CN107844836A - 一种基于机器学习的系统及学习方法 - Google Patents

一种基于机器学习的系统及学习方法 Download PDF

Info

Publication number
CN107844836A
CN107844836A CN201711001657.XA CN201711001657A CN107844836A CN 107844836 A CN107844836 A CN 107844836A CN 201711001657 A CN201711001657 A CN 201711001657A CN 107844836 A CN107844836 A CN 107844836A
Authority
CN
China
Prior art keywords
data
module
management module
training
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711001657.XA
Other languages
English (en)
Inventor
施敏
林路
陈立强
安通鉴
陈显明
赖林晓
张艺馨
吴宗祥
周伟光
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SUNYARD SYSTEM ENGINEERING Co Ltd
Original Assignee
SUNYARD SYSTEM ENGINEERING Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SUNYARD SYSTEM ENGINEERING Co Ltd filed Critical SUNYARD SYSTEM ENGINEERING Co Ltd
Priority to CN201711001657.XA priority Critical patent/CN107844836A/zh
Publication of CN107844836A publication Critical patent/CN107844836A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/151—Transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/163—Handling of whitespace
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0202—Market predictions or forecasting for commercial activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Accounting & Taxation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Evolutionary Biology (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于机器学习的系统及学习方法，其包括数据管理、数据转换、算法训练、结果评估、模型预测等五个模块，首先由数据管理模块自动判断用户上传的数据源的数据类型，并对数据进行预处理，再由用户进行数据标注；其次由数据转换模块将预处理后的数据带入特征转换算法集，得到特征转换后的数据；再由算法训练模块自动将特征转换后的数据代入分类、聚类或回归算法进行批量训练，得到一批分类、聚类或回归模型；结果评估模块将上述模型进行标准指标的评价，得出最优模型；最后由模型预测模块用最优模型对新的数据源进行预测。该系统自动化批量处理数据和算法训练，中间过程无需人工介入，降低了学习的门槛，提高了效率。

