- 综合排序
- 最热优先
- 最新优先
- 来自专栏刷题笔记
7-11 单身狗
点这里 7-11 单身狗 “单身狗”是中文对于单身人士的一种爱称。本题请你从上万人的大型派对中找出落单的客人，以便给予特殊关爱。
62510发布于 2019-11-08 - 来自专栏以终为始
7-11 悄悄关注 （25 分)
7-11 悄悄关注 （25 分) 新浪微博上有个“悄悄关注”，一个用户悄悄关注的人，不出现在这个用户的关注列表上，但系统会推送其悄悄关注的人发表的微博给该用户。
28120编辑于 2023-03-09 - 来自专栏超然的博客
MIT-线性代数笔记（7-11）
找出“主变量”pivotvariables，主列，即主元所在的列，其他列，称为自由列。（自由列表示可以自由或任意分配数值，列2和列4的数值是任意的，因此x2和x4是任意的，可以自由取）。
1.1K10发布于 2018-08-03 - 来自专栏刷题笔记
【2020HBU天梯赛训练】7-11 打折
7-11 打折 去商场淘打折商品时，计算打折以后的价钱是件颇费脑子的事情。例如原价 ￥988，标明打 7 折，则折扣价应该是 ￥988 x 70% = ￥691.60。
94920发布于 2020-06-23 - 来自专栏刷题笔记
【未完成】7-11 深入虎穴 (25 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/98790293 7-11 深入虎穴 (25 分) 著名的王牌间谍 007 需要执行一次任务
91010发布于 2019-11-08 - 来自专栏FreeBuf
丹麦7-11门店因网络攻击而关闭
据Bleeping Computer消息，因遭受了网络攻击，丹麦7-11门店的支付和结账系统全面故障，故而选择闭店。 8月8日，7-11公司在Facebook 上发帖称，他们很可能遭受了“网络攻击”。 “在7-11工作，我们的结账系统不起作用，全国所有的7-11都使用相同的系统，所以丹麦的所有7-11现在都关闭了”。 此前也曾遭遇网络攻击 这不是7-11第一次遭遇网络攻击。早在2009年，7-11就因为网络攻击泄露了大约1.3亿张信用卡数据，引起轩然大波。 7-11官网当即发布通知，暂停7pay的充值服务。7-11企业负责人也紧急召开记者会，对此深表歉意，并表示7-11将会承担所有的盗刷损失。
51310编辑于 2023-03-30 - 来自专栏HUC思梦的java专栏
ai学习记录
新建：分辨率：矢量软件和分辨率无关； 新建时候不要勾选对齐到像素网格 存储：.ai：illustrator的默认格式。 .eps:支持矢量图形，ai可以打开；也可以被ps打开，打开之后图层是合并的。 PDF：可以跨平台（PC，苹果）跨软件打开。PDF输出（保存时）：可以选择输出范围。 JPG导出：文件——导出 勾选上使用画板 打开：不要用Crtl+O 打开位图；否则会变为嵌入文件； 置入：将图片拖拽到画布上松开；置入后图片上还有一个X； 置入图片之后，必须记得将AI和其他链接文件一同移动 符号喷枪工具（shift+s）:用于绘制AI自带的图形，配合符号面板（ctrl+shift+f11）和符号库使用。 （六）AI修改文档大小 属性栏——点击文档设置——编辑画板——修改相应宽高属性 编辑画板第二种方法：点击画板工具(shift+o) 如何新建画板 1.编辑画板——点击新建画板 2.在画板编辑模式下，点击旧画板
4.1K20发布于 2020-09-03 - 来自专栏xiaosen
AI - 集成学习
