CN108021986A - 电子装置、多模型样本训练方法和计算机可读存储介质 - Google Patents
电子装置、多模型样本训练方法和计算机可读存储介质 Download PDFInfo
- Publication number
- CN108021986A CN108021986A CN201711056980.7A CN201711056980A CN108021986A CN 108021986 A CN108021986 A CN 108021986A CN 201711056980 A CN201711056980 A CN 201711056980A CN 108021986 A CN108021986 A CN 108021986A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- learning model
- training
- trained
- model
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开一种电子装置、多模型样本训练方法和计算机可读存储介质,其中,该方法包括:接收用户上传的样本数据,确定所述样本数据的数据属性,所述数据属性包括类型和数量;根据预先确定的机器学习模型与样本数据的数据属性的映射关系,确定所述样本数据的数据属性对应的机器学习模型;将所述确定的机器学习模型分别对所述样本数据进行训练;分析训练完成后得到的各个机器学习模型的训练结果,将符合预设条件的训练结果在显示界面上展示。本发明技术方案避免了经验不足的用户由于模型的选择错误而导致训练结果很差的情况发生,解决了用户花费太多时间重复训练模型而对工作进度的影响的问题。
Description
技术领域
本发明涉及机器学习模型训练领域,特别涉及一种电子装置、多模型样本训练方法和计算机可读存储介质。
背景技术
目前,业内在使用机器学习训练样本时,需要手动选择一些机器学习模型,然后用选择的机器学习模型对样本数据进行训练,得到一个分类器。然而,这种需要自行选择模型的方式对初级或基础不扎实的用户而言,难度比较大,很容易发生因为模型选择错误而导致得到的分类器的效果较差,不符合要求,需要重新选择模型进行训练,而重复训练花费太多时间,严重影响用户的工作进度。
发明内容
本发明提供一种电子装置、多模型样本训练方法和计算机可读存储介质,旨在解决经验不足的用户花费太多时间重复训练模型而对工作进度的影响。
为实现上述目的,本发明提出的电子装置,包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的多模型样本训练系统,所述多模型样本训练系统被所述处理器执行时实现如下步骤:
A、接收用户上传的样本数据,确定所述样本数据的数据属性,所述数据属性包括类型和数量;
B、根据预先确定的机器学习模型与样本数据的数据属性的映射关系,确定所述样本数据的数据属性对应的机器学习模型;
C、将所述确定的机器学习模型分别对所述样本数据进行训练;
D、分析训练完成后得到的各个机器学习模型的训练结果,将符合预设条件的训练结果在显示界面上展示。
优选地,所述步骤C替换为:
C1、将所述确定的机器学习模型在操作界面上展示,以供用户选择待训练的机器学习模型;
C2、在接收到用户基于所述操作界面选择的待训练的机器学习模型后,将所述待训练的机器学习模型分别对所述样本数据进行训练。
优选地,所述步骤C2包括:
在接收到用户基于所述操作界面选择的待训练的机器学习模型后,在操作界面上显示各个待训练的机器学习模型的参数设置界面;
在各个带训练的机器学习模型完成参数设置后,采用所述待训练的机器学习模型分别对所述样本数据进行训练。
优选地,所述训练结果包括机器学习模型训练的准确率和损失函数曲线;所述预设条件为:准确率大于预设值,或准确率降序排名的前预设名。
本发明还提出一种多模型样本训练方法,该方法包括步骤:
E、接收用户上传的样本数据,确定所述样本数据的数据属性,所述数据属性包括类型和数量;
