请给我解释下面的sql语句含义：CASE WHEN first_consume IS NULL OR first_consume = '' THEN 1 WHEN form_priority in ('p0', 'P0') THEN ( CASE WHEN dateDiff(toMonday(toDate(created_time)), toDate(created_time)) < 5 AND toFloat32OrZero(first_consume)/60 <= 5 THEN 1 WHEN dateDiff(toMonday(toDate(created_time)), toDate(created_time)) >= 5 AND toFloat32OrZero(first_consume)/60 <= 5 THEN 1 ELSE 0 END ) WHEN form_priority in ('p1','P1') THEN ( CASE WHEN dateDiff(toMonday(toDate(created_time)), toDate(created_time)) < 15 AND toFloat32OrZero(first_consume)/60 <= 15 THEN 1 WHEN dateDiff(toMonday(toDate(created_time)), toDate(created_time)) >= 5 AND toFloat32OrZero(first_consume)/60 <= 30 THEN 1 ELSE 0 END ) WHEN form_priority in('p2', 'P2') THEN ( CASE WHEN toFloat32OrZero(first_consume)/60 <= 30 THEN 1 ELSE 0 END ) ELSE 0 END

时间: 2024-03-28 19:36:32 浏览: 27
ZIP

product-consume.zip_consume_生产者_生产者 消费者_生产者消费者

这是一条 SQL 语句，主要是用于对数据表中的数据进行判断和计算，返回一个值。具体如下： 当 "first_consume" 字段为 NULL 或空字符串时，返回 1； 当 "form_priority" 字段等于 'p0' 或 'P0' 时，再根据 "created_time" 和 "first_consume" 字段的值，进行一系列判断，如果符合条件就返回 1，否则返回 0； 当 "form_priority" 字段等于 'p1' 或 'P1' 时，同上进行判断； 当 "form_priority" 字段等于 'p2' 或 'P2' 时，只需要判断 "first_consume" 字段的值是否小于等于 30，是则返回 1，否则返回 0； 当 "form_priority" 字段不属于上述三种情况时，返回 0。
阅读全文

相关推荐

rar

consume_and_productor.rar_consume_生产者 消费者

下面我们将深入探讨这个模式的核心概念、工作原理以及实际应用。 生产者-消费者模型主要由两个关键角色构成：生产者和消费者。生产者负责生成数据或资源，而消费者则负责处理这些数据或资源。在实际应用中，生产者...
rar

sem_proc_consume.rar_consume

"sem_proc_consume.rar_consume" 提供的是一段简单的C语言代码示例，旨在帮助学习者理解如何在实际编程中应用信号量进行资源消耗或生产的管理。下面我们将深入探讨信号量的概念、类型以及如何在C语言中使用它们。 1...
zip

multithreadin:Produce_consume

在"Produce_consume"这个场景中，我们通常指的是生产者-消费者问题，这是一个经典的并发问题，用于展示线程间通信和同步的概念。 在C++中实现多线程，可以利用C++11引入的<thread>库。这个库提供了一种创建和管理...

SQL创建表，表名:t_member_consume [consume_date] [user_id] 2019-01-01 1 2019-01-02 1 2019-01-01 2 2019-01-02 2 2019-01-03 2 2019-01-01 3 2019-01-01 4 2019-01-01 5 2019-01-02 5 2019-01-03 5

您可以使用以下语句来创建名为 "t_member_consume" 的表： CREATE TABLE t_member_consume ( consume_date date, user_id int, PRIMARY KEY (consume_date, user_id) ); 然后，您可以使用以下语句向表...

consumePartitions: ${SW_KAFKA_FETCHER_CONSUME_PARTITIONS:"5"} 什么意思

${SW_KAFKA_FETCHER_CONSUME_PARTITIONS:"5"}的意思是，如果环境变量SW_KAFKA_FETCHER_CONSUME_PARTITIONS存在，则使用该变量的值作为消费者线程数；如果不存在，则默认使用 5 个消费者线程。这个环境变量一般...

CREATE PROCEDURE SP_CheckBalance(IN Card_id INT, IN Consume_money FLOAT(10,2), OUT Can_consume BIT) AS BEGIN SELECT Curr_money INTO balance FROM T_card WHERE Card_id = card_id; IF (balance >= consume_money) THEN SET can_consume = 1; ELSE SET can_consume = 0; END IF; END > 1064 - You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near 'AS BEGIN SELECT Curr_money INTO balance FROM T_card WHERE Card_id = card_id;' at line 4 > 时间: 0s

CREATE PROCEDURE SP_CheckBalance(IN Card_id INT, IN Consume_money FLOAT(10,2), OUT Can_consume BIT) BEGIN DECLARE balance FLOAT(10,2); SELECT Curr_money INTO balance FROM T_card WHERE Card_id = Card...