集成学习概念 集成学习是机器学习中的一种思想，它通过多个模型的组合形成一个精度更高的模型，参与组合的模型成为弱学习器（基学习器）。 集成学习通过构建多个模型来解决单一预测问题 生成多基学习器，各自独立地学习和预测 通过平权或者加权的方式，整合多个基学习器的预测输出 传统机器学习算法 (例如：决策树，逻辑回归等) 的目标都是寻找一个最优分类器尽可能的将训练数据分开 基学习器是可使用不同的学习模型，比如：支持向量机、神经网络、决策树整合到一起作为一个集成学习系统也可使用相同的学习模型，一般情况下，更使用相同的学习模型 。 集成学习把多个学习器结合起来，要获得好的集成，个体学习器应有一定的准确性 ，学习器不能太坏，并且学习器之间具有差异 。 然后基于调整后的样本分布来训练下一个基学习器； 如此重复进行，直至基学习器数目达到实现指定的值T为止。 再将这T个基学习器进行加权结合得到集成学习器。
55410编辑于 2024-03-24 - 来自专栏机器学习与统计学
教AI学习绘画
通过结合神经网络笔画渲染器和基于模型的深度强化学习，我们的 AI 可以用笔画描绘纹理丰富的自然图像。AI 用数百个笔画就可以实现视觉效果很好的图画，对于每个笔画，直接确定笔画的位置和颜色等。 AI 的训练过程不需要人类绘画的经验或者笔画轨迹数据。 以人脸 (CelebA) 为例，需要一张 GPU，10 小时训练笔画渲染器，40 小时训练 AI，其间 AI 画了数百万张图片来学习。 这是我在接触深度学习不久后就十分感兴趣的问题。 从强化学习的角度看，我们需要设计一个 AI，给它一个画布和目标图。 AI 的每一步在画布上画一个笔画，当它画的笔画使画布和目标图更像时，我们就给它奖励，驱动它学习。我们可以设定一个笔画上限，让 AI 在给定的笔画数后终止。 ? DDPG 和 Model-based DDPG 的不同结构 神经网络笔画渲染器还可以接入到强化学习的框架中来辅助 AI 的训练。
2.8K20发布于 2019-05-09 - 来自专栏司钰秘籍
AI大模型学习
在当前技术环境下，AI大模型学习不仅要求研究者具备深厚的数学基础和编程能力，还需要对特定领域的业务场景有深入的了解。 通过不断优化模型结构和算法，AI大模型学习能够不断提升模型的准确性和效率，为人类生活和工作带来更多便利。 AI大模型学习的理论基础 数学基础： 线性代数：AI 大模型中大量使用向量和矩阵运算，如矩阵乘法、向量点积等，用于表示和操作数据。 AI大模型的训练与优化 训练和优化大规模机器学习模型确实是一个具有挑战性的任务，以下是一些有效的方法和技巧： 1. 此外，模型的性能也受到计算资源、数据质量和算法优化等因素的影响 AI大模型学习的伦理与社会影响 AI 大模型学习确实带来了一些伦理和社会问题，我们需要认真对待： 1.
69410编辑于 2024-04-04 - 来自专栏人工智能领域
AI大模型学习
AI大模型学习 在当前技术环境下，AI大模型学习不仅要求研究者具备深厚的数学基础和编程能力，还需要对特定领域的业务场景有深入的了解。 方向一：AI大模型学习的理论基础 AI 大模型学习的理论基础涉及深度学习、神经网络、优化算法等多个方面。 以下是一些关于 AI 大模型学习理论基础的重要内容： 深度学习：深度学习是 AI 大模型学习的核心理论基础，它通过构建多层神经网络来实现对复杂数据模式的学习和表征。 以下是一些关于 AI 大模型学习理论基础的重要内容： 深度学习：深度学习是 AI 大模型学习的核心理论基础，它通过构建多层神经网络来实现对复杂数据模式的学习和表征。 自我学习与迁移学习：AI大模型将更加注重自我学习能力和迁移学习能力，实现在不同任务和领域之间的灵活应用和迁移。
68010编辑于 2024-12-18 - 来自专栏代码洁癖患者
跟着AI学习Kafka
作者说 本文是由 Gemini 生成的 Kafka 学习路径。 Gemini 中有一个学习辅导的工具，它可以通过互动问答的形式帮助你由浅入深的学习一个知识点，个人感觉还是很好用的，感兴趣的同学可以试一下。 后面的内容由 AI 生成，后续我也会按照这个大纲来进行学习和分享。 AI说 这是一个非常扎实的学习目标。Kafka 不仅是一个消息队列，更是分布式存储和流处理的基石。 这份学习路径将分为四个阶段，涵盖了从宏观架构到微观实现的各个层面： 第一阶段：核心概念与基础架构 (The Big Picture) 这个阶段的目标是建立“物理直觉”，理解 Kafka 是如何组织数据的
