基本概念 AI引擎 可支持用户进行机器学习、深度学习、模型训练作业开发的框架，如Tensorflow、Spark MLlib、MXNet、PyTorch、华为自研AI框架MindSpore等。 数据集 某业务下具有相同数据格式的数据逻辑集合。 特征操作 特征操作主要是对数据集进行特征处理。

查看更多 →

根据标签筛选实例 标签添加成功后，您可以通过标签来筛选实例，快速查找指定分类的实例以进行管理。 操作步骤 登录管理控制台。 单击管理控制台左上方的，选择区域和项目。 在页面左上角单击，选择“数据库 > 文档数据库服务 DDS”，进入文档数据库服务信息页面。 在“实例管理”页面，单击实例列表右上方的“标签搜索”。

查看更多 →

流量镜像筛选规则 查询流量镜像筛选规则列表 查询流量镜像筛选规则详情 创建流量镜像筛选规则 更新流量镜像筛选规则 删除流量镜像筛选规则 父主题： API V3

查看更多 →

流量镜像筛选条件 创建流量镜像筛选条件 查询流量镜像筛选条件列表 查询流量镜像筛选条件详情 更新流量镜像筛选条件 删除流量镜像筛选条件 父主题： API V3

查看更多 →

筛选管理页数据 使用说明 通过筛选功能，对数据管理页中的数据进行过滤。 操作步骤 单击生成数据管理页中已创建的数据管理页。 在右侧页面，单击“筛选”。 在弹出的页面，设置筛选条件，单击“筛选”。 图1 设置筛选条件 图2 筛选结果 父主题： 数据管理页

查看更多 →

准确率高：基于改进的深度学习算法，基于复杂环境语音审核准确率高。 支持特殊声音识别：支持特殊声音识别模型，如娇喘、呻吟、敏感声纹等。 游戏/社交语音 监测游戏APP / 社交APP中的聊天内容以及语音动态，降低业务违规风险。 场景优势如下： 准确率高：基于改进的深度学习算法，基于复杂环境语音审核准确率高。

查看更多 →

药物数据输入格式说明 药物虚拟筛选平台的输入数据，需要输入蛋白质和配体小分子数据。参考以下数据要求，将数据上传至项目中。 输入蛋白质，pdb格式，将要进行对接的所有靶标蛋白放在一个文件夹内。 输入配体小分子，配体小分子为如下格式的txt文件。 第一列为smiles字符串，第二列为smiles名称，中间用tab键分割。

查看更多 →

API（AI辅助药物设计） 分子生成（MG） 分子优化（MO） 靶点化合物结合预测（CPI） 分子属性预测（MPP） 分子搜索（MS） 分子合成路径规划任务（MSP） 自定义属性任务（MCP）

查看更多 →

药物数据库管理 创建数据库 获取数据库列表 删除数据库 更新药物数据库 数据库追加文件 父主题： API（盘古辅助制药平台）

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 →

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 →

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 →

学习空间 我的课堂 MOOC课程 我的考试

查看更多 →

模型训练 模型训练中除了数据和算法外，开发者花了大量时间在模型参数设计上。模型训练的参数直接影响模型的精度以及模型收敛时间，参数的选择极大依赖于开发者的经验，参数选择不当会导致模型精度无法达到预期结果，或者模型训练时间大大增加。 为了降低开发者的专业要求，提升开发者模型训练的开发

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 →

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，同时学习高阶和低阶特征组合，从而达到准确地特征组合学习，进行精准推荐。单击查看深度网络因子分解机详细信息。

查看更多 →

欠拟合的解决方法有哪些？ 模型复杂化。 对同一个算法复杂化。例如回归模型添加更多的高次项，增加决策树的深度，增加神经网络的隐藏层数和隐藏单元数等。 弃用原来的算法，使用一个更加复杂的算法或模型。例如用神经网络来替代线性回归，用随机森林来代替决策树。 增加更多的特征，使输入数据具有更强的表达能力。

查看更多 →

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组合，从而达到准确地特征组合学习，进行精准推荐。DEEPFM算法参数请参见深度网络因子分解机。 核函数特征交互神经网络是深度网络因子分解机的改进版本，深度网络因子分解机通过

查看更多 →

建模，使用训练出的联邦模型对新数据进行联邦预测，筛选出高价值的潜在客户，再针对这些客户进行定向营销，达成提高营销效果、降低营销成本的业务诉求。 基于多方安全计算功能准备好合适的数据，本文主要介绍双方对已有的数据进行样本对齐、特征筛选和联邦建模，并对产生的模型进行评估。 父主题： 使用 TICS 可信联邦学习进行联邦建模

查看更多 →

自动学习训练后的模型是否可以下载？ 不可以下载。但是您可以在AI应用管理页面查看，或者将此模型部署为在线服务。 父主题： 模型训练

查看更多 →