NameError: name 'consume_one' is not defined

在这个特定的代码中，如果出现“NameError: name 'consume_one' is not defined”错误，那么可能是在定义变量时出现了错误，或者在定义变量后没有正确地使用它。请检查变量名拼写是否正确，并确保在使用变量之前对其...

解释一下rates_coupons_consume.sort_insex(inplace=True)

对的，我是一个基于CSDN开发的ChitGPT，它是一个类似于ChatGPT的人工智能对话系统。关于你的问题，rates_coupons_consume是一个Pandas数据框，sort_index()函数根据列索引进行排序，而sort_inplace=True参数表示在...

SELECT DATA_AREA,DATA_VALUE1, DATA_VALUE2 FROM YXDDZH_MIDDLE.GZ_SCREEN_SY_REPORT_REST_CONSUME WHERE IS_DELETED = 0 AND DATA_AREA != '广州市' and DATA_NAME='无理由退货企业' AND DATA_TIME = ( SELECT MAX(DATA_TIME) FROM YXDDZH_MIDDLE.GZ_SCREEN_SY_REPORT_REST_CONSUME WHERE IS_DELETED = 0 AND DATA_AREA != '广州市' and DATA_NAME='无理由退货企业') 这个结果加个降序

你可以在 SQL 语句的末尾添加 ORDER BY 子句来实现降序排序，示例如下： SELECT DATA_AREA, DATA_VALUE1, DATA_VALUE2 FROM YXDDZH_MIDDLE.GZ_SCREEN_SY_REPORT_REST_CONSUME WHERE IS_DELETED = 0 AND DATA_...

运行Python代码： dt = database+'.'+table # 数据库和表名 hc.setConf("hive.exec.dynamic.partition.mode", "nonstrict") hc.createDataFrame(df_data).write.mode("append").insertInto(dt) 出现如下错误是什么原因：TypeError: field answer_consume_time: Can not merge type <class 'pyspark.sql.types.LongType'> and <class 'pyspark.sql.types.StringType'>

1. 在创建DataFrame时，将"answer_consume_time"字段的数据类型设置为StringType，以匹配目标表的数据类型。 2. 在插入数据之前，将"answer_consume_time"字段的数据类型进行转换，从LongType转换为StringType。 3. ...

# 用户在多少商家领取并消费优惠券 pivot = pd.pivot_table(data[data['Date'].notnull()&data['Date_received'].notnull()][['User_id', 'Merchant_id']], index=keys1, values='Merchant_id', aggfunc=lambda x:len(set(x))) pivot = pd.DataFrame(pivot).rename(columns={'Merchant_id':prefixs + 'received_consume_differ_merchant'}).reset_index() feature_user = pd.merge(feature_user, pivot, on=keys1, how='left') # 用户对不同商家领取优惠券的核销率（领券消费数/领券数） feature_user[prefixs+'received_consume_merchant_rate'] = feature_user[prefixs + 'received_consume_differ_merchant'].astype('float')/feature_user[prefixs + 'received_differ_merchant'].astype('float') # 用户15天内消费优惠券数量 pivot = pd.pivot_table(data[data['label']==1][['User_id', 'cnt']], index=keys1, values='cnt', aggfunc=len) pivot = pd.DataFrame(pivot).rename(columns={'cnt': prefixs+'15_consume_cnt'}).reset_index() feature_user = pd.merge(feature_user, pivot, on=keys1, how='left') # 用户15天内未消费优惠券数量 pivot = pd.pivot_table(data[data['label']==0][['User_id', 'cnt']], index=keys1, values='cnt', aggfunc=len) pivot = pd.DataFrame(pivot).rename(columns={'cnt': prefixs+'15_not_consume_cnt'}).reset_index() feature_user = pd.merge(feature_user, pivot, on=keys1, how='left')用groupby（函数改写）

pivot = data[data['Date'].notnull() & data['Date_received'].notnull()][['User_id', 'Merchant_id']].groupby(keys1)['Merchant_id'].nunique().reset_index() pivot = pivot.rename(columns={'Merchant_id': ...

