
4)从对话中学习：该智能体通过在完成的对话中引入训练数据来改进其语义解析器，智能体能够将用户的初始命令与确认的动作进行匹配，从会话中学习语义。 synergy-based control framework; 3.Visual Curiosity: Learning to Ask Questions to Learn Visual Recognition; 4.
2.3K10发布于 2020-12-11 - 来自专栏AI研习社
自学习 AI 智能体第二部分：深度 Q 学习
自学习 AI 主体系列 - 目录 第一部分：马尔可夫决策过程 第二部分：深度Q学习（本文） 第三部分：深入（双重）Q-Learning 第四部分：继续行动空间的策略梯度 等式4 对于 Q（s，a）得贪心目标策略 在这种情况下，目标策略称为贪心策略。 贪心策略意味着我们只挑选导致Q（s，a）值最高的行动。 遵循贪心目标策略，主体将采取具有最高动作值的动作（图4中的蓝色路径）。 该策略还为Q（s，a_1）（图中的等式）提供了新值，根据定义，它是TD目标。 ? 等式10 平方误差损失函数 3.1 目标和Q网络 在深度Q学习TD目标中，y_i和Q（s，a）由两个不同的神经网络分别估计，这两个神经网络通常被称为目标和Q网络（图4）。 图4目标和Q网络。 s是当前状态，s'的下一个状态。 研究表明，使用两种不同的神经网络进行TD目标t和Q（s，a）计算可以使模型具有更好的稳定性。
94970发布于 2018-12-11
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