多层感知机分类(pytorch) 概述 使用pytorch实现的多层感知机分类算法，可运行于异构资源池上。 该算子通过cuda自动判断gpu是否可用。如果gpu可用，优先使用gpu训练；否则使用cpu训练。 输入 参数 子参数 参数说明 data_url _ data_url为输

查看更多 →

技术加速计算过程。 支持十亿节点、百亿边的超大规模图数据库查询，提供适用于基因和生物网络数据的图深度学习算法。 拥有基于基因组数据自动深度学习的技术框架AutoGenome，深度融合人工智能技术，产生更加便捷、快速、准确、可解释的医疗智能模型，加速医疗大健康行业的研究工作。 成熟

查看更多 →

多层感知机预测(PyTorch) 概述 使用PyTorch实现的多层感知机分类算法，可运行于异构资源池上。 该算子通过cuda自动判断GPU是否可用。如果GPU可用，优先使用GPU训练；否则使用CPU训练。 输入 参数 参数说明 train_url train_url为存储模型文

查看更多 →

图1 建模方式融合1 图2 建模方式融合2 图3 建模方式融合3 自定义 sql 融合 选择来源表和目标表，目标表是基础层的表，要确保来源表的表结构表名称和目标表一一对应，填写融合的 sql 语句，保存完之后在列表页启动作业。 交换任务成功运行后，系统将根据融合配置将于数仓基础层用张业务表合并为一张宽表。

查看更多 →

特征工程简介 用户可以通过特征工程对数据集进行数据处理、特征组合、特征转换等特征处理，最大限度的从原始数据中提取特征以供模型训练使用。此外，用户还可以将优质的特征工程发布成服务，以服务的形式对具备完全相同特征的数据进行预处理。 特征工程相关的基本概念： 特征工程：对数据进行特征处理操作的工程。

查看更多 →

过滤式特征选择 概述 过滤式特征选择根据特征对标签的重要性对特征进行筛选，特征重要性较高的特征，提升训练的精度和效率。 输入 参数 子参数 参数说明 inputs dataframe inputs为字典类型，dataframe为pyspark中的DataFrame类型对象 输出 参数

查看更多 →

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

查看更多 →

是否为k:v的稀疏特征, 如果指定该列，soften_cols参数只支持选择稀疏特征列kv_col中的列名。 False kv_col 否 如果为稀疏特征，指定稀疏特征列名。 "kv" item_spliter 否 稀疏特征的分隔符。 "," kv_spliter 否 稀疏特征key和value的分隔符。

查看更多 →

可信数据融合和协同。 产品架构 产品架构如图1所示。 图1 产品架构 空间管理 邀请云租户作为数据提供方，动态构建 可信计算 空间，实现空间内严格可控的数据使用和监管。 数据融合分析 支持对接多个数据参与方的主流数据存储系统，为数据消费者实现多方数据的SQL Join等融合分析, 各

查看更多 →

依托智慧教室的建设，为学校构建下一代数字学习环境，促进教学对象、教学内容、教学活动、教学工具、教学空间有机融合。 通过深度融合的软硬件集成，用一个应用满足教学一体化、管理一体化的需求，满足多场景教学的实际使用。依靠高清4K屏、收扩音系统，升级本地学生视听学习体验的同时让远端学生也都能看得清

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 →

学习目标 掌握座席侧的前端页面开发设计。 父主题： 开发指南

查看更多 →

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

查看更多 →

学习空间 我的课堂 MOOC课程 我的考试

查看更多 →

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

查看更多 →

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

查看更多 →

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

查看更多 →

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

查看更多 →

异常检测学件服务，通过数据特征画像识别数据类型，自动推荐训练算法与特征，采用无监督、有监督和动态基线等进行联合检测，通过专家经验对训练与检测进行调优，得到最终检测结果。模型训练完成后，可以将特征画像的结果、特征和参数、模型和参数都保留下来。后面仅需要使用新的数据，重训练模型，不用再重新做特征分析和模

查看更多 →