华为云11.11 AI&大数据分会场

高精度,多场景,快响应,AI&大数据助力企业降本增效

 
 

    特征加权机器学习 更多内容
  • GS

    GS_OPT_MODEL是启用AiEngine执行计划时间预测功能时的数据表,记录机器学习模型的配置、训练结果、功能、对应系统函数、训练历史等相关信息。 表1 GS_OPT_MODEL字段 名称 类型 描述 template_name name 机器学习模型的模板名,决定训练和预测调用的函数接口,目前只实现了rlstm,方便后续扩展。

    来自:帮助中心

    查看更多 →

  • 全局特征信息文件

    全局特征信息文件 在特征工程、在线模块,近线模块时都会用到该全局的特征信息文件。当上传的数据中的特征有变化时,用户需要同步更新该文件。该文件为JSON格式,包含特征名、特征大类、特征值类型。 表1 全局特征信息文件字段描述 字段名 类型 描述 是否必选 user_features

    来自:帮助中心

    查看更多 →

  • APP特征信息无效

    APP特征信息无效 整改通知: 您填写的APP公钥或MD5值为无效信息。 可能原因: 出现此情况,可能您填写的APP公钥或MD5值为无效字段。 整改建议: 请参考变更备案,填写新的APP公钥或MD5值,确保备案APP的特征信息与实际信息保持一致。 父主题: APP信息

    来自:帮助中心

    查看更多 →

  • GS

    续扩展。 model_name name 模型的实例名,每个模型对应aiEngine在线学习进程中的一套参数、训练日志、模型系数。此列需为unique。 datname name 该模型所服务的database名,每个模型只针对单个database。此参数决定训练时所使用的数据。

    来自:帮助中心

    查看更多 →

  • 提交排序任务API

    分解机每个特征对其他域的隐向量都一致,而域感知因子分解机每个特征对其他每个域都会学习一个隐向量,能够达到更高的精度,但也更容易出现过拟合。FFM算法参数请参见域感知因子分解机。 深度网络因子分解机,结合了因子分解机和深度神经网络对于特征表达的学习,同时学习高阶和低阶特征组合,从而

    来自:帮助中心

    查看更多 →

  • GS_OPT_MODEL

    执行计划时间预测功能时的数据表,记录机器学习模型的配置、训练结果、功能、对应系统函数、训练历史等相关信息。 表1 GS_OPT_MODEL字段 名称 类型 描述 oid oid 数据库对象id。 template_name name 机器学习模型的模板名,决定训练和预测调用的函数

    来自:帮助中心

    查看更多 →

  • 创建数据预处理作业

    job、gender等字段均存在一定程度的缺失。为了不让机器理解形成偏差、以达到机器学习的使用标准,需要基于对数据的理解,对数据进行特征预处理。例如: job字段是多类别的变量,其值0、1、2实际没有大小之分,一般会将该特征转换成向量,如值为0用向量[1, 0, 0]表示,1用向量[0

    来自:帮助中心

    查看更多 →

  • 执行作业

    横向评估型作业在作业配置页面单击“保存”按钮后,可以直接单击“执行”按钮。 用户登录进入计算节点页面。 在左侧导航树上依次选择“作业管理 > 可信联邦学习”,打开可信联邦学习作业页面。 在“可信联邦学习”页面,查找待执行的作业,单击“执行”,系统自动跳转到“历史作业”页面。 图1 执行作业 等待执行完成,在“历史作

    来自:帮助中心

    查看更多 →

  • 特征工程简介

    特征工程:对数据进行特征处理操作的工程。 特征工程服务:将优质的特征工程发布成服务,用户可以直接调用该服务,对具备完全相同特征的数据进行特征处理。 特征工程任务:调用特征工程服务的过程。用户在调用特征工程服务的时候,需要基于特征工程服务新建任务。 特征工程管理页面 “特征工程”页面分为两个页签:特征处理工程和已发布服务。

    来自:帮助中心

    查看更多 →

  • AI开发基本概念

    AI开发基本概念 机器学习常见的分类有3种: 监督学习:利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程,也称为监督训练或有教师学习。常见的有回归和分类。 非监督学习:在未加标签的数据中,试图找到隐藏的结构。常见的有聚类。 强化学习:智能系统从环境到行为映射的学习,以使奖励信号(强化信号)函数值最大。