F、根据预先确定的机器学习模型与样本数据的数据属性的映射关系,确定所述样本数据的数据属性对应的机器学习模型;
G、将所述确定的机器学习模型分别对所述样本数据进行训练;
H、分析训练完成后得到的各个机器学习模型的训练结果,将符合预设条件的训练结果在显示界面上展示。
优选地,所述步骤G替换为:
G1、将所述确定的机器学习模型在操作界面上展示,以供用户选择待训练的机器学习模型;
G2、在接收到用户基于所述操作界面选择的待训练的机器学习模型后,将所述待训练的机器学习模型分别对所述样本数据进行训练。
优选地,所述步骤G2包括:
在接收到用户基于所述操作界面选择的待训练的机器学习模型后,在操作界面上显示各个待训练的机器学习模型的参数设置界面;
在各个带训练的机器学习模型完成参数设置后,采用所述待训练的机器学习模型分别对所述样本数据进行训练。
优选地,所述训练结果包括机器学习模型训练的准确率和损失函数曲线;所述预设条件为:准确率大于预设值,或准确率降序排名的前预设名。
本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有多模型样本训练系统,所述多模型样本训练系统可被至少一个处理器执行,以使所述至少一个处理器执行以下步骤:
接收用户上传的样本数据,确定所述样本数据的数据属性,所述数据属性包括类型和数量;
根据预先确定的机器学习模型与样本数据的数据属性的映射关系,确定所述样本数据的数据属性对应的机器学习模型;
将所述确定的机器学习模型分别对所述样本数据进行训练;
分析训练完成后得到的各个机器学习模型的训练结果,将符合预设条件的训练结果在显示界面上展示。
优选地,所述将所述确定的机器学习模型分别对所述样本数据进行训练的步骤替换为:
将所述确定的机器学习模型在操作界面上展示,以供用户选择待训练的机器学习模型;
在接收到用户基于所述操作界面选择的待训练的机器学习模型后,将所述待训练的机器学习模型分别对所述样本数据进行训练。
本发明技术方案,在系统中预先设置机器学习模型与样本数据的数据属性的映射关系,当接收到用户上传的样本数据后,先对样本数据的数据属性进行分析确定,在根据系统中机器学习模型与样本数据的数据属性的映射关系,确定出针对当前样本数据训练效果较佳的机器学习模型(可能是一个,也可能是多个),将确定的机器学习模型分别对该样本数据进行训练,训练完成后,将各个机器学习模型的训练结果中,符合预设条件的训练结果在显示界面上进行展示,以供用户查看并挑选最佳的机器学习模型。即本方案采用系统根据用户上传的样本数据自动确定合适且训练效果好的一个或多个机器学习模型,对样本数据进行训练,并在训练结束后将较好的训练结果展示给用户,让用户可以一次性准确的挑选到最佳的模型,且整个过程无需花费;与现有技术的用户自行选择模型对样本数据训练的方式相比,本方案避免了经验不足的用户由于模型的选择错误而导致训练结果很差的情况发生,解决了用户花费太多时间重复训练模型而对工作进度的影响的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明多模型样本训练方法一实施例的流程示意图;
图2为本发明多模型样本训练方法二实施例的流程示意图;
图3为本发明多模型样本训练方法三实施例的流程示意图;
图4为本发明多模型样本训练系统较佳实施例的运行环境示意图;
图5为本发明多模型样本训练系统一实施例的程序模块图;
图6为本发明多模型样本训练系统二实施例的程序模块图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
如图1所示,图1为本发明多模型样本训练方法一实施例的流程示意图。
本实施例中,该多模型样本训练方法包括:
步骤S10,接收用户上传的样本数据,确定所述样本数据的数据属性,所述数据属性包括类型和数量;
当用户上传样本数据后,系统接收该样本数据对其数据属性进行分析,以确定该样本数据的类型及数量。其中,样本数据的类型主要包括图像数据及预测连续数值的数据(例如股市行情),另外,图像数据也可能为预测连续数值的数据(例如,人脸姿态校正的视频是时间序列的图像数据)。
