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，...
新建实验
更详细的原理介绍，请参见 AutoML工作原理。前提条件 首次使用AutoML功能时，需要完成AutoML相关权限授权。具体操作，请参见 云产品依赖与授权：AutoML。已创建工作空间，具体操作，请参见 创建工作空间。如果创建DLC任务，需要完成以下...
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...
图算法
算法的基本原理如下：初始化：点值表示PageRank的rank值（DOUBLE类型）。初始时，所有点取值为 1/TotalNumVertices。迭代公式：PageRank(i)=0.15/TotalNumVertices+0.85*sum。其中sum为所有指向i点的点（设为j）PageRank(j)/out_degree(j)...
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，...
特征尺度变换
特征尺度变换算法组件支持对稠密或稀疏的数值类特征进行常见的尺度变换。功能介绍 特征尺度变换的功能如下：支持常见的 log2、log10、ln、abs 及 sqrt 等尺度变化函数。支持稠密及稀疏数据格式。组件配置 您可以使用以下任意一种方式，配置...
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...
DLC MNIST训练最佳实践
本文介绍如何在DLC计算资源上提交AutoML实验进行超参数调优。本方案采用PyTorch框架，通过torchvision.datasets.MNIST模块自动下载和加载MNIST手写数字数据集，并对...关于AutoML更详细的使用方法和原理介绍，请参见 自动机器学习（AutoML）。
HLS（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，...
PS-SMART二分类训练
参数服务器PS（Parameter Server）致力于解决大规模的离线及在线训练任务，SMART（Scalable Multiple Additive Regression Tree）是GBDT（Gradient Boosting Decision Tree）基于PS实现的迭代算法。PS-SMART支持百亿样本及几十万特征的训练...
线性模型特征重要性
线性模型特征重要性组件用于计算线性模型的特征重要性，包括线性回归和二分类逻辑回归，支持稀疏和稠密数据格式。本文为您介绍该组件的配置方法。使用限制 支持的计算引擎为MaxCompute。组件配置 您可以使用以下任意一种方式，配置线性模型...
GMM聚类
是 完全协方差矩阵 完全协方差矩阵 相同完全协方差矩阵 对角协方差矩阵 球面协方差矩阵 EM 迭代停止阈值 EM迭代停止阈值，当下限平均增益低于此阈值时，EM迭代将停止。是 0.001[0,99999999]协方差对角非负正则化 协方差对角非负正则化，...
逻辑回归多分类
经典逻辑回归是一个二分类算法，PAI提供的逻辑回归可以支持多分类，且支持稀疏及稠密数据格式。组件配置 您可以使用以下任意一种方式，配置逻辑回归多分类组件参数。方式一：可视化方式 在 Designer 工作流页面配置组件参数。页签 参数 ...
数据视图
方式一：可视化方式 在 Designer 工作流页面配置组件参数。页签 参数 描述 字段设置 选择特征列 用来表现训练样本数据特征的列。选择目标列 用来进行训练样本数据的目标列。枚举特征 勾选的特征将被视作枚举特征处理。k:v，k:v稀疏数据格式...
什么是项目协作
项目协作是一款专为软件研发项目团队打造的简洁、易用、整合的一站式协作平台，以项目为切入点，多维度集成管理需求、任务、缺陷、冲刺、看板，提供轻量级支持敏捷开发等多种项目管理的实践方法。项目协作贯穿软件研发全生命周期，如需求...
使用FM-Embedding实现推荐召回
本文为您介绍如何使用FM算法和Embedding提取算法，快速生成User和Item的特征向量。前提条件 已创建工作空间，详情请参见 创建工作空间。已将MaxCompute资源关联到工作空间，详情请参见 管理工作空间计算资源。背景信息 智能推荐包括召回和...
基本概念与原理
为了帮助您快速理解和掌握使用方法，本文概要介绍一下相关基本概念和原理。理解了它们，就摸清了云效持续交付的脉络，学习具体内容就会容易很多。项目 项目是一个“工作场所”。一伙人（或者一个人）为了一个特定的场景（比如开发一个应用/...
相关性分析
计算逻辑原理 多变量与多变量：分别计算“数据列”中每两个变量之间的相关系数，并用矩阵热力图展示相关性分析结果。单变量与多变量：分别计算“基础数据列”中的变量与“数据列”中的变量之间的相关系数，并用柱状图展示相关性分析结果。...
进阶使用
前置知识 BM25简介 BM25算法（Best Matching 25）是一种广泛用于信息检索领域的排名函数，用于在给定查询（Query）时对一组文档（Document）进行评分和排序。BM25在计算Query和Document之间的相似度时，本质上是依次计算Query中每个单词和...
过滤式特征选择
根据您使用的不同特征选择方法，从所有稀疏或稠密格式的特征数据中选择并过滤出TopN的特征数据，同时保存为特征重要性表，实现了降低模型训练的难度和提高训练模型的精确度。本文为您介绍 Designer 提供的过滤式特征选择组件的参数配置和...
用户窃电识别
本文为您介绍如何通过 Designer 预置工作流模板，快速构建窃漏电用户的识别模型，达到自动检查用户是否窃漏电的目的，从而大幅度降低稽查工作人员的工作量、保障用户正常用电及安全用电。背景信息 传统防窃漏电主要通过定期巡检、定期校验...
