<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>资源优化 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E8%B5%84%E6%BA%90%E4%BC%98%E5%8C%96/</link>
    <description>Recent content in 资源优化 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Fri, 03 Oct 2025 12:49:41 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E8%B5%84%E6%BA%90%E4%BC%98%E5%8C%96/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>数据中心表征学习技术解析</title>
      <link>https://blog.qife122.com/p/%E6%95%B0%E6%8D%AE%E4%B8%AD%E5%BF%83%E8%A1%A8%E5%BE%81%E5%AD%A6%E4%B9%A0%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</link>
      <pubDate>Fri, 03 Oct 2025 12:49:41 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E6%95%B0%E6%8D%AE%E4%B8%AD%E5%BF%83%E8%A1%A8%E5%BE%81%E5%AD%A6%E4%B9%A0%E6%8A%80%E6%9C%AF%E8%A7%A3%E6%9E%90/</guid>
      <description>&lt;h2 id=&#34;iclr表征学习在数据中心的意义&#34;&gt;ICLR：表征学习在数据中心的意义&lt;/h2&gt;&#xA;&lt;p&gt;直到相对较晚的时期，机器学习研究的一个主要关注点是特征工程，即确定机器学习模型输入数据中哪些方面对当前任务最有用。特征工程通常需要领域专业知识：视觉科学家识别图像的重要特征，语言学家识别语音的重要特征等等。&lt;/p&gt;</description>
    </item>
    <item>
      <title>数据中心表征学习的应用与优化</title>
      <link>https://blog.qife122.com/p/%E6%95%B0%E6%8D%AE%E4%B8%AD%E5%BF%83%E8%A1%A8%E5%BE%81%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%BA%94%E7%94%A8%E4%B8%8E%E4%BC%98%E5%8C%96/</link>
      <pubDate>Wed, 17 Sep 2025 03:48:21 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E6%95%B0%E6%8D%AE%E4%B8%AD%E5%BF%83%E8%A1%A8%E5%BE%81%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%BA%94%E7%94%A8%E4%B8%8E%E4%BC%98%E5%8C%96/</guid>
      <description>&lt;h1 id=&#34;iclr数据中心中的表征学习意义&#34;&gt;ICLR：数据中心中的表征学习意义&lt;/h1&gt;&#xA;&lt;p&gt;直到相对近期，机器学习研究的一个主要关注点是特征工程，即确定机器学习模型输入数据中哪些方面对当前任务最有用。特征工程通常需要领域专业知识：视觉科学家识别图像的重要特征，语言学家识别语音的重要特征，等等。&lt;/p&gt;</description>
    </item>
    <item>
      <title>机器学习在择期手术床位调度中的预测与优化</title>
      <link>https://blog.qife122.com/p/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9C%A8%E6%8B%A9%E6%9C%9F%E6%89%8B%E6%9C%AF%E5%BA%8A%E4%BD%8D%E8%B0%83%E5%BA%A6%E4%B8%AD%E7%9A%84%E9%A2%84%E6%B5%8B%E4%B8%8E%E4%BC%98%E5%8C%96/</link>
      <pubDate>Mon, 15 Sep 2025 12:02:55 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9C%A8%E6%8B%A9%E6%9C%9F%E6%89%8B%E6%9C%AF%E5%BA%8A%E4%BD%8D%E8%B0%83%E5%BA%A6%E4%B8%AD%E7%9A%84%E9%A2%84%E6%B5%8B%E4%B8%8E%E4%BC%98%E5%8C%96/</guid>
      <description>&lt;h1 id=&#34;预测精度与重调度灵活性在择期手术管理中的关系&#34;&gt;预测精度与重调度灵活性在择期手术管理中的关系&lt;/h1&gt;&#xA;&lt;p&gt;下游资源的可用性在规划择期手术患者入院过程中至关重要，其中最关键的是住院床位。为确保床位可用性，医院可在入院规划阶段使用机器学习（ML）模型预测患者的住院时长（LOS）。然而，每位患者的实际住院时长可能与预测值存在差异，可能导致调度计划不可行。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