def connect(self): s = self.get_slice() if self.connected: return # increment connect attempt self.stat_collector.incr_connect_attempt(self) if s.is_avaliable(): s.connected_users += 1 self.connected = True print(f'[{int(self.env.now)}] Client_{self.pk} [{self.x}, {self.y}] connected to slice={self.get_slice()} @ {self.base_station}') return True else: self.assign_closest_base_station(exclude=[self.base_station.pk]) if self.base_station is not None and self.get_slice().is_avaliable(): # handover self.stat_collector.incr_handover_count(self) elif self.base_station is not None: # block self.stat_collector.incr_block_count(self) else: pass # uncovered print(f'[{int(self.env.now)}] Client_{self.pk} [{self.x}, {self.y}] connection refused to slice={self.get_slice()} @ {self.base_station}') return False def disconnect(self): if self.connected == False: print(f'[{int(self.env.now)}] Client_{self.pk} [{self.x}, {self.y}] is already disconnected from slice={self.get_slice()} @ {self.base_station}') else: slice = self.get_slice() slice.connected_users -= 1 self.connected = False print(f'[{int(self.env.now)}] Client_{self.pk} [{self.x}, {self.y}] disconnected from slice={self.get_slice()} @ {self.base_station}') return not self.connected def start_consume(self): s = self.get_slice() amount = min(s.get_consumable_share(), self.usage_remaining) # Allocate resource and consume ongoing usage with given bandwidth s.capacity.get(amount) print(f'[{int(self.env.now)}] Client_{self.pk} [{self.x}, {self.y}] gets {amount} usage.') self.last_usage = amount def release_consume(self): s = self.get_slice() # Put the resource back if self.last_usage > 0: # note: s.capacity.put cannot take 0 s.capacity.put(self.last_usage) print(f'[{int(self.env.now)}] Client_{self.pk} [{self.x}, {self.y}] puts back {self.last_usage} usage.') self.total_consume_time += 1 self.total_usage += self.last_usage self.usage_remaining -= self.last_usage self.last_usage = 0中的资源分配

1. 在 is_avaliable 函数中，将 bandwidth_next 的计算方式修改为 real_cap / (self.connected_users + 1) >= self.bandwidth_min，即下一个用户的带宽大于等于最小容量。 2. 在 start_consume 函数中，将 ...

SELECT sd.email, consume_phone phone, hg.group_name group_name, '消费' operatype, COUNT( hs.consume_phone ) AS times, IFNULL(sum(IF(hs.consume_status='+',(hs.consume_amount-hs.consume_gift_amount),-(hs.consume_amount-hs.consume_gift_amount))),0) money FROM qianxun_wash_consume hs LEFT JOIN qianxun_wash_groupcard hg ON hs.consume_phone = hg.group_phone LEFT JOIN sys_dept sd on sd.dept_id=hg.create_dept WHERE hs.consume_type IN ( 200, 220 ) and hs.consume_card_type <> ' ' AND hs.consume_subtract_card != '0' and hs.create_unit='487' GROUP BY consume_phone, hg.group_name ORDER BY times DESC 这个sql怎么优化

对于这个 SQL 查询的优化，有几个方面可以考虑： 1. 索引优化：确保相关的列上有适当的索引，以提高查询效率。对于 hs.consume_phone、hg.group_phone、hs.create_unit 等列，可以考虑创建索引。 2. JOIN ...

DECLARE @can_consume BIT > 1064 - You have an error in your SQL syntax; check the manual that corresponds to your MySQL server version for the right syntax to use near 'DECLARE @can_consume BIT' at line 1 > 时间: 0s

这个错误可能是因为您正在使用 MySQL 数据库，而 DECLARE 关键字在 MySQL 中只能用于存储过程、函数和触发器等对象的定义中，无法在单独的 SQL 查询中使用。 如果您想在查询中声明变量，可以使用 SET 语句来...