Description

一种基于机器学习的系统及学习方法
技术领域
本发明涉及计算机信息技术领域，尤其涉及到一种基于机器学习的系统及学习方法。
背景技术
随着信息技术的飞速发展，特别是云计算，大数据技术的应用，对未来各行各业的核心竞争力很大程度上依赖于将数据转换为信息和知识的速度和能力，而这种转换速度和能力，取决于数据分析、挖掘和应用水平。随着移动支付、互联网金融等新兴金融业态的不断涌现，以客户为中心，强化用户体验的服务模式将成为未来发展的重要发展方向。应用大数据技术可多方面掌握客户以及业务的有效信息，全面综合分析客户的资产负债、流动性及客户行为，有助于机构进行产品创新、精准营销和风险管理，实现数据资产向战略资产和市场竞争力的转化。
目前已知的机器学习系统包括阿里机器学习平台，百度机器学习平台，腾讯机器学习平台，它们的使用方式都是一致的，即通过统一的流程设计界面进行机器学习的流程设计，提供了多种组件(数据、抽样、转换、算法、分析等)，由开发者自行定义整个机器学习的过程，而这个过程对于不了解机器学习的人员而言，是无法快速上手，甚至是需要进行专业的机器学习培训。在流程设计过程中也需要进行多种处理方式的配置，过程繁琐，评估复杂，无法快速有效获取最优方法解决实际问题。
发明内容
针对现有技术的不足，本发明提供一种基于机器学习的系统及学习方法，该系统抛弃流程设计界面设计方式，采用自动化批量处理方式，在机器学习的流程起始点进行数据的基本配置，即可在系统处理完成后查看模型的评估结果，推荐最优模型，中间过程无须人工介入；该系统及方法能够支持用户只需要简单了解系统操作，即可快速将自己的数据通过机器学习进行应用，辅助用户的生产和经营，提高生产效率。具体技术方案如下：
一种基于机器学习的系统，其特征在于，该系统包括：
数据管理模块：用于数据源的上传，自动判断数据源的类型，对数据进行自动预处理和标注，并可视化展示处理结果；
数据转换模块：用于将预处理后的数据带入特征转换算法集，得到特征转换后的数据；
算法训练模块：用于将特征转换后的数据代入分类、聚类或回归算法进行批量训练；
结果评估模块：用于将批量训练后的模型进行标准指标的评价，得出最优模型。
模型预测模块：用最优模型对新的数据源进行结果预测。
进一步地，该系统还包括报表管理模块、日志管理模块、人员管理模块和权限管理模块。
一种如上所述的基于机器学习的系统的学习方法，其特征在于，该方法包括如下步骤：
步骤一：数据管理模块自动判断用户上传的数据源的数据类型，并对数据进行预处理；
步骤二：用户通过数据管理模块对预处理后的数据进行数据类型标注，如果用户的目标是对数据进行分类或回归，还需标注数据的目标属性列，之后数据管理模块自动分析数据，并对处理结果可视化展示；
步骤三：数据转换模块自动将步骤二处理后的数据带入特征转换算法集，得到特征转换后的数据；
步骤四：算法训练模块自动将特征转换后的数据代入分类、聚类或回归算法进行批量训练，得到一批分类、聚类或回归模型；
步骤五：结果评估模块自动将步骤四得到的一批分类、聚类或回归模型进行标准指标的评价，得出最优模型，并将结果可视化展示；
步骤六：模型预测模块用步骤五得到的最优模型对新的数据源进行结果预测，并对预测结果可视化展示。
与现有技术相比，本方案的有益效果如下：
(1)本发明的系统自动实现数据源到机器学习算法的标准输入自动转换、模型训练、效果评估过程，前台用户无感知；用户在机器学习的流程起始点进行数据的基本配置后，系统即能自动化批量处理，并可在系统处理完成后查看模型的评估结果，推荐最优结果，中间过程无须人工介入；该系统及方法能够支持用户只需要简单了解系统操作，即可快速将自己的数据通过机器学习进行应用，降低对用户的复杂数学知识要求，辅助用户的生产和经营，提高生产效率；
(2)本发明的系统根据评估结果选择最优模型，可使用户立即将该模型快速应用到生产环境。
附图说明
图1是本发明的系统的模块图；
图2是本发明的基于机器学习的方法的流程图。
具体实施方式
一种基于机器学习的系统，如图1所示，该系统包括：
数据管理模块：用于数据源的上传，自动判断数据源的类型，对数据进行自动预处理和标注，并可视化展示处理结果；
数据转换模块：用于将预处理后的数据带入特征转换算法，得到特征转换后的数据；
算法训练模块：用于将特征转换后的数据代入分类、聚类或回归算法进行批量训练；
结果评估模块：用于将批量训练后的模型进行标准指标的评价，得出最优模型；
模型预测模块：用最优模型对新的数据源进行结果预测。
报表管理模块、日志管理模块、人员管理模块和权限管理模块。
一种如上的基于机器学习的系统的学习方法，其处理流程如图2所示，该方法包括如下步骤：
步骤一：用户将自己的数据源文件(CSV格式)通过数据管理模块的文件上传页面上传；
步骤二：数据源文件在上传过程中，数据管理模块会对该数据源文件进行预处理，分析该数据源的内容，包括字段列表，字段类型(数值型/文本型/字典型)，字段统计(最大值，最小值，中位数，分位数，方差)；
步骤三：用户通过数据管理模块对预处理后的数据进行数据类型标注，如果用户的目标是对数据进行分类或回归，则需要标注数据的目标属性列，标注完成后数据管理模块自动保存数据，并对处理结果可视化展示，展示内容为数据分布图；
步骤四：数据转换模块自动将步骤三保存后的数据带入特征转换算法集，得到特征转换后的数据，特征转换算法集类型包括空值填充，文本转换，数值转换，数据降维；
步骤五：算法训练模块自动将步骤四得到的特征转换后的数据代入分类、聚类或回归算法进行批量训练，得到一批分类、聚类或回归模型；
步骤六：结果评估模块自动将步骤五得到的一批分类、聚类或回归模型进行标准指标的评价，得出最优模型，并将结果可视化展示，展示内容为评价指标比较列表，曲线分布，训练结果分布图；
步骤七：模型预测模块用步骤六得到的最优模型预测新的数据源，并对预测结果可视化展示，展示内容为预测结果分布图。

