深度学习模型预测 深度学习已经广泛应用于图像分类、图像识别和 语音识别 等不同领域， DLI 服务中提供了若干函数实现加载深度学习模型并进行预测的能力。 目前可支持的模型包括DeepLearning4j 模型和Keras模型。由于Keras它能够以 TensorFlow、CNTK或者 Theano

查看更多 →

深度学习模型预测 深度学习已经广泛应用于图像分类、图像识别和语音识别等不同领域，DLI服务中提供了若干函数实现加载深度学习模型并进行预测的能力。 目前可支持的模型包括DeepLearning4j 模型和Keras模型。由于Keras它能够以 TensorFlow、CNTK或者 Theano

查看更多 →

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，从而达到准确地特征组合学习，进行精准推荐。DEEPFM算法参数请参见深度网络因子分解机。

查看更多 →

颜色矩阵 图1 颜色矩阵 颜色值矩阵：下表中，各颜色值同上述示意图一一对应。 表1 颜色矩阵 颜色值 FF000000 FF595959 FFA5A5A5 FFFFFFFF FF8E2323 FFB20000 FFDB7070 FFFF4C4C FF8E5923 FFB25900

查看更多 →

混淆矩阵 概述 混淆矩阵是机器学习中总结分类模型预测结果的情形分析表，以矩阵形式将数据集中的记录按照真实的类别与分类模型预测的类别判断两个标准进行汇总。其中矩阵的行表示真实值，矩阵的列表示预测值。 True Positive（TP）：真正类。样本的真实类别是正类，并且模型识别的结果也是正类；

查看更多 →

矩阵量表 矩阵量表用于形象地评估对事物的喜好程度。 在表单开发页面，从“数据组件”中，拖拽“矩阵量表”组件至表单设计区域，如图1。 图1 矩阵量表 如图2所示，使用矩阵量表对车辆进行评分。 图2 矩阵量表配置示例 显示名称：该组件在页面呈现给用户的名称，可以设置为中文，也可以设置为英文。

查看更多 →

径下。该路径不能包含中文。 深度网络因子分解机-DeepFM 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，从而达到准确地特征组合学习，进行精准推荐。单击查看深度网络因子分解机详细信息。 表4 深度网络因子分解机参数说明 参数名称

查看更多 →

线性迭代法：基于Krylov子空间的迭代方法是一种重要的求解线性方程组的手段，尤其是对于大型稀疏矩阵的方程组，迭代法是求解线性方程组的优先选择。 预处理子：预处理技术试图改变系数矩阵的谱性质，将一个困难问题转化为另一个易于迭代求解的同解线性方程组。 非线性迭代法：基于迭代法实现CAE场景中非线性问题的高效快速求解。

查看更多 →

协方差矩阵 概述 协方差，在概率论与统计学中用于衡量随机变量的联合变化程度。正态形式的协方差大小可以显示变量之间线性关系的强弱，如：皮尔逊相关系数。但是协方差的数值大小也取决于变量的大小。协方差矩阵是多个变量之间的协方差所构成的矩阵表示形式。方差是协方差的一种特殊形式。 输入 参数

查看更多 →

线性迭代法：基于Krylov子空间的迭代方法是一种重要的求解线性方程组的手段，尤其是对于大型稀疏矩阵的方程组，迭代法是求解线性方程组的优先选择。 预处理子：预处理技术试图改变系数矩阵的谱性质，将一个困难问题转化为另一个易于迭代求解的同解线性方程组。 非线性迭代法：基于迭代法实现CAE场景中非线性问题的高效快速求解。

查看更多 →

，而每一个自然人/物所拥有的标签集合是不确定的，数据更新非常频繁，这类数据被广泛应用于市场决策、推荐以及广告系统中。 优势 稀疏矩阵 HBase的稀疏矩阵模型，天然适合非结构化数据的存储，数据表无需预先定义schema，行与行之间不需要严格的列定义。 支持任意更新 支持行的任意更

查看更多 →

DLI SDK功能矩阵 SDK开发指南指导您如何安装和配置开发环境、如何通过调用DLI SDK提供的接口函数进行二次开发。 Java、Python SDK功能矩阵请参见表1 表1 SDK功能矩阵 语言 功能 内容 Java OBS授权 介绍将OBS桶的操作权限授权给DLI的Java

查看更多 →

SDK功能矩阵 Java、Python、C、.NET、Node.js、Android SDK对OBS各接口的支持情况请参见表1。 iOS、PHP、Go、BrowserJS SDK对OBS各接口的支持情况请参见表2。 表1 OBS SDK功能矩阵1 接口类型 接口名 函数名/特性归属函数名

查看更多 →

数据统计分析能力。 场景优势 能够精确匹配电商运营规则。 最近邻算法与深度学习的结合，挖掘用户高维稀疏特征，匹配最佳推荐结果。 融合多种召回策略，网状匹配兴趣标签。 改善用户体验，同时降低人工成本。 画像与深度模型结合，助力营收收益增长。 图1 RES电商推荐 RES+媒资应用场景

查看更多 →

将整个数据集切分成多个子数据集，依次训练，每个epoch训练一个子数据集。 DeepFM DeepFM，结合了FM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，从而达到准确地特征组合学习，进行精准推荐。 表2 深度网络因子分解机参数说明 参数名称 说明 名称 自定义策略名称，由中文、英文、数字、下

查看更多 →

修改主机集群权限矩阵 功能介绍 根据主机集群id修改主机集群权限矩阵。 调用方法 请参见如何调用API。 URI PUT /v2/host-groups/{group_id}/permissions 表1 路径参数 参数 是否必选 参数类型 描述 group_id 是 String

查看更多 →

基于CodeArts IDE Online、TensorFlow和Jupyter Notebook开发深度学习模型 概要 准备工作 导入和预处理训练数据集 创建和训练模型 使用模型

查看更多 →

查询主机集群权限矩阵 功能介绍 根据主机集群id查询主机集群权限矩阵。 调用方法 请参见如何调用API。 URI GET /v2/host-groups/{group_id}/permissions 表1 路径参数 参数 是否必选 参数类型 描述 group_id 是 String

查看更多 →

迁移学习 如果当前数据集的特征数据不够理想，而此数据集的数据类别和一份理想的数据集部分重合或者相差不大的时候，可以使用特征迁移功能，将理想数据集的特征数据迁移到当前数据集中。 进行特征迁移前，请先完成如下操作： 将源数据集和目标数据集导入系统，详细操作请参见数据集。 创建迁移数据

查看更多 →

可见范围内的学员在学员端可看见此项目并可以进行学习，学习数据可在学习项目列表【数据】-【自学记录】查看。 学习设置： 防作弊设置项可以单个项目进行单独设置，不再根据平台统一设置进行控制。 文档学习按浏览时长计算，时长最大计为：每页浏览时长*文档页数；文档学习按浏览页数计算，不计入学习时长。 更多设置：添加协同人

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 →