概述
为什么需要冷启动 通常推荐系统通过协同过滤、矩阵分解或是深度学习模型来生成推荐候选集，这些召回算法一般都依赖于用户-物品行为矩阵。在真实的推荐系统中，会有源源不断的新用户、新物品加入，这些新加入系统的用户和物品由于缺乏足够...
求解器用户手册
同时进行两个方法的优化，耗费的内存更多-更鲁棒-在求解新类别问题的时候，建议先用本方法来尝试求解，帮助分辨Simplex或IPM方法哪种更合适，辅助后续算法选取 计算设备需求 不同问题可能有明显差异，请以实测为准。以下实验室的测试值供...
基于对象特征的推荐
前提条件 已创建工作空间，详情请参见 创建工作空间。背景信息 该工作流首先对一份真实电商的4月份和5月份数据进行模型训练并生成预测模型，然后通过6月份的购物数据对该预测模型进行评估，最终选择最优的模型，并将其部署为EAS服务供业务...
特征异常平滑
特征平滑组件可以将输入特征中包含异常的数据平滑到一定区间，支持稀疏和稠密数据格式。背景信息 平滑方法如下：ZScore平滑 如果特征分布遵循正态分布，则噪音一般集中在-3×alpha 和 3×alpha 之外，ZScore是将该范围的数据平滑到[-3×...
评分卡训练
使用限制 使用评分卡训练组件生成的临时模型仅支持使用MaxCompute临时表进行存储，该临时表在Studio中的默认生命周期为369天，在Designer中的默认生命周期为当前所在工作空间配置的临时表保存时长，具体配置方法请参见 管理工作空间。...
线性回归
方式一：可视化方式 在 Designer 工作流页面配置组件参数。页签 参数 描述 字段设置 选择特征列 输入数据源中，参与训练的特征列。选择标签列 支持DOUBLE及BIGINT类型。是否稀疏格式 使用KV格式表示稀疏格式。kv对间分隔符 默认使用英文...
使用限制
在某些场景下需要提供更多的结果来进行分析工作，可以使用scroll方法来获取更多的结果●搜索请求若超出应用配额的LCU量，超出后的请求将被丢弃，并报错code:6015，message:Dropped by over compute resource quota 索引重建 项 值 同步速率...
朴素贝叶斯
朴素贝叶斯是一种基于独立假设的贝叶斯定理的概率分类算法。使用Designer（原Studio）的朴素贝叶斯组件，您能有效处理多样的分类问题。本文为您介绍朴素贝叶斯组件的配置方法。使用限制 支持的计算引擎为MaxCompute。组件配置 您可以使用...
索引优化
每一种索引类型都使用一种不同的算法，它们最适合的查询类型也不同。B-Tree索引适合于最常见的情况并且是默认的索引类型。说明 AnalyticDB PostgreSQL版 Serverless实例仅支持创建B-Tree类型索引。在大部分传统的TP型数据库中，索引可以极...
评分卡信用评分
背景信息 评分卡是信用风险评估和互联网金融领域常用的建模方法，并不简单对应于某种机器学习算法，而是一种通用建模框架。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，...
JOIN优化和执行
它的工作方式如下：拉取内表（右表，通常是数据量较小的一边）的全部数据，缓存到内存中。遍历外表数据，对于外表的每行：对于每一条缓存在内存中的内表数据。构造结果行，并检查是否满足JOIN条件，如果满足条件则输出。如下为Nested-Loop ...
常见问题
基本原理 为什么拜占庭类共识算法（BFT，如Quorum使用的Istanbul BFT）至少需要4个节点？答：拜占庭类共识算法在有3F+1个节点的情况下，系统可以容忍F个节点失败。因此为了保证至少一个节点失效情况下仍然能达成共识，总节点数需满足 3*1+1...
Android端集成美颜特效SDK
V2.0.0版本起SDK授权使用方式变更，您需要重新发送申请到 创建应用并绑定License 申请补发LicenseKey和LicenseFile（证书文件），并在标题中注明 申请补发，我们会在收到申请后工作日48小时内，补发一体化LicenseKey和LicenseFile（证书...
swing训练
swing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的相似性。本文为您介绍swing训练的参数配置。使用限制 支持运行的计算资源为MaxCompute和Flink。组件配置 您可以通过以下任意一种方式，配置swing训练...
数据建模
新建实验 新建空白工作流并进入工作流，具体操作，请参见 新建自定义工作流。载入数据集 在左侧组件列表，将 源/目标 下的 读数据表 组件拖入画布中，并重命名为data4ml。在画布中选中 data4ml 节点，在右侧节点配置页面中的 表名 中输入 ...
产品优势
而鹿班智能设计，学习了大量业内设计师的设计，将图片配色原理、图文搭配规则、视觉组合结构等设计原理全都进行数据化处理，再由系统根据算法进行调用。用户在使用鹿班做设计时，就好像拥有随时调动这些大师的设计能力一样，做出的每一张...
EmbeddingVariable
def read_value():raise NotImplementedError(".")def assign():raise NotImplementedError(".")def assign_add():raise NotImplementedError(".")def assign_sub():raise NotImplementedError(".")支持读取稀疏数据的 sparse_read()方法。...
初始化
在小程序端开始使用Serverless服务前，需要先调用 mpserverless.init 方法完成服务的初始化，且仅能初始化一次。较为通用的做法是在 onLaunch 生命周期中进行初始化操作，并将实例对象 mpserverless 挂载到小程序的全局对象 App，以便后续...
- 产品推荐
- 这些文档可能帮助您