步骤S20,根据预先确定的机器学习模型与样本数据的数据属性的映射关系,确定所述样本数据的数据属性对应的机器学习模型;
系统中具有各种机器学习模型,其中包括传统机器学习模型:随机森林、SVM、朴素贝叶斯、knn、gbdt、xgboost、LR等,以及深度学习模型:lenet、alexnet、vggnet、resnet、inception-v1、inception-resnet、sgd、fast-rcnn等。系统中预先设置了机器学习模型与样本数据的数据属性的映射关系,即针对样本数据的不同数据属性(即不同类型及/或不同数量),系统中均设置了相应的适合且训练效果较好的机器学习模型与之关联对应。例如,在所述样本数据的类型为图像数据且数量大于A(例如10000张)时,确定与该样本数据的样本属性(类型和数量)相对应的为一个或多个卷积神经网络(CNN)模型(各个卷积神经网络模型为层数不同);在所述样本数据的类型为图像数据且数量不超过A(例如10000张)时,确定与该样本数据的样本属性(类型和数量)相对应的为支持向量机(SVM)模型(或还包括其它多个类型的模型);在所述样本数据的类型为预测连续数值的数据时,确定对应的模型为选择回归模型或者更多其它类型模型。因此,当确定了接收到的样本数据的类型和数量后,则根据系统中的预先确定的机器学习模型与样本数据的数据属性的映射关系,确定当前样本数据对应的合适且训练效果好的一个或多个机器学习模型。
步骤S30,将所述确定的机器学习模型分别对所述样本数据进行训练;
系统在确定机器学习模型后,将确定的各个机器学习模型分别对该样本数据进行训练,系统在确定的各个机器学习模型训练完成后,得到各个机器学习模型的训练结果。
步骤S40,分析训练完成后得到的各个机器学习模型的训练结果,将符合预设条件的训练结果在显示界面上展示。
本实施例中,所述训练结果包括训练完成后的机器学习模型的准确率和损失函数曲线;所述预设条件优选为:准确率大于预设值(例如95%),或准确率降序排名的前预设名(例如前3名);当然,在其它实施例中,所述预设条件还可为其它方案。系统在得到各个机器学习模型的训练结果后,根据所述预设条件筛选训练结果,将筛选后得到的训练结果在显示界面上展示,以将较佳的训练结果展示给用户看,用户则可根据挑选训练结果最优的机器学习模型进行使用。
本实施例技术方案,在系统中预先设置机器学习模型与样本数据的数据属性的映射关系,当接收到用户上传的样本数据后,先对样本数据的数据属性进行分析确定,在根据系统中机器学习模型与样本数据的数据属性的映射关系,确定出针对当前样本数据训练效果较佳的机器学习模型(可能是一个,也可能是多个),将确定的机器学习模型分别对该样本数据进行训练,训练完成后,将各个机器学习模型的训练结果中,符合预设条件的训练结果在显示界面上进行展示,以供用户查看并挑选最佳的机器学习模型。即本方案采用系统根据用户上传的样本数据自动确定合适且训练效果好的一个或多个机器学习模型,对样本数据进行训练,并在训练结束后将较好的训练结果展示给用户,让用户可以一次性准确的挑选到最佳的模型,且整个过程无需花费;与现有技术的用户自行选择模型对样本数据训练的方式相比,本方案避免了经验不足的用户由于模型的选择错误而导致训练结果很差的情况发生,解决了用户花费太多时间重复训练模型而对工作进度的影响的问题。
如图2所示,图2为本发明多模型样本训练方法二实施例流程示意图;本实施例多模型样本训练方法将所述步骤S30替换为:
步骤S31,将所述确定的机器学习模型在操作界面上展示,以供用户选择待训练的机器学习模型;
系统在确定当前样本数据对应的机器学习模型后,将确定的机器学习模型展示在一个操作界面上,以供用户在操作界面上选择待训练的机器学习模型,用户可以在所述操作界面上只选择一个机器学习模型待训练,也可以选择多个或全部机器学习模型待训练。
步骤S32,在接收到用户基于所述操作界面选择的待训练的机器学习模型后,将所述待训练的机器学习模型分别对所述样本数据进行训练。
系统在接收到用户在所述操作界面上选择的待训练的机器学习模型后,将这些待训练的机器学习模型分别对所述样本数据进行训练。
