Платформа машинного обучения для ИИ

Комплексная платформа, предоставляющая различные алгоритмы машинного обучения для удовлетворения ваших требований к интеллектуальному анализу и анализу данных.

Платформа машинного обучения для ИИ предоставляет комплексные услуги машинного обучения, включая обработку данных, разработку функций, обучение моделей, прогнозирование моделей и оценку моделей. Платформа машинного обучения для ИИ объединяет все эти сервисы, чтобы сделать ИИ более доступным, чем когда-либо.

Преимущества

Визуализированный интерфейс
Платформа машинного обучения для ИИ предоставляет визуализированный веб-интерфейс, позволяющий создавать эксперименты путем перетаскивания различных компонентов на холст. Моделирование машинного обучения — это простая пошаговая процедура, повышающая эффективность и снижающая затраты при создании эксперимента.

Комплексное решение
Платформа машинного обучения для ИИ с помощью сервисизации машинного обучения позволяет создать полный рабочий процесс для моделирования и применения данных машинного обучения на уровне предприятия.

Множество алгоритмов
Платформа машинного обучения для ИИ предоставляет более ста компонентов алгоритмов, охватывающих такие сценарии, как регрессия, классификация, кластеризация, анализ текста, финансы и временные ряды. Все эти компоненты протестированы на внутренних сервисах Alibaba Group и обеспечивают высокую стабильность и высокую производительность.

Мощные вычислительные возможности
Инфраструктура платформы машинного обучения для ИИ опирается на распределенные вычислительные кластеры Alibaba Cloud. Это позволяет платформе машинного обучения для искусственного интеллекта справляться с большим количеством параллельных вычислительных задач алгоритмов.

Функции

Обработка данных

Платформа машинного обучения обработки данных для ИИ предоставляет компоненты предварительной обработки данных и компоненты разработки функций для обработки данных.Компоненты предварительной обработки данных включают нормализацию, стандартизацию, выборку данных и фильтрацию данных. Компоненты проектирования функций включают преобразование функций, создание функций и оценку важности функций.

Добыча данных и анализ

Платформа машинного обучения для ИИ предоставляет компоненты статистики, компоненты машинного обучения и компоненты сетевого анализа для анализа данных. Компоненты статистики включают статистический анализ и анализ визуализации данных. Компоненты машинного обучения включают регрессию, классификацию и кластеризацию. Компоненты сетевого анализа включают распространение меток и самый большой связанный подграф.

НЛП (обработка естественного языка)

Платформа машинного обучения для ИИ предоставляет компоненты обработки текста для НЛП, включая разделение слов, фильтрацию устаревших слов, LDA, TF-IDF и суммирование текста.

Архитектура

Архитектура платформы машинного обучения для ИИ состоит из нескольких уровней. Снизу вверх уровни включают вычислительный движок, архитектуру распределенных вычислений, компонент алгоритма и сервисное приложение. Уровень вычислительного движка Платформы машинного обучения для ИИ опирается на распределенную вычислительную систему Apsara. Это позволяет платформе машинного обучения для ИИ одновременно вычислять данные EB-уровня.
Вычислительный уровень распределенной архитектуры платформы машинного обучения для ИИ обеспечивает поддержку нескольких распределенных вычислительных архитектур, таких как MPI, MR и GRAPH. Слой компонента алгоритма обеспечивает поддержку более ста алгоритмов машинного обучения.
Платформа машинного обучения для ИИ, используя собственные алгоритмы, может поддерживать несколько сценариев обслуживания, таких как рекомендации по продукту, управление финансовыми рисками и реклама на уровне приложения обслуживания.

Как это работает

Рекомендация продукта

Типичным пользовательским сценарием для машинного обучения является рекомендация продукта.В этом сценарии вы можете использовать компоненты предварительной обработки данных и разработки функций Платформы машинного обучения для искусственного интеллекта, чтобы извлечь функции из исторического покупательского поведения клиентов. Это позволяет вам обнаружить особенности, влияющие на такое покупательское поведение. Алгоритм машинного обучения затем проверяет, соответствуют ли особенности поведения клиента в отношении продукта извлеченным характеристикам. Если характеристики совпадают, то поведение определяется как обычное покупательское поведение. Основываясь на результатах, платформа машинного обучения для ИИ рекомендует покупателю соответствующие продукты для увеличения продаж.

Управление финансовыми рисками

Управление финансовыми рисками

Платформа машинного обучения для ИИ позволяет использовать финансовый алгоритм для оценки кредитных рисков. Платформа машинного обучения для ИИ предоставляет компонент оценочной карты для расчета способности ваших клиентов погасить задолженность по кредитной карте и предоставляет индексы риска, чтобы помочь финансовым учреждениям эффективно управлять рисками.

Классификация новостей

Классификация документов — классический сценарий обработки текста в новостной индустрии. Традиционно все документы классифицировались вручную, что неэффективно и требует значительной рабочей силы. Платформа машинного обучения для ИИ предоставляет большое количество компонентов анализа текста, и, изучая существующие данные классификации документов, эти компоненты могут автоматически классифицировать документы за короткий период времени.

Часто задаваемые вопросы

1. Как загрузить данные?

Чтобы загрузить данные из веб-интерфейса Платформы машинного обучения для ИИ, убедитесь, что данные не превышают 20 МБ. Чтобы загрузить данные размером более 20 МБ, необходимо загрузить клиент MaxCompute, а затем использовать команду туннелирования.

2. Как задать параметры алгоритма?

Чтобы задать параметры алгоритма, перетащите компонент алгоритма на холст и щелкните компонент. Соответствующие параметры отображаются на правой боковой панели.

3.Как просмотреть результаты эксперимента?

Если Платформа машинного обучения для ИИ успешно запустила компонент, он помечается зеленой галочкой. Вы можете щелкнуть правой кнопкой мыши компонент с зеленой галочкой, чтобы просмотреть данные или результаты оценки.

4. Как просмотреть и загрузить модель, созданную в результате эксперимента?

Чтобы сгенерировать модель, необходимо сначала выбрать «Настройка» > «Общие» > «Автоматическое создание PMML» на левой панели навигации. После успешного запуска эксперимента вы можете выбрать Модель на левой панели навигации, чтобы проверить соответствующую модель. Чтобы просмотреть параметры модели, щелкните модель правой кнопкой мыши. Чтобы загрузить модель, щелкните модель правой кнопкой мыши и выберите Загрузить PMML.

5. Что такое ПММЛ?

PMML — это стандартный файл описания модели. Файл PMML, загруженный с Платформы машинного обучения для ИИ, можно применить к механизмам с открытым исходным кодом, таким как Spark.

Сертификационный курс: Машинное обучение — прогнозирование сердечных заболеваний

На этом занятии рассказывается, как использовать облачную платформу машинного обучения Alibaba для искусственного интеллекта для создания модели прогнозирования сердечных заболеваний на основе данных, собранных у пациентов с сердечными заболеваниями.

Первоначальная цена: 10 долларов США.