# 优惠券15天内核销率 feature_Coupon[prefixs+'15_consume_rate'] = list(map(lambda x,y: x/y if y!=0 else 0, feature_Coupon[prefixs + '15days_consume_cnt'], feature_Coupon[prefixs + 'received_cnt'])) # 优惠券15天内被核销的最大时间间隔 t6 = data[data['label']==1].copy() t6['time_gap'] = (t6['date'] - t6['date_received']).map(lambda x:x.total_seconds()/(24*60*60)) pivot = pd.pivot_table(t6, index=keys4, values='time_gap', aggfunc=np.max) pivot = pd.DataFrame(pivot).rename(columns={'time_gap':prefixs + '15days_max_time_gap'}).reset_index() feature_Coupon = pd.merge(feature_Coupon, pivot, on=keys4, how='left')请用groupby（函数改写）

feature_Coupon[prefixs+'15_consume_rate'] = feature_Coupon.apply(lambda x: x[prefixs + '15days_consume_cnt'] / x[prefixs + 'received_cnt'] if x[prefixs + 'received_cnt'] != 0 else 0, axis=1) # 优惠券...

# 用户核销率（领券消费数/领券数） feature_user[prefixs+'received_consume_rate'] = feature_user.apply(lambda x: x[prefixs+'received_consume_cnt']/x[prefixs+'received_cnt'] if x[prefixs+'received_cnt'] != 0 else 0, axis=1) # 用户在多少不同商家领取优惠券 pivot = pd.pivot_table(data[data['Date_received'].notnull()][['User_id', 'Merchant_id']], index=keys1, values='Merchant_id', aggfunc=lambda x:len(set(x))) pivot = pd.DataFrame(pivot).rename(columns={'Merchant_id':prefixs + 'received_differ_merchant'}).reset_index() feature_user = pd.merge(feature_user, pivot, on=keys1, how='left')改写代码，功能不变

feature_user['received_consume_rate'] = feature_user['received_consume_cnt'] / feature_user['received_cnt'].apply(lambda x: x if x != 0 else 1) # 用户在多少不同商家领取优惠券 pivot = data[data['Date_...

keys1 = ['User_id'] prefixs = 'history_' + '_'.join(keys1) + '_' # 用户核销率（领券消费数/领券数） feature_user[prefixs+'received_consume_rate'] = feature_user.apply(lambda x: x[prefixs+'received_consume_cnt']/x[prefixs+'received_cnt'] if x[prefixs+'received_cnt'] != 0 else 0, axis=1) # 用户在多少不同商家领取优惠券 pivot = pd.pivot_table(data[data['Date_received'].notnull()][['User_id', 'Merchant_id']], index=keys1, values='Merchant_id', aggfunc=lambda x:len(set(x))) pivot = pd.DataFrame(pivot).rename(columns={'Merchant_id':prefixs + 'received_differ_merchant'}).reset_index() feature_user = pd.merge(feature_user, pivot, on=keys1, how='left')改写代码 功能不变

keys1 = ['User_id'] prefixs = 'history_' + '_'.join(keys1) + '_' # 用户核销率（领券消费数/领券数） feature_user[prefixs + 'received_consume_rate'] = feature_user[prefixs + 'received_consume_cnt'] /...
zip

基于springboot+Web的毕业设计选题系统源码数据库文档.zip

基于springboot+Web的毕业设计选题系统源码数据库文档.zip
rar

垃圾分类数据集：四大类垃圾，有害垃圾、可回收垃圾、厨余垃圾、其他垃圾，共四千张左右，包含小米电池等不寻常的垃圾

四大类垃圾，有害垃圾、可回收垃圾、厨余垃圾、其他垃圾，共四千张左右，包含小米电池等不寻常的垃圾，适用于2025工程实践与创新能力大赛。

最新推荐

recommend-type

一条sql语句完成MySQL去重留一

`DISTINCT`关键字是SQL语言中用于消除重复行的一个重要工具，通常用于`SELECT`语句中，以获取唯一、不重复的记录。然而，`DISTINCT`并不直接支持在`DELETE`语句中用于删除重复数据，它只能用来返回去重后的结果集。 ...
recommend-type

SQL按照日、周、月、年统计数据的方法分享

在SQL中，统计数据是一项常见的任务，特别是在业务分析和报告生成中。这里我们将详细探讨如何按照日、周、月、季度和年来统计销售额或其他指标，以SQL语句为例。 首先，我们来看如何按照日来统计销售额。假设我们有...
recommend-type

基于springboot+Web的毕业设计选题系统源码数据库文档.zip

基于springboot+Web的毕业设计选题系统源码数据库文档.zip
recommend-type

垃圾分类数据集：四大类垃圾，有害垃圾、可回收垃圾、厨余垃圾、其他垃圾，共四千张左右，包含小米电池等不寻常的垃圾

四大类垃圾，有害垃圾、可回收垃圾、厨余垃圾、其他垃圾，共四千张左右，包含小米电池等不寻常的垃圾，适用于2025工程实践与创新能力大赛。
recommend-type

