- 综合排序
- 最热优先
- 最新优先
- 来自专栏数字积木
HDLBits: 在线学习 Verilog （〇）
本系列文章将向大家推荐一个学习 Verilog 的好去处：HDLBits. HDLBits 在提供 Verilog 基础语法教程的同时，还能够在线仿真你的 Verilog 模块，将你的输出与正确的时序比较，可以说真的是很棒了。 作者今天被安利了一个很棒的 Verilog 学习网站：HDLBits 。然后发现知乎上还没有与 HDLBits 相关的话题，便写下这篇文章向大家推荐。 ? 层级目录 完整地对 Verilog 的语法进行整理就已经很棒了，我一直没有发现这样系统整理 Verilog 语法的中文网站，比如像菜鸟教程这样的网站，提供了大量软件语言的语法学习与备忘查询，大多数语言还支持在线编译执行 当然，Verilog 语法不是最重要的事 Verilog 在线仿真 HDLBits 还提供了类似上图中，在线执行 c 语言代码的功能，可以在线对 Verilog 代码进行仿真，观察输出的时序。
1.1K31发布于 2021-04-15 - 来自专栏强仔博客
在线学习编程语言
里面集合了差不多各种语言，php，java，c语言，可以在线编译玩玩，电脑不在身边没关系，手机一样可以编程学习，体验代码的乐趣，有兴趣的可以去玩玩，可别学秃头了哦！
2.7K10编辑于 2021-12-20 - 来自专栏AI SPPECH
在线学习与增量学习实践
文章重点讨论了自适应学习率调整、灾难性遗忘缓解、边缘设备在线学习、在线学习安全防护以及动态公平性适应等关键技术，为读者提供了一套完整的安全机器学习在线学习与增量学习解决方案。 1. 联邦在线学习：在联邦学习场景下实现在线学习，保护数据隐私。 边缘云协同学习：结合边缘设备和云服务器的优势，实现高效的在线学习。 3. 技术深度拆解与实现分析 3.1 在线学习与增量学习的定义与区别 3.1.1 在线学习 在线学习是指模型一次处理一个数据样本，然后更新模型参数，不断重复这个过程。 6.5 趋势5：在线学习与强化学习结合 在线学习与强化学习的结合将得到进一步发展： 在线强化学习：实时适应环境变化，提高强化学习的适应性和鲁棒性。 元在线学习：使用元学习技术，提高在线学习的泛化能力和学习效率。 多智能体在线学习：支持多智能体协作学习，适应复杂的应用场景。 迁移在线学习：将知识从源任务迁移到目标任务，提高学习效率和性能。
17610编辑于 2026-01-18 - 来自专栏大数据及人工智能
在线学习FTRL介绍及基于Flink实现在线学习流程
现实中为了及时对市场的变化进行反应，越来越多的业务选用在线学习方式直接处理流式数据、实时进行训练实时进行更新模型。 在线学习 在线学习算法的特点是：每来一个训练样本，就用该样本产生的loss和梯度对模型迭代一次，一个一个数据地进行训练，能够根据线上反馈数据，实时快速地进行模型调整，使得模型及时反映线上的变化 如果一个在线学习算法可以保证其 regret 是 t 的次线性函数，那么随着训练样本的增多，在线学习出来的模型无限接近于最优模型。 ，是业界首个同时支持批式算法、流式算法的机器学习平台，Alink 中提供了在线学习算法FTRL在Alink中的实现，主要流程如下： 具体代码实现逻辑如下： ● 建立特征处理管道，其包括StandardScaler ，机器学习所能处理的场景更加广泛和多样，为了达到实时性的要求还需要直接对流式数据进行实时预测，在线训练已经成为一种趋势，国外从2010起就有相关探索，目前flink已经成为了事实上的标准，针对在线学习也有生产上的计算框架
1.9K71编辑于 2022-03-02 - 来自专栏刘笑江的专栏
在线学习方法概述
推荐系统算法常常用到逻辑回归算法，而传统的批量学习算法如 SGD 无法应对大规模、高维的数据集和实时数据流。 为了解决这个问题，在线最优化算法如 TG [1]、FOBOS [2]、RDA [3]、FTRL [4,5,6] 应运而生，下面将介绍、对比这些算法。 SGD 对于传统的在线学习方法 SGD，有更新规则 wi+1=wi−ηg(wi,zj)w_{i+1}=w_i - \eta g(w_i, z_j) wi+1=wi−ηg(wi,zj PDF [6] 在线最优化求解(Online Optimization) 冯扬 PDF [7] 简谈L0,L1和L2 modkzs http://modkzs.github.io/2016/02/22/
1.1K40发布于 2018-05-28 - 来自专栏cwl_Java
快速学习-在线人数统计
第10章 在线人数统计 10.1 涉及的技术知识点 监听器 10.2 监听器 Listener用于监听JavaWeb程序中的事件。 10.3 在线人数统计功能展示 ?