Claims (3)

1.一种基于机器学习的系统，其特征在于，该系统包括：
数据管理模块：用于数据源的上传，自动判断数据源的类型，对数据进行自动预处理和标注，并可视化展示处理结果；
数据转换模块：用于将预处理后的数据带入特征转换算法集，得到特征转换后的数据；
算法训练模块：用于将特征转换后的数据代入分类、聚类或回归算法进行批量训练；
结果评估模块：用于将批量训练后的模型进行标准指标的评价，得出最优模型。
模型预测模块：用最优模型对新的数据源进行结果预测。
2.根据权利要求1所述的学习系统，该系统还包括报表管理模块、日志管理模块、人员管理模块和权限管理模块。
3.一种如权利要求1所述的基于机器学习的系统的学习方法，其特征在于，该方法包括如下步骤：
步骤一：数据管理模块自动判断用户上传的数据源的数据类型，并对数据进行预处理；
步骤二：用户通过数据管理模块对预处理后的数据进行数据类型标注，如果用户的目标是对数据进行分类或回归，还需标注数据的目标属性列，之后数据管理模块自动分析数据，并对处理结果可视化展示；
步骤三：数据转换模块自动将步骤二处理后的数据带入特征转换算法集，得到特征转换后的数据。
步骤四：算法训练模块自动将特征转换后的数据代入分类、聚类或回归算法进行批量训练，得到一批分类、聚类或回归模型；
步骤五：结果评估模块自动将步骤四得到的一批分类、聚类或回归模型进行标准指标的评价，得出最优模型，并将结果可视化展示；
步骤六：模型预测模块用步骤五得到的最优模型，对新的数据源进行结果预测，并对该结果可视化展示。
CN201711001657.XA 2017-10-24 2017-10-24 一种基于机器学习的系统及学习方法 Pending CN107844836A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711001657.XA CN107844836A (zh) 2017-10-24 2017-10-24 一种基于机器学习的系统及学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711001657.XA CN107844836A (zh) 2017-10-24 2017-10-24 一种基于机器学习的系统及学习方法

Publications (1)

Publication Number Publication Date
CN107844836A true CN107844836A (zh) 2018-03-27

Family

ID=61662823

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711001657.XA Pending CN107844836A (zh) 2017-10-24 2017-10-24 一种基于机器学习的系统及学习方法

Country Status (1)