14110编辑于 2026-01-28 - 来自专栏社区动态
AI提问实现学习弯道超车！如何使用AI加速学习？
文章框架AI已经带来学习方式的改变，降低了我们学习知识的难度，加快了我们解决问题的速度。 欢迎大家添加小助手微信jqzn-robot加入【AI分享交流群】，学习、分享更多有趣，有用的AI～一、前言在AI快速发展的今天，我们需要学习：驾驭大模型的能力、学习最基础最核心的知识、培养不容易被AI取代的能力 接下来我将从什么是问题驱动式学习、为什么问题驱动式学习更有效，以及在AI时代怎样基于问题驱动来加速学习。友情提示：如果不了解前因后果，只想了解如何在AI时代实践问题驱动式学习，直接跳到第四部分即可。 个性化学习体验：AI可以根据学习者的历史查询、学习习惯和偏好提供个性化的学习内容和建议，使学习更加贴合个人需求，从而提高学习效率和兴趣。 培养21世纪技能：在与AI互动的过程中，学习者不仅学习知识本身，还在无形中培养了批判性思维、信息素养、技术使用和终身学习等 21 世纪必备技能。AI让深度学习成为可能。
74510编辑于 2024-08-19 - 来自专栏wujunmin
“预测”比“解释”重要的多
培根把科学方法总结为以下五步： 1.观察 2.提出理论假设 3.用这个理论假设做出一个预测 4.用实验来验证预测是否成真 5.分析你得到的结果 刘雪峰《心中有数》 铃木敏文在管理便利店巨头7-11过程中使用了类似的思路 7-11的假设验证法广为流传：店长站在消费者的角度，结合数据与市场环境，对哪些商品会成为畅销品进行假设，然后按假设下单。到货后，按照POS数据记录的销售状况验证假设是否正确。 预测还可以用来学习。刘雪峰《心中有数》提到个看电视剧《甄嬛传》的例子：如果我是电视剧主人公，要如何解决当前的难题。先暂停思考得出一个预测，然后再继续播放看主人公是如何做的。 这种模式有两个特点：一是主动预测，不会被情节牵着鼻子走；二是从差距中学习，根据和剧中人物的方案对比来反思自己，看自己的漏洞，提高自己。主动预测是从差距中学习的基础。
39710编辑于 2022-12-13 - 来自专栏机器人网
谷歌和亚马逊还在观望，7-11已经搞起了第一支无人机队
据美国科技网站Recode报道，便利连锁商店7-Eleven赶在亚马逊和谷歌母公司Alphabet之前组建起了美国第一支无人机运输服务队伍。后两家公司为实现无人机运输做了大量工作，在此前一直都受到媒体公众的广泛关注。 7-Eleven公司表示，美国内华达州雷诺市的12位用户在家中收到了由无人机从商店送来的77个订单包裹。 这也成为了美国历史上的第一个成功的无人机商业运输案例，尽管目前只有一家商店实现了这项服务。7-Eleven与无人机运输初创公司Flirtey进行合作，组建了雷诺市的无人机包裹运输服务。
53960发布于 2018-04-24 - 来自专栏庄帅
全球最大便利店将裁员4000人、关店1000家，这两个是致命原因
被收购到日本的7-11便利店迅速在日本崛起，依靠起独特的零售心理学和经营策略让711便利店在日本的地位无可撼动。 ，“7-11”也成为便利店商店的国际共通语言。 到2000年，7-11发现很多写字楼有外卖需求，于是在日本开始支持送外卖。 细心周到的服务、细节更贴心 在商品的陈列上，7-11有严格的要求。 图：7-11日本历年店数和销售额 数据驱动运营、决策更合理 高层领导对数据的重视和敏感，引导7-11形成了数据驱动的单品管理模式，也是门店乃至整个集团维持高效运转、保持高利润的关键。 数据相对滞后、成本持续走高 虽然7-11有数据支持决策的“法宝”，但随着互联网的发展，信息逐步多元化，在大数据、人工智能以及数据整合层面，7-11未完全赶上当前的节奏。
72300发布于 2019-10-31 - 来自专栏WeaponZhi
AI 开篇—说说我学习 AI 的动机
