添加升级包
使用AliOS Things芯片的设备，阿里云提供差分包生成方法和差分还原算法，请参见 OTA差分工具使用指南。您也可以自行生成差分包并完成差分还原算法开发。升级包名称 设置升级包名称，需在阿里云账号下唯一，创建后不可修改。支持中文、英文...
时序异常检测
本文介绍异常检测算法的概念和时序异常检测的语法。引擎与版本 时序异常检测仅支持时序引擎。无版本要求。使用限制 时序异常检测必须和 SAMPLE BY 语句搭配使用。功能简介 时序异常检测用于检测指定时间线上异常点的值，支持阿里达摩院自研...
组件参考：所有组件汇总
ALS矩阵分解 交替最小二乘ALS（Alternating Least Squares）算法的原理是对稀疏矩阵进行模型分解，评估缺失项的值，从而得到基本的训练模型。swing训练 该组件是一种Item召回算法，您可以使用swing训练组件基于User-Item-User原理衡量Item...
视频分类训练
针对原始视频数据，您可以使用视频分类训练算法组件对其进行模型训练，从而获得用于推理的视频分类模型。本文介绍视频分类训练算法组件的配置方法及使用示例。前提条件 已开通OSS并完成授权，详情请参见 开通OSS服务 和 云产品依赖与授权：...
关键词抽取
模块 实 现了 基于 自由 形状 变形 网格 变形 算法 遗传算法 差分 进化 算法 飞机 表面积 计算 算法 基于 矩 积分 飞 机 体积 计算 算法 开发 基于 VTK 数据 可视化 格式 工具 PAI命令 PAI-name KeywordsExtraction-DinputTableName=maple_...
GBDT二分类V2
算法原理 梯度提升决策树模型构建了一个由多棵决策树组成的组合模型。每一棵决策树对应一个弱学习器，将这些弱学习器组合在一起，可以达到比较好的分类或回归效果。梯度提升的基本递推结构为：其中，通常为一棵 CART 决策树，为决策树的...
动态特征提取
支持8种计算方式，包括最大值、最小值、平均值、标准差、线性趋势、变化趋势、一阶差分和二阶差分。计算逻辑原理 最大值：取采样数据序列的最大值，作为输出。最小值：取采样数据序列的最小值，作为输出。平均值：取采样数据序列的平均值，...
使用ALS算法实现音乐评分预测（旧版）
ALS算法 交替最小二乘ALS（Alternating Least Squares）算法的原理是对稀疏矩阵进行模型分解，评估缺失项的值，从而得到基本的训练模型。在协同过滤分类方面，ALS算法属于User-Item CF（Collaborative Filtering），兼顾 User 和 Item 项，...
基于文本分析算法实现新闻分类
本工作流的新闻分类结果不够理想（两篇体育类、一篇财经类及一篇科技类新闻分到了同一类中），主要原因如下：工作流数据量较小。仅针对业务场景介绍文本分析算法的使用方法，未对数据集进行特征工程处理及细节调优。因为本工作流模板已为 ...
OTA固件升级
设备使用AliOS-Things芯片，阿里云提供差分包生成方法和差分还原算法，请参见 OTA差分工具使用指南。您也可以自行生成差分包并完成差分还原算法开发。固件名称 设置固件名称。支持中文、英文、日文、数字、下划线（_）、中划线（-）、小...
K均值聚类算法（K-Means）
该算法原理为：先将数据分为K组，随机选取K个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，将每一个对象分配给距离它最近的聚类中心，聚类中心以及分配给它们的对象就代表一个聚类。即K-Means算法将输入表的...
XGBoost预测
XGBoost算法在Boosting算法的基础上进行了扩展和升级，具有较好的易用性和鲁棒性，被广泛用在各种机器学习生产系统和竞赛领域，该算法支持分类和回归。XGBoost预测组件是在开源社区的基础上进行包装，您可以使用该组件对XGBoost训练组件...
Designer使用案例汇总
SimRank+相似度计算算法 介绍协同过滤算法SimRank的原理和其应用在个性化推荐场景时的改进，以及如何在生产环境部署SimRank+算法。改进版swing相似度计算算法 介绍改进版swing相似度算法原理，包括工具包下载、工具包详细参数说明以及常见...
创建安全联邦学习任务（任务模式）
场景描述 A有一张数据表demo_fl_alice_train_original用于记录人群属性（学历、工作经历等），标签是income；B有一张数据表demo_fl_bob_train_original用于记录人群属性（关系、民族等）。需求是 A想联合B数据，使用XGB，进行联合建模。可...