Country Link
CN (1) CN107844836A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596210A (zh) * 2018-03-29 2018-09-28 上海交通大学 一种机械部件对接状态的智能识别系统及方法
CN108763460A (zh) * 2018-05-28 2018-11-06 成都优易数据有限公司 一种基于sql的机器学习方法和系统
CN108932530A (zh) * 2018-06-29 2018-12-04 新华三大数据技术有限公司 标签体系的构建方法及装置
CN109102164A (zh) * 2018-07-20 2018-12-28 广东省科技基础条件平台中心 平台评估方法、装置、计算机设备和存储介质
CN109344885A (zh) * 2018-09-14 2019-02-15 深圳增强现实技术有限公司 深度学习识别系统、方法及电子设备
CN109405195A (zh) * 2018-10-31 2019-03-01 四川长虹电器股份有限公司 空调智能控制系统及方法
CN109447248A (zh) * 2018-11-09 2019-03-08 深圳增强现实技术有限公司 深度学习平台及方法
CN109726466A (zh) * 2018-12-26 2019-05-07 北京华大九天软件有限公司 一种基于机器学习训练模型的器件缓冲方法
CN109800900A (zh) * 2018-11-23 2019-05-24 南京中新赛克科技有限责任公司 一种将孤立森林算法模块化与可视化的方法
CN109978258A (zh) * 2019-03-26 2019-07-05 北京博望华科科技有限公司 基于机器学习的多数据源光伏发电量预测方法及系统
WO2019200742A1 (zh) * 2018-04-17 2019-10-24 平安科技（深圳）有限公司 短期盈利的预测方法、装置、计算机设备和存储介质
CN110728047A (zh) * 2019-10-08 2020-01-24 中国工程物理研究院化工材料研究所 一种基于机器学习性能预测含能分子计算机辅助设计系统
CN111008706A (zh) * 2019-12-09 2020-04-14 长春嘉诚信息技术股份有限公司 一种自动标注、训练、预测海量数据的处理方法
CN111105041A (zh) * 2019-12-02 2020-05-05 成都四方伟业软件股份有限公司 一种用于智慧数据碰撞的机器学习方法及装置
CN112215366A (zh) * 2020-12-07 2021-01-12 成都数联铭品科技有限公司 基于结果画像的模型解释方法、系统、计算及存储设备
US11182697B1 (en) 2019-05-03 2021-11-23 State Farm Mutual Automobile Insurance Company GUI for interacting with analytics provided by machine-learning services
CN113936183A (zh) * 2021-09-10 2022-01-14 南方电网深圳数字电网研究院有限公司 基于模型训练的数据预测方法及装置
US11392855B1 (en) 2019-05-03 2022-07-19 State Farm Mutual Automobile Insurance Company GUI for configuring machine-learning services

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779087A (zh) * 2016-11-30 2017-05-31 福建亿榕信息技术有限公司 一种通用机器学习数据分析平台
CN107229976A (zh) * 2017-06-08 2017-10-03 郑州云海信息技术有限公司 一种基于spark的分布式机器学习系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779087A (zh) * 2016-11-30 2017-05-31 福建亿榕信息技术有限公司 一种通用机器学习数据分析平台
CN107229976A (zh) * 2017-06-08 2017-10-03 郑州云海信息技术有限公司 一种基于spark的分布式机器学习系统

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108596210A (zh) * 2018-03-29 2018-09-28 上海交通大学 一种机械部件对接状态的智能识别系统及方法
CN108596210B (zh) * 2018-03-29 2020-12-01 上海交通大学 一种机械部件对接状态的智能识别系统及方法
WO2019200742A1 (zh) * 2018-04-17 2019-10-24 平安科技（深圳）有限公司 短期盈利的预测方法、装置、计算机设备和存储介质
CN108763460A (zh) * 2018-05-28 2018-11-06 成都优易数据有限公司 一种基于sql的机器学习方法和系统
CN108932530A (zh) * 2018-06-29 2018-12-04 新华三大数据技术有限公司 标签体系的构建方法及装置
CN109102164A (zh) * 2018-07-20 2018-12-28 广东省科技基础条件平台中心 平台评估方法、装置、计算机设备和存储介质
CN109344885A (zh) * 2018-09-14 2019-02-15 深圳增强现实技术有限公司 深度学习识别系统、方法及电子设备
CN109405195A (zh) * 2018-10-31 2019-03-01 四川长虹电器股份有限公司 空调智能控制系统及方法
CN109447248A (zh) * 2018-11-09 2019-03-08 深圳增强现实技术有限公司 深度学习平台及方法
CN109800900A (zh) * 2018-11-23 2019-05-24 南京中新赛克科技有限责任公司 一种将孤立森林算法模块化与可视化的方法
CN109726466A (zh) * 2018-12-26 2019-05-07 北京华大九天软件有限公司 一种基于机器学习训练模型的器件缓冲方法
CN109978258A (zh) * 2019-03-26 2019-07-05 北京博望华科科技有限公司 基于机器学习的多数据源光伏发电量预测方法及系统
US11182697B1 (en) 2019-05-03 2021-11-23 State Farm Mutual Automobile Insurance Company GUI for interacting with analytics provided by machine-learning services
US11392855B1 (en) 2019-05-03 2022-07-19 State Farm Mutual Automobile Insurance Company GUI for configuring machine-learning services
CN110728047A (zh) * 2019-10-08 2020-01-24 中国工程物理研究院化工材料研究所 一种基于机器学习性能预测含能分子计算机辅助设计系统
CN111105041A (zh) * 2019-12-02 2020-05-05 成都四方伟业软件股份有限公司 一种用于智慧数据碰撞的机器学习方法及装置
CN111105041B (zh) * 2019-12-02 2022-12-23 成都四方伟业软件股份有限公司 一种用于智慧数据碰撞的机器学习方法及装置
CN111008706A (zh) * 2019-12-09 2020-04-14 长春嘉诚信息技术股份有限公司 一种自动标注、训练、预测海量数据的处理方法
CN111008706B (zh) * 2019-12-09 2023-05-05 长春嘉诚信息技术股份有限公司 一种自动标注、训练、预测海量数据的处理方法
CN112215366A (zh) * 2020-12-07 2021-01-12 成都数联铭品科技有限公司 基于结果画像的模型解释方法、系统、计算及存储设备
CN112215366B (zh) * 2020-12-07 2021-03-02 成都数联铭品科技有限公司 基于结果画像的模型解释方法、系统、计算及存储设备
CN113936183A (zh) * 2021-09-10 2022-01-14 南方电网深圳数字电网研究院有限公司 基于模型训练的数据预测方法及装置