基于Python和Opencv的车牌识别系统实现

资源摘要信息:"车牌识别项目系统基于python设计" 1. 车牌识别系统概述 车牌识别系统是一种利用计算机视觉技术、图像处理技术和模式识别技术自动识别车牌信息的系统。它广泛应用于交通管理、停车场管理、高速公路收费等多个领域。该系统的核心功能包括车牌定位、车牌字符分割和车牌字符识别。 2. Python在车牌识别中的应用 Python作为一种高级编程语言，因其简洁的语法和强大的库支持，非常适合进行车牌识别系统的开发。Python在图像处理和机器学习领域有丰富的第三方库，如OpenCV、PIL等，这些库提供了大量的图像处理和模式识别的函数和类，能够大大提高车牌识别系统的开发效率和准确性。 3. OpenCV库及其在车牌识别中的应用 OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库，提供了大量的图像处理和模式识别的接口。在车牌识别系统中，可以使用OpenCV进行图像预处理、边缘检测、颜色识别、特征提取以及字符分割等任务。同时，OpenCV中的机器学习模块提供了支持向量机（SVM）等分类器，可用于车牌字符的识别。 4. SVM（支持向量机）在字符识别中的应用 支持向量机（SVM）是一种二分类模型，其基本模型定义在特征空间上间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM算法的核心思想是找到一个分类超平面，使得不同类别的样本被正确分类，且距离超平面最近的样本之间的间隔（即“间隔”）最大。在车牌识别中，SVM用于字符的分类和识别，能够有效地处理手写字符和印刷字符的识别问题。 5. EasyPR在车牌识别中的应用 EasyPR是一个开源的车牌识别库，它的c++版本被广泛使用在车牌识别项目中。在Python版本的车牌识别项目中，虽然项目描述中提到了使用EasyPR的c++版本的训练样本，但实际上OpenCV的SVM在Python中被用作车牌字符识别的核心算法。 6. 版本信息 在项目中使用的软件环境信息如下： - Python版本：Python 3.7.3 - OpenCV版本：opencv*.*.*.** - Numpy版本：numpy1.16.2 - GUI库：tkinter和PIL（Pillow）5.4.1 以上版本信息对于搭建运行环境和解决可能出现的兼容性问题十分重要。 7. 毕业设计的意义 该项目对于计算机视觉和模式识别领域的初学者来说，是一个很好的实践案例。它不仅能够让学习者在实践中了解车牌识别的整个流程，而且能够锻炼学习者利用Python和OpenCV等工具解决问题的能力。此外，该项目还提供了一定量的车牌标注图片，这在数据不足的情况下尤其宝贵。 8. 文件信息 本项目是一个包含源代码的Python项目，项目代码文件位于一个名为"Python_VLPR-master"的压缩包子文件中。该文件中包含了项目的所有源代码文件，代码经过详细的注释，便于理解和学习。 9. 注意事项 尽管该项目为初学者提供了便利，但识别率受限于训练样本的数量和质量，因此在实际应用中可能存在一定的误差，特别是在处理复杂背景或模糊图片时。此外，对于中文字符的识别，第一个字符的识别误差概率较大，这也是未来可以改进和优化的方向。
recommend-type

管理建模和仿真的文件

管理Boualem Benatallah引用此版本：布阿利姆·贝纳塔拉。管理建模和仿真。约瑟夫-傅立叶大学-格勒诺布尔第一大学，1996年。法语。NNT：电话：00345357HAL ID：电话：00345357https://theses.hal.science/tel-003453572008年12月9日提交HAL是一个多学科的开放存取档案馆，用于存放和传播科学研究论文，无论它们是否被公开。论文可以来自法国或国外的教学和研究机构，也可以来自公共或私人研究中心。L’archive ouverte pluridisciplinaire
recommend-type

网络隔离与防火墙策略：防御网络威胁的终极指南

![网络隔离](https://www.cisco.com/c/dam/en/us/td/i/200001-300000/270001-280000/277001-278000/277760.tif/_jcr_content/renditions/277760.jpg) # 1. 网络隔离与防火墙策略概述 ## 网络隔离与防火墙的基本概念 网络隔离与防火墙是网络安全中的两个基本概念，它们都用于保护网络不受恶意攻击和非法入侵。网络隔离是通过物理或逻辑方式，将网络划分为几个互不干扰的部分，以防止攻击的蔓延和数据的泄露。防火墙则是设置在网络边界上的安全系统，它可以根据预定义的安全规则，对进出网络
recommend-type