标签传播分类
标签传播分类为半监督的分类算法，原理为用已标记节点的标签信息去预测未标记节点的标签信息。标签传播分类组件能够输出图中所有节点对应的标签及其权重占比。算法说明 在算法执行过程中，每个节点的标签按相似度传播给相邻节点，在节点...
工作原理
本文介绍智能巡检的背景信息、工作原理、功能特性、基本概念、调度与执行场景和使用建议。背景信息 基于时间的数据（例如日志、指标）日积月累后会积累大量的数据。例如，某个服务每天产生1000万条数据，则一年大约为36亿条数据。对于这些...
前言
工作原理 创建 App：创建 App 时，将运行作业需要的软件或脚本安装在自定义的镜像中，并设置资源的默认配置，以及输入输出的格式。提交 App 作业：提交作业时，按照上述资源配置启动虚拟机镜像或 Docker 镜像，使用用户输入的数据运行软件...
视频个性化推荐（协同过滤）
本案例将 以视频社交平台的'猜你喜欢'和'详情页相关推荐'为例，通过推荐算法为用户呈现最符合其兴趣的视频内容为背景，为您介绍在DataWorks中如何使用阿里云PAI的协同过滤算法 挖掘深层次的数据关联性，实现视频的个性化推荐。背景信息 ...
什么是AutoML
相关文档 AutoML工作原理（推荐）了解AutoML原理机制，实验、Trial、训练任务关系，帮助您理解后续配置项间的逻辑关系。新建实验 通过控制台创建新实验，以及了解其中的关键参数如何配置。AutoML使用案例汇总 您可以通过实际案例，来使用...
支持的数据脱敏算法
本文介绍支持的数据脱敏算法。算法分类 分类描述 算法描述 输入参数 适用类型和典型场景 哈希脱敏 不可逆算法。适用于密码或需要通过对比进行敏感数据确认的场景。支持常见的哈希算法，并支持偏移量（加盐值）配置。MD5 Salt值 敏感类型：...
横向MLP二分类/MLP多分类/MLP回归
参数设置 参数设置 参数名称 参数英文名称 参数说明 全局迭代轮数 epochs 全局模型的最大迭代次数 隐私开销 epsilon 联邦学习中，差分隐私的隐私开销，数值越大，添加的噪声越小，隐私保护越弱，则越精确，训练效果越好；数值越小，隐私...
高维向量检索（PASE）
本文介绍 PolarDB PostgreSQL版 如何通过PASE插件（基于IVFFlat或HNSW算法）实现高维向量检索。背景信息 近年来，深度学习领域内的表示学习技术，作为人工智能的代表性技术，取得了长足性进展，在工业界中已经被大量应用，例如广告投放、...
高维向量检索（PASE）
本文介绍 PolarDB PostgreSQL版（兼容Oracle）如何通过PASE插件（基于IVFFlat或HNSW算法）实现高维向量检索。背景信息 近年来，深度学习领域内的表示学习技术，作为人工智能的代表性技术，取得了长足性进展，在工业界中已经被大量应用，...
CREATE MODEL
nsigma 达摩院自研算法，原理简单，便于分析异常原因。详细信息，请参见 时序异常检测。ttest 达摩院自研算法，适用于识别一个时间窗口内时序指标是否存在因均值变化而发生的异常。详细信息，请参见 时序异常检测。指定列的预处理操作...
模型创建
nsigma 达摩院自研算法，原理简单，便于分析异常原因。详细信息，请参见 时序异常检测。ttest 达摩院自研算法，适用于识别一个时间窗口内时序指标是否存在因均值变化而发生的异常。详细信息，请参见 时序异常检测。PREPROCESSORS 'string'...
线性支持向量机
背景信息 本文中的线性支持向量机算法不通过核函数方式实现，具体实现理论请参见 算法原理 中的Trust Region Method for L2-SVM部分。使用限制 线性支持向量机算法组件仅支持二分类场景。组件配置 您可以使用以下任意一种方式，配置线性...
高效向量检索（PASE）
本文介绍RDS PostgreSQL如何通过PASE插件（基于IVFFlat或HNSW算法）实现高效向量检索。说明 PASE插件已不再维护，建议您使用 高维向量相似度搜索（pgvector）插件。前提条件 实例为RDS PostgreSQL 11或以上版本。背景信息 近年来，深度学习...
