无监督车牌检测工作流 工作流介绍 准备数据 选择数据 训练模型 评估模型 部署服务 父主题： 视觉套件

查看更多 →

数据标注对于KPI异常检测非常重要，可以有效提升监督学习训练过程中KPI异常检测的准确率，在无监督学习中对模型做验证评估。 监督学习：使用标注工具对原始数据进行标注，并将标注数据用于训练。用户基于训练结果确认并更新数据标注，将标注数据重新用于训练，提升KPI检测准确率。 无监督学习：使用标注工具对原始数据

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 →

威胁检测服务 除威胁情报和规则基线检测外，还提供4类基于AI智能引擎的算法能力：IAM异常检测、DGA检测、DNS挖矿木马检测、DNS可疑 域名 检测。针对不同检测目标，利用有监督、无监督深度神经网络、马尔科夫等算法训练7种AI模型，结合特征规则、分布统计以及外部输入的威胁情报，综合构建检测系统，有效提升威胁分析效率和准确性。

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 →

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。

查看更多 →

，可以修改为用户认为更合适的值。 模型推荐：前面选择的数据是有标签的数据，推荐算法xgboost是有监督的算法。模型推荐里面增加了超参搜索的功能，有给出参数取值的推荐区间。用户也可以根据实际情况修改。 如果推荐的是无监督的异常检测算法，可能会同时推荐几个算法。那模型训练的时候，针

查看更多 →

低，会影响模型整体的识别效果。 选择适当的学习率和训练轮次。 通过详细评估中的错误识别示例，有针对性地扩充训练数据。 后续操作 模型训练完成后，单击“下一步”，进入应用开发的“模型评估”步骤，详细操作指引请参见评估模型。 父主题： 无监督车牌检测工作流

查看更多 →

模型、无监督学习模型、有监督学习模型实现对风险口令、凭证泄露、Token利用、异常委托、异地登录、未知威胁、暴力破解七大IAM高危场景进行智能检测。通过SVM、随机森林、神经网络等算法实现对隧道域名、DGA域名以及异常行为的智能检测。 AI引擎检测保持模型对真实数据的学习，保证数

查看更多 →

Pro>视觉套件”控制台选择“我的工作流>无监督车牌检测工作流”新建应用，详细操作请见新建应用。您可以开发车牌检测模型，自主上传数据训练模型，实现车牌检测和识别功能。 图1 无监督车牌检测工作流流程 表1 无监督车牌检测工作流说明 流程 说明 详细指导 准备数据 在使用无监督车牌检测工作流开发应用之

查看更多 →

挖矿攻击等恶意活动和未经授权行为，识别云服务日志中的潜在威胁，对检测出的威胁告警信息进行统计展示。 威胁检测服务通过弹性画像模型、无监督模型、有监督模型实现对风险口令、凭证泄露、Token利用、异常委托、异地登录、未知威胁、暴力破解七大高危场景实现了异常行为的智能检测。可有效对化

查看更多 →

网络AI特性开发业务活动中，对很多运维场景有共性需求，比如异常检测、故障定位、故障预防预测等。以KPI异常检测场景为例，存在如下共性需求： 运营商和企业客户对于KPI实时查看，快速定位故障有共性需求。 运营商网络中存在海量KPI。例如：路由器有70000+KPI，其中丢包和统计类有4000+KPI。

查看更多 →

标注是KPI异常检测非常重要的数据，可以提升监督学习训练过程中KPI检测准确率，在无监督学习中做算法验证评估： 监督学习：使用标注工具对原始数据进行标注，并将标注数据用于训练。用户基于训练结果进行确认和重新标注，并将标注数据重新用于训练，提升KPI检测准确率。 无监督学习：使用标注工具对原始数据进

查看更多 →

障切换时，能够快速建立连接，实现SQL操作断点的自动续传，确保数据库HA切换过程中连接不断、事务自动回放。这种设计使得业务在切换过程中几乎无感知，保证了业务的连续性和用户体验。 在数据可靠性方面， GaussDB 的数据持久性高达99.9999999999%，这一指标不仅远超业界标准

查看更多 →

型精度，实现高精度的刹车盘类型识别功能。 刹车盘识别工作流 无监督车牌检测工作流 根据工作流指引，开发无监督车牌检测服务，通过上传训练数据，训练生成车牌检测模型，自主更新和调整模型精度，实现高精度的车牌检测功能。 无监督车牌检测工作流 第二相面积含量测定工作流 根据工作流指引，开

查看更多 →

选择数据 在使用无监督车牌检测工作流开发应用时，您需要选择训练数据集，后续训练模型操作是基于您选择的训练数据集。 训练数据集可以选择创建一个新的数据集，也可以选择导入基于无监督车牌检测工作流创建的其他应用中已创建的数据集。 新建训练数据集 导入数据集 前提条件 已在视觉套件控制台

查看更多 →

汽车改装等场景。 优势 模型精度高，识别速度快；更新模型简便。 无监督车牌检测工作流 车牌检测与识别技术对于交通管理智能化、提高交通执法的稳定性具有重要意义。 ModelArts Pro 提供无监督车牌检测工作流，基于高精度的无监督车牌检测算法，无需用户标注数据，大大降低标注成本和提高车牌检测场景上线效率。

查看更多 →

成的模型。 一些常用的指标，如精准率、召回率、F1值等，能帮助您有效的评估，最终获得一个满意的模型。 前提条件 已在视觉套件控制台选择“无监督车牌检测工作流”新建应用，并训练模型，详情请见训练模型。 评估模型 在“模型评估”页面，您可以针对当前版本的模型进行模型评估，查看评估参数对比和详细评估，也可以模拟在线测试。

查看更多 →

评估模型后，就可以部署服务，开发车牌检测的专属应用，此应用用于在特定场景下检测车牌类型，也可以直接调用对应的API和SDK识别。 前提条件 已在视觉套件控制台选择“无监督车牌检测工作流”新建应用，并评估模型，详情请见评估模型。 由于部署服务涉及ModelArts功能，需消耗资源，要确保账户未欠费。 操作步骤

查看更多 →

LDA 概述 LDA主题分析模型(Latent Dirichlet Allocation)，由Blei等人于2003年提出的无监督学习算法，可以按照概率分布的形式给出文档集中每篇文档的主题，在文本挖掘领域，应用于文本主题识别、文本分类和文本相似度计算等方面。 输入 参数 子参数 参数说明

查看更多 →

提供华为云平台合规资质证明 辅导客户测评整改 对系统等级符合性状况进行测评 出具测评报告 - 监督检查 当地网监定期进行监督检查 安全运营、维护 保障日常系统合规 技术支持 协助客户检查和整改 - 公安机关监督检查 密码安全 方案评估 评审密码应用方案的完整性、正确性和合规性 组织密码安全方案评审

查看更多 →