在密码学中，对称加密和非对称加密有哪些关键区别，它们各自适用于哪些场景？

在密码学中，对称加密和非对称加密是两种主要的加密方法，它们在密钥管理、计算效率、安全性以及应用场景上有显著的不同。 参考资源链接：[数缘社区：密码学基础资源分享平台](https://wenku.csdn.net/doc/7qos28k05m?spm=1055.2569.3001.10343) 对称加密使用相同的密钥进行数据的加密和解密。这种方法的优点在于加密速度快，计算效率高，适合大量数据的实时加密。但由于加密和解密使用同一密钥，密钥的安全传输和管理就变得十分关键。常见的对称加密算法包括AES（高级加密标准）、DES（数据加密标准）、3DES（三重数据加密算法）等。它们通常适用于那些需要
recommend-type

我的代码小部件库：统计、MySQL操作与树结构功能

资源摘要信息:"leetcode用例构造-my-widgets是作者为练习、娱乐或实现某些项目功能而自行开发的一个代码小部件集合。这个集合中包含了作者使用Python语言编写的几个实用的小工具模块，每个模块都具有特定的功能和用途。以下是具体的小工具模块及其知识点的详细说明： 1. statistics_from_scratch.py 这个模块包含了一些基础的统计函数实现，包括但不限于均值、中位数、众数以及四分位距等。此外，它还实现了二项分布、正态分布和泊松分布的概率计算。作者强调了使用Python标准库（如math和collections模块）来实现这些功能，这不仅有助于巩固对统计学的理解，同时也锻炼了Python编程能力。这些统计函数的实现可能涉及到了算法设计和数学建模的知识。 2. mysql_io.py 这个模块是一个Python与MySQL数据库交互的接口，它能够自动化执行数据的导入导出任务。作者原本的目的是为了将Leetcode平台上的SQL测试用例以字典格式自动化地导入到本地MySQL数据库中，从而方便在本地测试SQL代码。这个模块中的MysqlIO类支持将MySQL表导出为pandas.DataFrame对象，也能够将pandas.DataFrame对象导入为MySQL表。这个工具的应用场景可能包括数据库管理和数据处理，其内部可能涉及到对数据库API的调用、pandas库的使用、以及数据格式的转换等编程知识点。 3. tree.py 这个模块包含了与树结构相关的一系列功能。它目前实现了二叉树节点BinaryTreeNode的构建，并且提供了从列表构建二叉树的功能。这可能涉及到数据结构和算法中的树形结构、节点遍历、树的构建和操作等。利用这些功能，开发者可以在实际项目中实现更高效的数据存储和检索机制。 以上三个模块构成了my-widgets库的核心内容，它们都以Python语言编写，并且都旨在帮助开发者在特定的编程场景中更加高效地完成任务。这些工具的开发和应用都凸显了作者通过实践提升编程技能的意图，并且强调了开源精神，即将这些工具共享给更广泛的开发者群体，以便他们也能够从中受益。 通过这些小工具的使用，开发者可以更好地理解编程在不同场景下的应用，并且通过观察和学习作者的代码实现，进一步提升自己的编码水平和问题解决能力。"
recommend-type

"互动学习：行动中的多样性与论文攻读经历"

多样性她- 事实上SCI NCES你的时间表ECOLEDO C Tora SC和NCESPOUR l’Ingén学习互动，互动学习以行动为中心的强化学习学会互动，互动学习，以行动为中心的强化学习计算机科学博士论文于2021年9月28日在Villeneuve d'Asq公开支持马修·瑟林评审团主席法布里斯·勒菲弗尔阿维尼翁大学教授论文指导奥利维尔·皮耶昆谷歌研究教授：智囊团论文联合主任菲利普·普雷教授，大学。里尔/CRISTAL/因里亚报告员奥利维耶·西格德索邦大学报告员卢多维奇·德诺耶教授，Facebook /索邦大学审查员越南圣迈IMT Atlantic高级讲师邀请弗洛里安·斯特鲁布博士，Deepmind对于那些及时看到自己错误的人...3谢谢你首先，我要感谢我的两位博士生导师Olivier和Philippe。奥利维尔，"站在巨人的肩膀上"这句话对你来说完全有意义了。从科学上讲，你知道在这篇论文的（许多）错误中，你是我可以依