Designer概述
自定义算法组件 包括SQL脚本、Python脚本、PyAlink脚本等自定义算法组件，可以满足您更加定制化的算法工作流串联需求。从实现框架及支持的计算资源来区分 包括Alink框架和PAICommand框架，两种框架的算法组件各自具有一些独特的功能特性：...
配置M3U8标准加密改写
HLS协议的工作原理是把整个视频流分割成一个个小的TS格式视频文件来传输，在开始一个流媒体会话时，客户端会先下载一个包含TS文件URL地址的M3U8文件（相当于一个播放列表），给客户端用于下载TS文件。HLS基本字段：#EXTM3U：M3U8文件头，...
数据库内机器学习
nsigma 达摩院自研算法，原理简单，便于分析异常原因。详细信息，请参见 时序异常检测。ttest 达摩院自研算法，适用于识别一个时间窗口内时序指标是否存在因均值变化而发生的异常。详细信息，请参见 时序异常检测。PREPROCESSORS 'string'...
设置预分区
云数据库HBase自带了三种分隔算法，每个分割算法的适用场景如下描述：HexStringSplit：适用于以十六进制的字符串作为前缀的Rowkey。DecimalStringSplit：适用于以十进制的数字字符串作为前缀的Rowkey。UniformSplit：适用于Rowkey的前缀是...
评分卡信用评分
其原理是先将分箱后的原始数据进行特征工程变换，再使用线性模型建模。评分卡建模理论通常适用于信用评估领域，例如信用卡风险评估和贷款发放业务。在其它领域，评分卡建模也可以作为分数评估，例如客服质量打分和芝麻信用打分。前提条件 ...
XGBoost训练
XGBoost算法在Boosting算法的基础上进行了扩展和升级，具有较好的易用性和鲁棒性，被广泛用在各种机器学习生产系统和竞赛领域，该算法支持分类和回归。XGBoost训练组件在XGBoost算法的基础上进行了包装，使功能和PAI更兼容，更易用。本文为...
基于外卖评论实现舆情风控
在左侧导航栏单击 工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。在工作空间页面的左侧导航栏选择 模型开发与训练>可视化建模（Designer），进入Designer页面。构建工作流。在 Designer 页面，单击 ...
加密与签名数据的格式
消息头中的算法详情如下表所示：算法号 算法信息 算法 工作模式 密钥长度（bit）初始向量长度（Byte）1 AES_GCM_NOPADDING_128 AES GCM 128 12 2 AES_GCM_NOPADDING_256 AES GCM 256 12 3 AES_CBC_NOPADDING_128 AES CBC 128 16 4 AES_CBC_...
评分卡训练
评分卡是信用风险评估领域常用的建模工具，其原理是通过分箱输入将原始变量离散化后再使用线性模型（逻辑回归或线性回归等）进行模型训练，其中包含特征选择及分数转换等功能。同时也支持在训练过程中为变量添加约束条件。说明 如果未指定...
预测学生考试成绩
Designer预置了逻辑回归算法模板，便于您基于中学生的家庭背景及在校行为，通过逻辑回归算法快速生成期末成绩预测模型，从而获得影响中学生学业的关键因素。本文为您介绍逻辑回归算法预置模板的具体使用方法。背景信息 通过本工作流获得...
梯度提升决策树
计算逻辑原理 GBDT是一种迭代的决策树算法，由多棵决策树组成，每棵树只能对部分数据做出好的预测，所有树的结论累加起来得到最终结果，因此，添加的树越来越多，可以不断迭代提高性能。是一种泛化能力较强的算法。参数说明 IN端口-输入...
服务下线通知
温馨提示 尊敬的阿里云用户您好，非常感谢您对阿里云自然语言处理产品的支持，由于 NLP基础服务1.0 所依赖的组件不再维护，为了提供更稳定与高性能的算法服务，提供更清晰简化的使用体验，我们于2020年12月正式发布了 NLP基础服务2.0，2.0...
异常指标监控
在左侧导航栏单击 工作空间列表，在工作空间列表页面中单击待操作的工作空间名称，进入对应工作空间内。在工作空间页面的左侧导航栏选择 模型开发与训练>可视化建模（Designer），进入Designer页面。构建工作流。在PAI-Designer页面，单击 ...
- 产品推荐
- 这些文档可能帮助您