1.4K10发布于 2020-02-12 - 来自专栏数据和云
Oracle LiveSQL在线SQL学习
这是一个在线SQL学习、脚本分享、脚本管理平台。 在这个平台，你可以直接运行、测试、分享你的脚本，这将非常有用，在很多测试中，你不再需要复杂的接入自己的测试环境。 在这个在线平台中，可以编辑、运行SQL，也可以通过在线的Demo来学习SQL技能，分享自己的经验。内容已经非常丰富。 ? 请记住这个网站：livesql.oracle.com ，在线SQL学习、脚本分享、脚本管理平台。 强烈推荐大家在这个平台中获得知识和便利。
3.3K40发布于 2018-03-05 - 来自专栏刘笑江的专栏
在线学习方法概述
为了解决这个问题，在线最优化算法如 TG [1]、FOBOS [2]、RDA [3]、FTRL [4,5,6] 应运而生，下面将介绍、对比这些算法。 SGD 对于传统的在线学习方法 SGD，有更新规则 image.png 其中 image.png 是 image.png 对于 image.png 的次梯度。 image.png 其中每个特征维度，有着不同的学习率，特征变化大的维度学习率下降得快 image.png 算法实现 https://github.com/fmfn/FTRLp 算法流程 ? 在 [5] 提出把全局学习率改成每个坐标自适应学习率，AUC 提升1%。 横向对比 ? 其中 Ψ\PsiΨ 是非平滑凸函数，如 L1 正则项。QsQ_sQs 是学习率。 PDF [6] 在线最优化求解(Online Optimization) 冯扬 PDF [7] 简谈L0,L1和L2 modkzs http://modkzs.github.io/2016/02/22/
1.2K10发布于 2019-12-30 - 来自专栏算法和应用
在线学习最小 - 最大离散问题
作者：Evripidis Bampis,Dimitris Christou,Bruno Escoffier,Nguyen Kim Thang 摘要：我们在在线学习框架中研究各种离散非线性组合优化问题。 之前的减少证明没有（2-ε）-regret在线算法，除非Unique Game在inBPP中;我们证明了一个匹配的上界，提供了一种基于在线梯度下降法的在线算法。 然后，我们将注意力转向基于离线优化oracle的在线学习算法，在给定一组问题实例的情况下，该算法能够计算出最优的静态解决方案。 从积极的方面来说，我们提出了一个消失后悔的在线算法，该算法基于跟随扰动的领导算法进行广义背包问题。
90240发布于 2019-07-18 - 来自专栏不能显示专栏创建者
未来课堂：在线学习的兴起
在线学习通常比亲自培训更方便，而且由于在线教育的方法和技术不断发展和改进，在线学习很快成为首选的商业工具。 Neovation Learning Solutions总裁丹•贝尔哈森（Dan Belhassen）表示：“在线培训一直是向员工、会员和客户提供培训的一种经济高效的方式。 Belhassen说，通过将长期培训分解为模块化的每日或每周在线课程，“学习者能够参与、吸收和保留他们的培训材料。”。
96700发布于 2021-01-02 - 来自专栏生信宝典
机器学习也可以在线做！
做生信分析，Galaxy 平台应该都不陌生，里面提供了很多在线分析流程和工具，可在线使用也可以本地部署。 机器学习也不例外，Galaxy 提供了一些在线机器学习工具可供快速使用和教程学习，来试试？
85620编辑于 2022-03-27 - 来自专栏服务端技术杂谈
推荐几个在线学习的平台
http://www.jikexueyuan.com/ 极客学院，各种学习资料，但是视频大部分收费的，如果有特别想看的课程可以学习，实在不行看看wiki。 https://channel9.msdn.com/ channel9平台是微软的一个主要的传播微软技术的平台，另一个好处是可以学习英文，IOT课程值得推荐。 http://edu.51cto.com/ 51CTO的在线课程，有着自己的资源，方便扩展。 http://www.jdon.com/ 解道，这个应该是我见过讲面向对象，各种soa思想比较全的网站了，纯文字技术社区，牛人多，值得学习，当年我第一次在国外听说MEAN架构的时候，来国内搜发现解道已经用了对应的中文文章了
2.2K50发布于 2018-04-17 - 来自专栏Linux兵工厂
在线编程学习，后悔知道晚了!
