有效的容量规划需要为未来的业务需求做好准备，通常使用工作负载的数据来预测未来需求。预测需求是一个复杂的过程，涉及到多种因素，包括市场趋势、消费者行为、竞争环境等。通过多种方法的组合，如历史数据分析、资源分析、趋势分析等，以此作为预测需求的基础，并结合人工智能机器学习算法，以便更准确地预测未来的需求，评估工作负载的资源需求。

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 →

需求计划功能 计划单元（DPU）的维护 需求计划创建、编辑与发布 父主题： 实施步骤

查看更多 →

客户需求管理 概述 客户需求处理流程 客户需求管理 父主题： 销售管理

查看更多 →

清空需求动态 功能介绍 清空需求动态 URI DELETE /v4/projects/{project_id}/issue-update-records 表1 路径参数 参数 是否必选 参数类型 描述 project_id 是 String 项目id 表2 Query参数 参数 是否必选

查看更多 →

查询需求树 功能介绍 查询需求树 URI POST /GT3KServer/v4/{project_id}/versions/{version_id}/issue-tree 表1 路径参数 参数 是否必选 参数类型 描述 project_id 是 String 参数解释: 项目id，对应"需求管理

查看更多 →

使用自动学习实现零代码AI开发 自动学习简介 使用自动学习实现图像分类 使用自动学习实现物体检测 使用自动学习实现预测分析 使用自动学习实现声音分类 使用自动学习实现文本分类 使用窍门

查看更多 →

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 →

科学计算大模型支持训练的模型类型有：中期天气要素预测模型、区域中期海洋智能预测模型。 中期天气要素预测模型选择建议： 科学计算大模型的中期天气要素预测模型，可以对未来一段时间的天气进行预测，具备以下优势： 高时间精度：中期天气要素预测模型可以预测未来1、3、6、24小时的天气情况。高时间

查看更多 →

使用 TICS 联邦预测进行新数据离线预测 场景描述 准备数据 发布数据集 创建联邦预测作业 发起联邦预测 父主题： 纵向联邦建模场景

查看更多 →

重保风险预测 使用场景 仅白名单用户可以使用重保风险预测。 操作步骤 登录管理控制台。 选择“服务列表 > 管理与监管 > 优化顾问”优化顾问服务页面。 左侧导航树选择“容量优化 > 重保风险预测”。 单击“风险分析”进行风险预测配置。 批量参数设置，选择活动时间段。 配置容量阈

查看更多 →

联邦预测作业 概述 批量预测 实时预测 查看作业计算过程和作业报告

查看更多 →

ADMET属性预测接口 功能介绍 计算小分子的物化性质，包括吸收(adsorption)、分布(distribution)、代谢(metabolism)、清除(excretion)与毒性(toxicity)。 URI POST /v1/{project_id}/admet 表1 路径参数

查看更多 →

训练预测分析模型 创建自动学习后，将会进行模型的训练，得到预测分析的模型。模型部署步骤将使用预测模型发布在线预测服务。 操作步骤 在新版自动学习页面，单击创建成功的项目名称，查看当前工作流的执行情况。 在“预测分析”节点中，待节点状态由“运行中”变为“运行成功”，即完成了模型的自动训练。

查看更多 →

在线服务 步骤7：在线预测 在“部署上线 > 在线服务”管理页面，单击在线服务名称，进入在线服务详情页面。 在线服务详情页面中，切换到 “预测“ 页签，单击“上传”，从本地上传待预测数据，格式参考算法说明。 本地上传数据完成后，单击“预测”，开始预测。 图9 预测结果 步骤8：清除资源

查看更多 →

预测接口（文本标签） 分词模型 命名实体识别模型 父主题： 在线服务API

查看更多 →

分子属性预测（MPP） ADMET属性预测接口 ADMET属性预测接口(默认+自定义属性) 父主题： API（AI辅助药物设计）

查看更多 →

得到模型时的输出（预测项）。 除标签列外数据集中至少还应包含两个有效特征列（列的取值至少有两个且数据缺失比例低于10%）。 当前由于特征筛选算法限制，预测数据列建议放在数据集最后一列，否则可能导致训练失败。 表格数据集示例： 以银行存款预测数据集为例：根据预测人的年龄、工作类型、

查看更多 →

被用户标注为某个分类的所有样本中，模型正确预测为该分类的样本比率，反映模型对正样本的识别能力。 precision：精确率 被模型预测为某个分类的所有样本中，模型正确预测的样本比率，反映模型对负样本的区分能力。 accuracy：准确率 所有样本中，模型正确预测的样本比率，反映模型对样本整体的识别能力。

查看更多 →

集，不支持启动主动学习和自动分组任务，支持预标注任务。 “智能标注”是指基于当前标注阶段的标签及图片学习训练，选中系统中已有的模型进行智能标注，快速完成剩余图片的标注操作。“智能标注”又包含“主动学习”和“预标注”两类。 “主动学习”表示系统将自动使用半监督学习、难例筛选等多种手

查看更多 →