旗舰版机器人默认支持重量级深度学习。 专业版和高级版机器人如果需要使用重量级深度学习，需要先单击“重量级深度学习”，然后单击“联系我们”。 图2 重量级深度学习 编辑模型信息。 轻量级深度学习：选填“模型描述”。 图3 轻量级深度学习 重量级深度学习：选择量级“中量级”或“重量级”，选填“模型描述”。

查看更多 →

单击图标，运行“评估迁移数据”代码框内容。 评估迁移算法 如果评估迁移数据的结果为当前数据适合迁移，可以使用评估迁移算法评估当前数据适合采用哪种算法进行迁移。 单击界面右上角的图标，选择“迁移学习 > 特征迁移 > 迁移评估 > 评估迁移算法”。界面新增“评估迁移算法”内容。 对应参数说明，如表4所示。

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 →

表单排序 表单创建后，在表单开发页面，鼠标左键选中表单直接上下拖动，可调节表单排序。 表单排序 参考登录零代码工作台中操作，登录AstroZero零代码工作台。 在全部应用中，单击应用后的“...”，选择“编辑”，进入编辑应用页面。 鼠标左键选中表单直接上下拖动，即可调节表单排序。

查看更多 →

案例：使排序下推 在做场景性能测试时，发现某场景大部分时间是CN端在做window agg，占到总执行时间95%以上，系统资源不能充分利用。研究发现该场景的特点是：将两列分别求sum作为一个子查询，外层对两列的和再求和后做trunc，然后排序。可以尝试将语句改写为子查询，使排序下推。

查看更多 →

型也可以被标记为可排序的，并且在一种可排序数据类型上的域也是可排序的）。如果该表达式是一个列引用，该表达式的排序规则就是列所定义的排序规则。如果该表达式是一个常量，排序规则就是该常量数据类型的默认排序规则。更复杂表达式的排序规则根据其输入的排序规则得来。 排序规则组合原则 当表达

查看更多 →

型也可以被标记为可排序的，并且在一种可排序数据类型上的域也是可排序的）。如果该表达式是一个列引用，该表达式的排序规则就是列所定义的排序规则。如果该表达式是一个常量，排序规则就是该常量数据类型的默认排序规则。更复杂表达式的排序规则根据其输入的排序规则得来。 排序规则组合原则 当表达

查看更多 →

排序规则版本函数 pg_collation_actual_version (oid) 描述：返回当前安装在操作系统中的该排序规则对象的实际版本，目前仅对case_insensitive有效。 返回值类型：text 示例： 1 2 3 4 5 6 7 8 9 10

查看更多 →

排序规则版本函数 pg_collation_actual_version (oid) 描述：返回当前安装在操作系统中的该排序规则对象的实际版本，目前仅对case_insensitive有效。 返回值类型：text 示例： 1 2 3 4 5 6 7 8 9 10

查看更多 →

排序规则版本函数 pg_collation_actual_version (oid) 描述：返回当前安装在操作系统中的该排序规则对象的实际版本，目前仅对case_insensitive有效。 返回值类型：text 示例： 1 2 3 4 5 6 7 8 9 10

查看更多 →

召回策略是指通过大数据计算或深度训练生成推荐候选集的算法策略。 过滤规则 过滤规则用于生成推荐的过滤集，包含黑白名单、 特征过滤等特性。支持用户在线上推理过程中完成对相关物品的过滤。 特征工程 特征工程常用于对原始数据进行特征挖掘的处理，形成的结果用于排序策略的训练。 排序策略 排序策略利用CT

查看更多 →

KcoreSample K核算法 KhopSample K跳算法 ShortestPathSample 最短路径算法 AllShortestPathsSample 全最短路径算法 FilteredShortestPathSample 带一般过滤条件最短路径 SsspSample 单源最短路径算法 Sh

查看更多 →

算法 代码样例文件路径 样例方法名 对应的API com.huawei.ges.graph.sdk.v1.examples.persistence testShortestPath 最短路径算法 testShortestPathOfVertexSets 点集最短路径算法 test

查看更多 →

算法 代码样例文件路径 样例方法名 对应的API com.huawei.ges.graph.sdk.v1.examples.persistence testShortestPath 最短路径算法 testShortestPathOfVertexSets 点集最短路径算法 test

查看更多 →

调整参数和超参数。 神经网络中：学习率、学习衰减率、隐藏层数、隐藏层的单元数、Adam优化算法中的β1和β2参数、batch_size数值等。 其他算法中：随机森林的树数量，k-means中的cluster数，正则化参数λ等。 增加训练数据作用不大。 欠拟合一般是因为模型的学习能力不足，一味地增加数据，训练效果并不明显。

查看更多 →

学习空间 我的课堂 MOOC课程 我的考试

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 →

课程学习 前提条件 用户具有课程发布权限 操作步骤-电脑端 登录ISDP系统，选择“作业人员->学习管理->我的学习”并进入，查看当前可以学习的课程。 图1 我的学习入口 在“我的学习”的页面，点击每个具体的课程卡片，进入课程详情页面。可以按学习状态（未完成/已完成）、学习类型（

查看更多 →

面向电商推荐场景的多种推荐相关算法和大数据统计分析能力。 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

查看更多 →

纵向联邦作业XGBoost算法只支持两方参与训练。 训练作业必须选择一个当前计算节点发布的数据集。 作业创建者的数据集必须含有特征。 创建纵向联邦学习作业 纵向联邦学习作业在本地运行，目前支持XGBoost算法、逻辑回归LR算法和FiBiNET算法。 纵向联邦学习分为五个步骤：数据选择

查看更多 →