关注我，我们一起学习，共同进步！ ---- START Hello，小伙伴们大家好！今天给大家分享一波在线编程学习的网站，这几个网站说实话的确不错，非常适合利用空余时间去浏览学习。 ://www.nowcoder.com/ 在线学习、求职、面试 各类型企业招聘 一个涵盖各种求职、面试技巧信息的网站 网易公开课 网址：https://open.163.com/ 各种类型的课程 包括个人提升 、英语、经典通职课、全球名校课程、各类演讲、赏课等 绝对是提升自我的好地方 只要你肯坚持就会改变自己 C语言网 网址：https://www.dotcpp.com/ 学习积累，包含C/C++教程、在线课堂 、在线编程 应用练习，理论结合实际 招聘、找工作 力扣 网址：https://leetcode.cn/ 一个众所周知的网站 绝对是你从学校迈入职场的得力助手 各个大厂面试的题库 好多小伙伴从这里迈入了理想的大厂 要想增才干，就要永学习。 ----
50840编辑于 2023-03-30 - 来自专栏IT架构圈
SpringCloud主流组件在线学习—Feign
PS：zookeeper是CP（一致性，容错），eureka是AP（高可用，容错），Feign是方便调用的框架，Ribbon是客户端的负载均衡。
55360发布于 2021-10-21 - 来自专栏web全栈
kkFileView在线文件预览项目学习&搭建
在偶然的翻阅大佬博客的时候，发现一个挺有意思的项目：kkFileView，在线文件预览项目 1. kkFileView介绍 kkFileView是git的开源在线文件预览项目 支持格式：doc、docx
9.2K31编辑于 2022-09-26 - 来自专栏机器人课程与技术
在线matlab代码学习神器Octave Online
Octave与MATLAB完全兼容，免安装使用方便。注册和非注册功能会有不同，如下：
7.2K50发布于 2019-01-23 - 来自专栏全栈程序员必看
在线学习Java的资源网站
CodeGym（https://codegym.cc/）：一个在线Java编程课程，80%的内容是练习，适合一窍不通的入门者。 除此之外还有在线视频课程，如Coursera（https://www.coursera.org/）或Udemy（https://www.udemy.com/），这些平台容纳了许多世界各地的在线大学的课程 当然，所有以程序员的身份学习或工作的人，肯定会需要精通Java的人来指导。
3.1K10编辑于 2022-07-21 - 来自专栏机器人课程与技术
在线matlab代码学习神器Octave Online
Octave与MATLAB完全兼容，免安装使用方便。注册和非注册功能会有不同，如下：
1.7K10发布于 2019-01-23 - 来自专栏机器学习AI算法工程
在线学习行为分析建模及挖掘
文章从数据挖掘与领域应用、学习行为及行为分析、网络行为分析模型三个角度对在线学习行为可能的应用方向进行综述研究，探讨学习者的在线学习行为的建模机制，建立了数据、机制、结果三层次模型，并从网络挖掘的角度对学习数据进行模式分类与解析 在数据指标维度，徐红彩(2005)对在校大学生在线学习行为进行了调查与研究；曾祥跃(2008)对远程学习者在线学习行为进行了调查与分析；靳丽(2008)在对在线学习者交互的行为特征进行分析的基础上构建了在线学习行为模型 总结出在线学习者学习行为的规律。 在国际上，对在线学习行为分析的研究集中在三个方面：使用工具软件追踪和记录在线学习行为；关注学习者需求和在线学习环境；寻找在线学习行为和学习绩效的关系。 而已有的在线学习行为模型研究，也仅针对学生在线学习平台的显性行为进行分析，学生在线学习的习惯、情感、品质等隐性学习因子并未得到深入系统的研究；且尚未有成熟的用于分析在线学习者行为的模型和工具，还没有形成较为成型的研究与应用趋势
4.7K60发布于 2018-03-12 - 来自专栏毕设原创
【毕设原创】SpringBoot在线学习平台
题目 疫苗预约小程序 技术栈 后端：SpringBoot 前端：Vue 数据库：MySQL 功能概述 本系统为实现学生的线上考试与学习，而打造的“在线学习平台”，在线学习平台是一个工作量丰富，实用性极强的选题 ，所以如果没有特殊要求 在线学习平台是一个不错的选择，本在线学习平台功能涵盖了线上学习、线上考试、线上问答、在线写作业等 在线学习平台序包括学生、教师管理员两个模块 ⭐️学生功能：主要包括线上考试、 线上学习、在线写作业、在线问答、公告查看、个人信息管理等 ⭐️教师功能：主要包括发布/批改作业、发布/批改考试、线上答疑等 ⭐️管理员功能：学生管理、教师管理、课程管理、考试管理、作业管理等 实现页面截图 系统测试目的 在在线学习平台开发中，系统测试是关键环节，确保系统品质与稳定性。其目的是预防使用问题，提升用户体验。测试需全面考虑潜在问题，通过模拟场景发现并修正缺陷。
19800编辑于 2025-07-13
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