exist_running_deploy_task Boolean 该数据集是否存在正在运行（包括初始化）的一键模型上线任务。可选值如下： true：数据集存在正在运行的一键模型上线任务 false：数据集不存在正在运行的一键模型上线任务 tasks Array of RunningTask objects

查看更多 →

法精度下降或者训练失败问题。 数据清洗：数据清洗是指对数据进行去噪、纠错或补全的过程。 数据清洗是在数据校验的基础上，对数据进行一致性检查，处理一些无效值。例如在深度学习领域，可以根据用户输入的正样本和负样本，对数据进行清洗，保留用户想要的类别，去除用户不想要的类别。 数据选择：

查看更多 →

模型训练 企业A在完成特征选择后，可以单击右下角的“启动训练”按钮，配置训练的超参数并开始训练。 等待训练完成后就可以看到训练出的模型指标。 模型训练完成后如果指标不理想可以重复调整7、8两步的所选特征和超参数，直至训练出满意的模型。 父主题： 使用 TICS 可信联邦学习进行联邦建模

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

查看更多 →

可信联邦学习作业管理 新建联邦学习作业 获取横向联邦学习作业详情 获取纵向联邦作业详情 保存纵向联邦作业 保存横向联邦学习作业 查询联邦学习作业列表 查询特征选择执行结果 删除联邦学习作业 执行横向联邦学习作业 执行纵向联邦模型训练作业 父主题： 计算节点API

查看更多 →

诊断”。 深度诊断功能依赖UniAgent，如果提示未安装UniAgent或者安装失败，请参考为E CS 安装UniAgent进行安装，否则无法发送命令。 图1 深度诊断 勾选“同意安装插件并采集数据”后，单击“确定”。 诊断结果及说明，请参见深度诊断结论。 在诊断结果的“诊断报告”页签查看诊断详情。

查看更多 →

GS_OPT_MODEL是启用AiEngine执行计划时间预测功能时的数据表，记录机器学习模型的配置、训练结果、功能、对应系统函数、训练历史等相关信息。 表1 GS_OPT_MODEL字段 名称 类型 描述 template_name name 机器学习模型的模板名，决定训练和预测调用的函数接

查看更多 →

GS_OPT_MODEL是启用AiEngine执行计划时间预测功能时的数据表，记录机器学习模型的配置、训练结果、功能、对应系统函数、训练历史等相关信息。 表1 GS_OPT_MODEL字段 名称 类型 描述 template_name name 机器学习模型的模板名，决定训练和预测调用的函数接

查看更多 →

GS_OPT_MODEL是启用AiEngine执行计划时间预测功能时的数据表，记录机器学习模型的配置、训练结果、功能、对应系统函数、训练历史等相关信息。 表1 GS_OPT_MODEL字段 名称 类型 描述 oid oid 数据库对象id。 template_name name 机器学习模型的模板名，决定训练

查看更多 →

使用TICS可信联邦学习进行联邦建模 场景描述 准备数据 发布数据集 创建可信联邦学习作业 选择数据 样本对齐 筛选特征 模型训练 模型评估 父主题： 纵向联邦建模场景

查看更多 →

JupyterLab开发平台 创建特征工程 数据处理 模型训练 迁移学习 学件 模型归档 如何恢复异常的JupyterLab环境 父主题： 特征工程

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 →

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。 成熟的权限管理体系，保障数据安全的同时，确保团队高效协作。 医疗智能体 面向的用户 从行业方向上，医疗智能体主要面对以下行业的从业者：

查看更多 →

邦机器学习。 横向联邦机器学习 横向联邦机器学习，适用于参与者的数据特征重叠较多，而样本ID重叠较少的情况，联合多个参与者的具有相同特征的多行样本进行联邦机器学习，联合建模。 模型评估 评估训练得出的模型权重在某一数据集上的预测输出效果。 纵向联邦机器学习 纵向联邦机器学习，适用

查看更多 →

这里会结合前面的算子“预测场景需求”、“特征画像”和“可预测性评估”的运行结果，综合评估推荐出最适合的预测算法，并利用超参优化，对推荐出的模型进行超参寻优。 单击“算法选择”左侧的图标，完成算法选择。 代码运行过程中，下方会不断的打印运行日志。代码运行完成后，可以看到“算法推荐”信息。

查看更多 →

芯片资源，进行模型训练。 模型管理 模型训练服务统一的模型管理菜单。集成在线VSCode开发环境，支持对模型进行编辑修改后，生成新模型包。同时支持多模型组合编排生成新模型。支持将模型下载至本地、生成SHA256校验码、上架至NAIE服务官网、发布成在线推理服务，进行在线推理、创建联邦学习实例、删除模型。

查看更多 →

洪峰。自动化是这项业务的关键，所以客户需要进行业务容错性改造，实现任何一个或一些实例出现故障（被回收）时，可自行替换并继续运行，无需任何人工干预。 实时数据分析 场景概述 实时数据分析是指用适当的统计分析方法实时对收集来的大量数据进行分析，主要包含数据采集，加工，清洗，分析等环节

查看更多 →

筛选出每个用户的行为数据中满足要求的数据，使之不进入候选集。 相对时间间隔：与数据源内的行为数据记录最后的一条时间相差天数。 最小次数：某用户对某物品产生某行为的最小次数。 行为类型：指定行为类型。 绝对时间间隔：与当前时间相差天数。 最大次数：某用户对某物品产生某行为的最大次数。

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 →

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型分析。目前，学件已经集成了几十维到上百维不同种类的特征库，源于历史各类

查看更多 →

变换、优化模型训练、特征迁移增加迁移评估等，对应刷新JupyterLab开发平台。 模型训练新增创建联邦学习工程及其服务，对应新增创建联邦学习工程。 模型包支持对Jupyterlab环境归档的模型创建模型包、支持对特定模型包新建联邦学习实例、支持对已发布推理服务的模型包更新发布推理服务，对应刷新模型管理。

查看更多 →