我是为了学 AI 才去适当入门 Python 的，在我对 Python 有一个了解之后，我觉得我已经可以应付入门机器学习的条件了，那我觉得在这种状态下，就可以进行下一段的学习了。 从我自己来说，学习 AI 的动机有三点： 第一点可能是绝大多数试图学习或者转型 AI 的朋友都有考虑到的，那就是 AI 目前的形势。 那么在目前的这个人生阶段上，我为什么会去选择在业余时间学习 AI 呢。 第二点。因为我是一个比较有想法的人，我也有大量的想法希望通过我的双手实现。 做 AI 在技术上的动机是因为我想通过研究和学习 AI 重新回到一个作为学习者和研究者身份，去纯粹而安静的在研究和学习中沉浸自己的内心。 学习 AI ，使我回归本心，我好像回到了小时候，想做一个不露面的超人，安静的守护着我爱的每一个人。 这是我的动机，那么你选择 AI 的理由呢？
1K70发布于 2018-03-07 - 来自专栏机器之心
AutoML研究综述：让AI学习设计AI
自动机器学习（AutoML）的目标是让领域专家即使没有统计学和机器学习方面的广泛知识也能自动构建机器学习应用，从而减少对数据科学家的需求。 这意味着对所有机器学习任务都普遍更优的机器学习流程是不存在的。因此，不可能将一个表现优良的机器学习流程迁移至新领域后还能表现出色。相反，为了得到最优的结果，必须为每个新数据集构建新的机器学习流程。 图 4：针对特定机器学习任务的专用机器学习流程 3.2.1 遗传编程 自动构建灵活的机器学习流程的首个方法来自 Olson and Moore (2016)。 针对无监督学习或强化学习的专门研究可以助力 AutoML 框架的发展，进而解决当前还未显露的学习问题。此外，专门的方法也能提升这些任务的性能表现。 AutoML 的目标是完全自动化机器学习流程的创建，以让领域专家能使用机器学习。
83220发布于 2019-05-15 - 来自专栏六点半就起来干博客！
机器学习——解释性AI（Explainable AI）
机器学习——解释性AI（Explainable AI） 解释性AI（Explainable AI）——让机器学习模型更加透明与可信 随着人工智能（AI）和机器学习（ML）在多个领域的广泛应用，理解模型的决策过程变得尤为重要 LIME特别适合于深度学习等复杂模型，通过扰动输入数据并观测模型的预测变化，从而解释单一实例的决策过程【43†source】【45†source】。 解释性AI（Explainable AI）——揭开机器学习模型的“黑盒” 在当今人工智能和机器学习技术广泛应用的背景下，解释性AI（Explainable AI, XAI） 变得尤为重要。 XAI 旨在为复杂的机器学习模型提供人类可理解的解释，帮助用户了解模型如何做出决策，特别是在金融、医疗等高风险领域，XAI 提供了透明性和信任基础。 什么是解释性AI？ 解释性AI 通过一系列技术来解释机器学习模型的预测结果。对于许多深度学习模型或集成模型来说，它们被视为“黑盒”——虽然能够产生高精度的预测，但难以理解其背后的决策过程。
93310编辑于 2024-10-16 - 来自专栏罗超频道
亚马逊再开3000+无人店！国内却一半是海水一半是火焰
比如推出“淘宝会员店”的阿里巴巴、推出“无人超市”的京东以及推出“无人优鲜便利购”的腾讯； 第二类是像“7-11”这样转型升级的传统零售知名品牌； 第三类则是资本热捧下在线下跑马圈地的创业公司。 “7-11”和“全家”等知名品牌纷纷在供应链、客户管理和智能门等方面进行智能化变革。 其中“7-11”以数据为中心构建了供应链信息系统，将各节点链接，大幅提升了配送效率，“7-11”的首家无人门店也在中国台湾开业，和京东一样，只需刷脸就可以完成购物。 不可否认，移动互联网的普及，以及AI技术的成熟，正在加速无人经济。 无人店的优势在于效率和成本，有人店的优势在于温度和情怀，在AI技术依然不如人时，有人店提供的服务一定是最好的，有人店可以借助于日益成熟的AI技术逐步提高效率和体验。
90030发布于 2019-07-17
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