    来自:帮助中心

    查看更多 →

  • 创建特征工程

    创建特征工程 用户可以在“数据集详情”页面基于数据集实例新建特征工程,对数据集执行特征操作;也可以在“特征工程管理”页面新建特征工程。我们以在“特征工程管理”页面创建特征工程为例,操作步骤如下。 单击“特征工程管理”页面的。 弹出“特征处理”对话框。如图1所示。 图1 创建特征工程

    来自:帮助中心

    查看更多 →

  • 创建特征工程

    程。我们以在“特征工程管理”页面创建特征工程为例,操作步骤如下。 单击特征工程首页右上角的图标。 弹出“特征处理”对话框。如图1所示。 图1 创建特征工程 配置“特征处理”对话框参数,具体参见表1。 表1 特征工程参数配置说明 参数名称 参数说明 工程名称 特征工程的名称。 只能以字母(A~Z

    来自:帮助中心

    查看更多 →

  • 查询全局特征配置

    List 用户特征列表。 item_features List 物品特征列表。 表5 user_features 和 item_features参数说明 参数名称 参数类型 说明 feature_name String 特征名称。 feature_type String 特征类型。 feature_value_type

    来自:帮助中心

    查看更多 →

  • 查询全局特征配置

    List 用户特征列表。 item_features List 物品特征列表。 表5 user_features 和 item_features参数说明 参数名称 参数类型 说明 feature_name String 特征名称。 feature_type String 特征类型。 feature_value_type

    来自:帮助中心

    查看更多 →

  • 附录

    附录 名词解释 基本概念、云服务简介、专有名词解释: 企业主机安全 HSS:是服务器贴身安全管家,通过资产管理、漏洞管理、基线检查、入侵检测、程序运行认证、文件完整性校验,安全运营、网页防篡改等功能,帮助企业更方便地管理主机安全风险,实时发现黑客入侵行为,以及满足等保合规要求。 Web应用防火墙

    来自:帮助中心

    查看更多 →

  • 排序策略

    保存在该路径下。该路径不能包含中文。 因子分解机-FM 因子分解机算法是一种基于矩阵分解的机器学习算法,能够自动进行二阶特征组合、学习特征之间的关系,无需人工经验干预,同时能够解决组合特征稀疏的问题。 表2 因子分解机参数说明 参数名称 说明 计算节点信息 用户可使用的计算资源种

    来自:帮助中心

    查看更多 →

  • 数据管理概述

    连接器是 可信智能计算 服务提供的一项访问参与方数据资源的功能。参与方填写连接信息来创建对应类型的连接器,并通过这些连接器访问到各类型资源的结构化信息。当前支持 MRS 服务(Hive)、本地数据集、RDS数据集、DWS数据集、Oracle数据集、Mysql数据集,后续会支持更多华为云服务及原生服务

    来自:帮助中心

    查看更多 →

  • 华为企业人工智能高级开发者培训

    介绍人工智能、机器学习、深度学习以及ModelArts相关知识 图像处理实验 介绍图像数据预处理,图像识别、 内容审核 文字识别 人脸识别 、视频分析、 图像搜索 服务 语音处理实验 介绍语音预处理, 语音合成 语音识别 服务 自然语言处理 实验 介绍中文文本分词、TF-IDF特征处理、Word

    来自:帮助中心

    查看更多 →

  • 产品术语

    数据集的实例,有具体的数据。 T 特征操作 特征操作主要是对数据集进行特征处理。 在旧版体验式开发模式下,模型训练服务支持的特征操作有重命名、归一化、数值化、标准化、特征离散化、One-hot编码、数据变换、删除列、选择特征、卡方检验、信息熵、新增特征、PCA。对应JupyterLa

    来自:帮助中心

    查看更多 →

  • 机器未重启

    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

    来自:帮助中心

    查看更多 →

  • 学习任务

    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

    来自:帮助中心

    查看更多 →

共105条
看了本文的人还看了