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 →

培训内容 培训内容 说明 神经网络基础 介绍深度学习预备知识，人工神经网络，深度前馈网络，反向传播和神经网络架构设计 图像处理理论和应用 介绍计算机视觉概览，数字图像处理基础，图像预处理技术，图像处理基本任务，特征提取和传统图像处理算法，深度学习和卷积神经网络相关知识 语音处理理论和应用

查看更多 →

定位 定位组件用于根据定位获取当前所在位置，仅支持移动端设备使用。 在表单开发页面，从“数据组件”中，拖拽“定位”组件至表单设计区域，如图1。 图1 定位 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。 验证：对该字段进行一些限制。 必填：设置为“必填”，表示该字段必须配置。

查看更多 →

应最大交互阶数。默认10,60,80。 特征交互层惩罚项系数 特征交互层输出值的惩罚项系数，用来防止过拟合。默认0.0001,0.0001,0.0001。 神经网络结构 神经网络的层数与每一层的神经元节点个数。默认400,400,400。 激活函数 神经网络中的激活函数，将一个（或一组）神经元的值映射为一个输出值。

查看更多 →

单击“模型选择”代码框左侧的图标，运行代码。 运行结果如下所示： 特征推荐：学件推荐的特征，除了一些通用的特征（最值、均值等），还有一部分是专门为类似KPI做的异常检测效果比较好的特征。通常采用滑窗的方式做异常检测。目前所有窗口的长度，是根据数据的周期性、样本数、周期的个数等数据特点推荐的。窗口的长度均可以修改，如

查看更多 →

两个点组成，第一个点起始点，第二个点为终止点。 dashed [[0,100],[50,95]] 两个点组成，第一个点起始点，第二个点为终止点。 point [[0,100]] 一个点组成。 polyline [[0,100],[50,95],[10,60],[500,400]] 折线，多个点组成。

查看更多 →

联盟管理 计算节点管理 3 联盟和计算节点部署过程可视化 清晰展示联盟、计算节点的部署、升级、回滚、删除步骤，在出现问题时便于分析排查。 公测 联盟操作可视化 计算节点操作可视化 2021年1月 序号 功能名称 功能描述 阶段 相关文档 1 计算节点支持生命周期管理 新增计算节点上下线功能；支持计算节点规格变更，卸载等操作。

查看更多 →

。 自动学习的关键技术主要是基于信息熵上限近似模型的树搜索最优特征变换和基于信息熵上限近似模型的贝叶斯优化自动调参。通过这些关键技术，可以从企业关系型（结构化）数据中，自动学习数据特征和规律，智能寻优特征&ML模型及参数，准确性甚至达到专家开发者的调优水平。自动深度学习的关键技术

查看更多 →

可能是亚健康，建议先重启节点，若重启节点后未恢复，发起维修流程。 NT_NPU_NET NPU 链路 npu dcmi net异常。 NPU网络链接异常。 可能是亚健康，建议先重启节点，若重启节点后未恢复，发起维修流程。 NT_NPU_CARD_LOSE NPU 掉卡 NPU卡丢失。 节点规格的N

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 →

排序策略利用CTR预估或综合性计算的算法给候选集做打分。 在线服务 在线服务应用于做线上推荐，每个服务之间是独立的。即根据不同的离线计算得到的候选集以及相关参数，提供不同的推荐服务。 推荐引擎 以推荐为业务逻辑的引擎，即系统根据配置生成召回集作为起点，输出推荐结果集为终点的引擎。 排序引擎 以排序为

查看更多 →

特征工程 如何选中全量特征列？ 算法工程处理的时候必须要先采样吗？ 特征处理操作完成后怎么应用于数据集全量数据？ 特征工程和算法工程的关系？ JupyterLab环境异常怎么处理？ 父主题： 常见问题

查看更多 →

特征工程 特征工程简介 Python和Spark开发平台 JupyterLab开发平台 父主题： 用户指南

查看更多 →

特征管理 特征操作接口 父主题： 应用模型

查看更多 →

特征工程 二值化 卡方选择 派生 特征转换 FP-growth 最小最大规范化 正则化 独热编码 主成分分析 离散化 标准化 字符串标签化 奇异值分解 过滤式特征选择 线性特征重要性 特征尺度变换 特征异常检测 特征异常平滑 gbdt编码模型训练 gbdt编码模型应用 父主题： 数据特征

查看更多 →

需要被进行尺度变换的特征名 - scale_method 尺度变换的方法 "ln" item_spliter 离散型特征的，iterm之间的分割符 "," kv_spliter 离散型特征KV的分割符 ":" 样例 输入数据 配置流程 运行流程 参数设置 输出结果 父主题： 特征工程

查看更多 →

Bounding Boxes 横坐标：边缘化程度，即目标框中心点距离图片中心点的距离占图片总距离的比值，值越大表示物体越靠近边缘。（图片总距离表示以图片中心点为起点画一条经过标注框中心点的射线，该射线与图片边界交点到图片中心点的距离）。 纵坐标：框数量（统计所有图片中的框）。 一般呈

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 →

25百分位数）：最小数（不是“最小值”）和数据集的中位数之间的中间数； 上四分位数（Q3 / 75th Percentile）：数据集的中位数和最大值之间的中间值（不是“最大值”）； 四分位间距（IQR）：第25至第75个百分点的距离 上边缘：Q3 + 1.5 * IQR 下边缘：Q1 -1.5 * IQR

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 →

discretization_bin_num 否 离散化连续特征区间数量 None is_sparse 是 是否是K:V的稀疏特征 False kv_col 否 稀疏特征列名 "" item_spliter 否 K:V特征中每个item之间的分隔符 "," kv_spliter 否 K:V特征中每个key与value之间的分隔符

查看更多 →