量、多于、少于、左右、上下 【正例/反例】 字段 正例 反例 点评说明 前置条件 通信录中已经添加联系人。 无前置条件。 若后续测试步骤有依赖数据时，需要添加前置条件。如：测试短信编写功能，通信录没有保存联系人，则短信编辑界面不显示联系人列表。反例中未描述必要前置条件。 前置条件

查看更多 →

用例名称避免使用特殊字符，可以用“_”对名称进行分割。 建议2.1 用例名称建议采用动宾结构。例如：“用例意图_预制条件_观察点”，也可以通过“_”追加条件或原因。 【正例/反例】测试用例名称描述示例 正例 反例 点评描述 新建信息_新建按钮_单次单击。 通过左上角New Message新建。

查看更多 →

易确认是针对预期结果而言的，指的是执行完成后根据预期结果能明确知道用例执行的结果是成功还是失败。目前主要的问题是测试用例中的检查点往往过多，因此在用例描述上过于含糊，从而无法确认用例执行是成功还是失败。 父主题： 用例前置条件、测试步骤、预期结果文字表达规则

查看更多 →

机器学习端到端场景 本章节以图像分类为例，阐述机器学习端到端场景的完整开发过程，主要包括数据标注、模型训练、服务部署等过程。您可以前往AI Gallery搜索订阅预置的“图像分类-ResNet_v1_50工作流”进行体验。 准备工作 准备一个图像分类算法（或者可以直接从AI Ga

查看更多 →

签名和模板所属应用必须匹配，如： 正例：sms_app_01 + 签名-A1 + 模板-A1 反例：sms_app_01 + 签名-B1 + 模板-B1 模板所属签名必须匹配，如： 正例：sms_app_01 + 签名-A1 + 模板-A2 反例：sms_app_01 + 签名-A2

查看更多 →

使用MLS预置算链进行机器学习建模 本章节介绍如何通过一键运行预置的餐厅经营销售量预测算链，完成建模，帮助开发者快速了解MLS的建模过程。 前提条件 已经创建一个基于MLStudio的Notebook镜像，并进入MLS Editor可视化编辑界面，具体参考进入ML Studio操作界面章节。

查看更多 →

False Negative（FN）：假负类。样本的真实类别是正类，但是模型将其识别为负类； False Positive（FP）：假正类。样本的真实类别是负类，但是模型将其识别为正类； True Negative（TN）：真负类。样本的真实类别是负类，并且模型将其识别为负类。 输入

查看更多 →

”批量添加。 单击“确定”。在“编辑测试用例”页面单击“保存”。 在“测试用例管理”页面选中您需要执行的用例，单击“执行测试”。 执行后，系统自动在已激活的领域中执行测试用例，并输出测试结果。 针对失败的用例，您可单击通话详情，查看实际返回值，单击流程轨迹列对应的流程链接，查看会话轨迹。

查看更多 →

从0到1利用ML Studio进行机器学习建模 本章节基于餐厅销量预测场景，从零开始介绍如何制作销售销量训练及销售销量预测两个算链。 前提条件 已经创建一个基于ML Studio的Notebook镜像，并进入MLS Editor可视化编辑界面，具体参考进入ML Studio操作界面章节。

查看更多 →

学习任务 管理员以任务形式，把需要学习的知识内容派发给学员，学员在规定期限内完成任务，管理员可进行实时监控并获得学习相关数据。 入口展示 图1 入口展示 创建学习任务 操作路径：培训-学习-学习任务-【新建】 图2 新建学习任务 基础信息：任务名称、有效期是必填，其他信息选填 图3

查看更多 →

原因分析 该机器在进行过某些Windows功能的启用或关闭后未进行重启。 处理方法 请重启机器。 must log in to complete the current configuration or the configuratio\r\nn in progress must be

查看更多 →

合规” MRS服务暂不支持集群创建完成后手动开启和关闭Kerberos服务，如需更换Kerberos认证状态，建议重新创建MRS集群，然后进行数据迁移。 mrs-cluster-no-public-ip MRS集群未绑定公网IP mrs 确保MapReduce服务（MRS）无法公

查看更多 →

北京市1985年-2017年城镇化进度 支持多种经典机器学习分类算法，如K-Means、随机森林、正态贝叶斯、支持向量机、期望最大EM等，实现遥感影像快速分类 图6 基于K-Means算法的分类结果图 图7 基于正态贝叶斯的分类结果图 支持调用PIE-Engine AI平台的丰富深度学习模型进行实时解译 图8

查看更多 →

确认学习结果 HSS学习完白名单策略关联的服务器后，输出的学习结果中可能存在一些特征不明显的可疑进程需要再次进行确认，您可以手动或设置系统自动将这些可疑进程确认并分类标记为可疑、恶意或可信进程。 学习结果确认方式，在创建白名单策略时可设置： “学习结果确认方式”选择的“自动确认可

查看更多 →

自动学习 口罩检测（使用新版自动学习实现物体检测应用） 垃圾分类（使用新版自动学习实现图像分类）

查看更多 →

声音分类场景。可根据最终部署环境和开发者需求的推理速度，自动调优并生成满足要求的模型。 图1 自动学习流程 ModelArts的自动学习不止为入门级开发者使用设计，还提供了“自动学习白盒化”的能力，开放模型参数，实现模板化开发。很多资深的开发者说，希望有一款工具，可以自动生成模型

查看更多 →

毒。 创建Linux防护策略完成后，智能学习策略通过机器学习引擎学习关联服务器上的可信进程修改文件的行为，对绕过诱饵文件的勒索病毒进行告警。 Windows防护勒索 创建Windows防护策略完成后，智能学习策略通过机器学习引擎学习关联服务器上的可信进程修改文件的行为，对非可信进程修改文件的行为进行告警。

查看更多 →

创建联邦学习工程 创建工程 编辑代码（简易编辑器） 编辑代码（WebIDE） 模型训练 父主题： 模型训练

查看更多 →

自动学习（新版） 自动学习简介 图像分类 物体检测 预测分析 声音分类 文本分类 使用窍门

查看更多 →

自动学习（旧版） 自动学习简介 图像分类 物体检测 预测分析 声音分类 文本分类 使用窍门

查看更多 →

自动学习简介 自动学习功能介绍 ModelArts自动学习是帮助人们实现AI应用的低门槛、高灵活、零代码的定制化模型开发工具。自动学习功能根据标注数据自动设计模型、自动调参、自动训练、自动压缩和部署模型。开发者无需专业的开发基础和编码能力，只需上传数据，通过自动学习界面引导和简单操作即可完成模型训练和部署。

查看更多 →