Similar Documents

Publication Publication Date Title
CN107844836A (zh) 一种基于机器学习的系统及学习方法
Li et al. KG4Vis: A knowledge graph-based approach for visualization recommendation
De Koninck et al. act2vec, trace2vec, log2vec, and model2vec: Representation Learning for Business Processes
CN111240662A (zh) 一种基于任务可视化拖拽的spark机器学习系统及学习方法
Almeida Benefits, challenges and tools of big data management.
Harfoushi et al. Sentiment analysis algorithms through azure machine learning: Analysis and comparison
CN104809188B (zh) 一种企业人才流失的数据挖掘分析方法及装置
CN107871166B (zh) 针对机器学习的特征处理方法及特征处理系统
KR102179890B1 (ko) 텍스트 데이터 수집 및 분석을 위한 시스템
CN113722493A (zh) 文本分类的数据处理方法、设备、存储介质及程序产品
CN112598443A (zh) 一种基于深度学习的线上渠道业务数据处理方法及系统
CN112348662B (zh) 基于用户职业预测的风险评估方法、装置和电子设备
Corallo et al. Evaluating maturity level of big data management and analytics in industrial companies
Sivathapandi et al. Enhancing Cloud-Native CI/CD Pipelines with AI-Driven Automation and Predictive Analytics
Chang et al. Underground abnormal sensor condition detection based on gas monitoring data and deep learning image feature engineering
Ghule et al. An Evaluation of the Impact of AI on Data Access Optimization Performance
CN116012019B (zh) 一种基于大数据分析的金融风控管理系统
CN111352820A (zh) 一种高性能应用运行状态预测和监控方法、设备和装置
CN114969018B (zh) 一种数据监控方法及系统
CN116563035A (zh) 医保数据的分析方法及装置、电子设备和存储介质
US20200192973A1 (en) Classification of non-time series data
CN113518983A (zh) 用于处理大宽数据的过程控制工具
CN115579069A (zh) scRNA-Seq细胞类型注释数据库的构建方法、装置及电子设备
CN113723093B (zh) 人员管理策略推荐方法、装置、计算机设备及存储介质
EP3855316A1 (en) Optimizing breakeven points for enhancing system performance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Xinyada technology building, 3888 Jiangnan Avenue, Binjiang District, Hangzhou City, Zhejiang Province 310051

Applicant after: Sinyada Technology Co.,Ltd.

Address before: Xinyada technology building, 3888 Jiangnan Avenue, Binjiang District, Hangzhou City, Zhejiang Province 310051

Applicant before: SUNYARD SYSTEM ENGINEERING Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180327