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 →

时间序列 ARIMA Auto ARIMA 父主题： 模型工程

查看更多 →

时间序列预测 流数据处理中经常需要对于时间序列数据进行建模和预测，建模是指提取数据中有用的统计信息和数据特征，预测是指使用模型对未来的数据进行推测。DLI服务提供了一系列随机线性模型，帮助用户在线实时进行模型的建模和预测。 ARIMA (Non-Seasonal) ARIMA（Auto-Regressive

查看更多 →

查询时间序列 场景描述 本章以查询一个节点的CPU使用率时间序列为例。 涉及的基本信息 查询时间序列前，需要确定节点的ID和集群ID的值，节点ID值可以在E CS 的dimensions中查看，集群ID值可以在CCE的“集群管理”页面，基本信息的dimensions中查看。 CPU使

查看更多 →

CONTAINER：应用时间序列命名空间；PAAS.NODE：节点时间序列命名空间；PAAS.SLA：SLA时间序列命名空间；PAAS.AGGR：集群时间序列命名空间；CUSTOMMETRICS：自定义时间序列命名空间。 metric_name 否 String 时间序列名称，名称长度取

查看更多 →

时间序列预测 流数据处理中经常需要对于时间序列数据进行建模和预测，建模是指提取数据中有用的统计信息和数据特征，预测是指使用模型对未来的数据进行推测。DLI服务提供了一系列随机线性模型，帮助用户在线实时进行模型的建模和预测。 ARIMA (Non-Seasonal) ARIMA（Auto-Regressive

查看更多 →

分解研发需求 研发需求按层级划分为IR、US，分别为第一、二。IR可以分解为US，US是最小单位的研发需求，不能继续分解。 前提条件 已创建项目。 已创建研发需求。 操作步骤 在研发需求列表中，单击需要分解需求所在行的图标，弹出“分解子需求”窗口。 填写子需求的信息。 单击图标，可以展开及配置更多信息。

查看更多 →

域感知因子分解机是因子分解机的改进版本，因子分解机每个特征对其他域的隐向量都一致，而域感知因子分解机每个特征对其他每个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

查看更多 →

分解原始需求 原始需求按层级划分为RR > US > Task。 仅规划和实现状态的原始需求支持分解。 前提条件 已创建项目。 已创建原始需求。 操作步骤 在原始需求列表中，单击需要分解需求所在行的图标，弹出“分解子工作项”窗口。 填写子工作项的信息。 单击图标，可以展开及配置更多信息。

查看更多 →

填写子需求的信息。 单击图标，可以展开及配置更多信息。 单击“确定”，分解成功。 US和IR的分解方法相同，US支持复制新建，不支持再分解。当IR的“归属项目”非本项目时，US的分解须在IR的“归属项目”中进行。 分解成功的IR和US还可在“研发需求”中查看、编辑，且IR的状态会自动卷积US的状态。

查看更多 →

分解原始需求 原始需求按层级划分为RR、IR、SR、AR，分别为第一、二、三、四级。RR可以分解为IR，IR可以分解为SR，SR可以分解为AR。AR是最小单位的研发需求，不能继续分解。 仅规划和实现状态的原始需求支持分解。 前提条件 已创建项目。 已创建原始需求。 操作步骤 在原

查看更多 →

分解研发需求 研发需求按层级划分为IR、SR、AR，分别为第一、二、三级。IR可以分解为SR，SR可以分解为AR。AR是最小单位的研发需求，不能继续分解。 前提条件 已创建项目。 已创建研发需求。 操作步骤 在研发需求列表中，单击需要分解需求所在行的图标，弹出“分解子需求”窗口。

查看更多 →

StreamingML 异常检测 时间序列预测 实时聚类 深度学习模型预测 父主题： Flink SQL语法参考（不再演进，推荐使用Flink OpenSource SQL）

查看更多 →

隐向量长度 分解后的表示特征的向量的长度。默认10。 保存根路径 单击选择训练结果在OBS中的保存根路径，训练完成后，会将模型和日志文件保存在该路径下。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

查看更多 →

序列 SEQUENCE是Oracle对象，用于创建数字序列号。该序列用于创建自动编号字段，可用作主键。 如果参数MigSupportSequence设为true（默认值），则在PUBLIC模式中创建序列。 CACHE和ORDER参数不支持迁移。 Oracle中，序列的MAXVAL

查看更多 →

分解工作项 所有工作项按层级划分为Epic > FE > US > Task。Epic可以分解为FE，FE可以分解为US，US可以分解为Task，Task不能继续分解。 前提条件 已创建项目。 已创建Epic、FE或US工作项。 操作步骤 在“工作项 > 全部”列表中，单击需要分

查看更多 →

StreamingML 异常检测 时间序列预测 实时聚类 深度学习模型预测 父主题： Flink SQL语法参考（不再演进，推荐使用Flink OpenSource SQL）

查看更多 →

序列 查看sequence详情 父主题： GaussDB

查看更多 →

奇异值分解 概述 奇异值分解（Singular Value Decomposition，SVD）一般用于数据挖掘、建模等领域的特征工程过程，是线性代数中一种重要的矩阵分解方法，奇异值分解算子可将1个矩阵分解为3个矩阵。 比如对于m×n 的矩阵A，可根据以下SVD计算公式得到左奇异向量组成的m×k

查看更多 →

序列 查看sequence详情 父主题： PostgreSQL

查看更多 →