本实施例的方案,使用户在系统根据当前样本数据确定的对应的机器学习模型中,可以自行选择哪个或哪几个机器学习模型对样本数据进行训练。
另外,在其它实施例中,还可在步骤S32之前,增加实现用户可在操作界面上自行添加机器学习模型的步骤,以使专业的研发人员可根据自己的计划增加更多的机器学习模型进行样本训练。
如图3所示,为本发明多模型样本训练方法三实施例的流程示意图,本实施例基于二实施例,在本实施例中,所述步骤S32包括:
步骤S321,在接收到用户基于所述操作界面选择的待训练的机器学习模型后,在操作界面上显示各个待训练的机器学习模型的参数设置界面;
系统在接收到用户选择的待训练的机器学习模型后,在操作界面上弹出各个待训练机器学习模型的参数设置界面,以供用户对各个待训练机器学习模型的参数进行调节;对于模型训练方面的资深用户来说,用户可根据自己的经验在参数设置界面上自行调整相应参数;当然,各个机器学习模型都有默认的参数,这些默认参数通常是能达到较好的训练效果,因此,对于对模型训练的初级用户,则可以不对参数设置界面中的参数进行调节,直接使用默认的参数。
步骤S322,在各个带训练的机器学习模型完成参数设置后,采用所述待训练的机器学习模型分别对所述样本数据进行训练。
当系统检测到各个待训练的机器学习模型完成参数设置(例如,所述操作界面上有“完成设置”控件,用户点击该“完成设置”控件,系统则确定到用户完成参数设置),系统则将各个待训练的机器学习模型分别对所述样本数据进行训练。
本实施例方案,通过在用户选择待训练的机器学习模型后,对应弹出各个待训练机器学习模型的参数设置界面,可供比较专业的用户可根据自己的经验自行对调节较佳的参数,并且对于不太专业的用户来说,则可以直接使用机器学习模型默认的参数,无需进行参数调节;这样更加的符合不同专业级别的用户的使用需求。
此外,本发明还提出一种多模型样本训练系统。
请参阅图4,是本发明多模型样本训练系统10较佳实施例的运行环境示意图。
在本实施例中,多模型样本训练系统10安装并运行于电子装置1中。电子装置1可以是桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子装置1可包括,但不仅限于,存储器11、处理器12及显示器13。图4仅示出了具有组件11-13的电子装置1,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器11在一些实施例中可以是电子装置1的内部存储单元,例如该电子装置1的硬盘或内存。存储器11在另一些实施例中也可以是电子装置1的外部存储设备,例如电子装置1上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器11还可以既包括电子装置1的内部存储单元也包括外部存储设备。存储器11用于存储安装于电子装置1的应用软件及各类数据,例如多模型样本训练系统10的程序代码等。存储器11还可以用于暂时地存储已经输出或者将要输出的数据。
处理器12在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器11中存储的程序代码或处理数据,例如执行多模型样本训练系统10等。
显示器13在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器13用于显示在电子装置1中处理的信息以及用于显示可视化的用户界面,例如业务定制界面等。电子装置1的部件11-13通过系统总线相互通信。
请参阅图5,是本发明多模型样本训练系统10一实施例的程序模块图。在本实施例中,多模型样本训练系统10可以被分割成一个或多个模块,一个或者多个模块被存储于存储器11中,并由一个或多个处理器(本实施例为处理器12)所执行,以完成本发明。例如,在图5中,多模型样本训练系统10可以被分割成第一确定模块101、第二确定模块102、第一训练模块103及分析模块104。本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述多模型样本训练系统10在电子装置1中的执行过程,其中:
第一确定模块101,用于接收用户上传的样本数据,确定所述样本数据的数据属性,所述数据属性包括类型和数量;
当用户上传样本数据后,系统接收该样本数据对其数据属性进行分析,以确定该样本数据的类型及数量。其中,样本数据的类型主要包括图像数据及预测连续数值的数据(例如股市行情),另外,图像数据也可能为预测连续数值的数据(例如,人脸姿态校正的视频是时间序列的图像数据)。
第二确定模块102,用于根据预先确定的机器学习模型与样本数据的数据属性的映射关系,确定所述样本数据的数据属性对应的机器学习模型;
系统中具有各种机器学习模型,其中包括传统机器学习模型:随机森林、SVM、朴素贝叶斯、knn、gbdt、xgboost、LR等,以及深度学习模型:lenet、alexnet、vggnet、resnet、inception-v1、inception-resnet、sgd、fast-rcnn等。系统中预先设置了机器学习模型与样本数据的数据属性的映射关系,即针对样本数据的不同数据属性(即不同类型及/或不同数量),系统中均设置了相应的适合且训练效果较好的机器学习模型与之关联对应。例如,在所述样本数据的类型为图像数据且数量大于A(例如10000张)时,确定与该样本数据的样本属性(类型和数量)相对应的为一个或多个卷积神经网络(CNN)模型(各个卷积神经网络模型为层数不同);在所述样本数据的类型为图像数据且数量不超过A(例如10000张)时,确定与该样本数据的样本属性(类型和数量)相对应的为支持向量机(SVM)模型(或还包括其它多个类型的模型);在所述样本数据的类型为预测连续数值的数据时,确定对应的模型为选择回归模型或者更多其它类型模型。因此,当确定了接收到的样本数据的类型和数量后,则根据系统中的预先确定的机器学习模型与样本数据的数据属性的映射关系,确定当前样本数据对应的合适且训练效果好的一个或多个机器学习模型。
第一训练模块103,用于将所述确定的机器学习模型分别对所述样本数据进行训练;
系统在确定机器学习模型后,将确定的各个机器学习模型分别对该样本数据进行训练,系统在确定的各个机器学习模型训练完成后,得到各个机器学习模型的训练结果。
分析模块104,用于分析训练完成后得到的各个机器学习模型的训练结果,将符合预设条件的训练结果在显示界面上展示。
本实施例中,所述训练结果包括训练完成后的机器学习模型的准确率和损失函数曲线;所述预设条件优选为:准确率大于预设值(例如95%),或准确率降序排名的前预设名(例如前3名);当然,在其它实施例中,所述预设条件还可为其它方案。系统在得到各个机器学习模型的训练结果后,根据所述预设条件筛选训练结果,将筛选后得到的训练结果在显示界面上展示,以将较佳的训练结果展示给用户看,用户则可根据挑选训练结果最优的机器学习模型进行使用。
本实施例技术方案,在系统中预先设置机器学习模型与样本数据的数据属性的映射关系,当接收到用户上传的样本数据后,先对样本数据的数据属性进行分析确定,在根据系统中机器学习模型与样本数据的数据属性的映射关系,确定出针对当前样本数据训练效果较佳的机器学习模型(可能是一个,也可能是多个),将确定的机器学习模型分别对该样本数据进行训练,训练完成后,将各个机器学习模型的训练结果中,符合预设条件的训练结果在显示界面上进行展示,以供用户查看并挑选最佳的机器学习模型。即本方案采用系统根据用户上传的样本数据自动确定合适且训练效果好的一个或多个机器学习模型,对样本数据进行训练,并在训练结束后将较好的训练结果展示给用户,让用户可以一次性准确的挑选到最佳的模型,且整个过程无需花费;与现有技术的用户自行选择模型对样本数据训练的方式相比,本方案避免了经验不足的用户由于模型的选择错误而导致训练结果很差的情况发生,解决了用户花费太多时间重复训练模型而对工作进度的影响的问题。
参阅图6,本实施例多模型样本训练系统,将所述第一训练模块103替换为第二训练模块105,该第二训练模块包括:
展示子模块1051,用于将所述确定的机器学习模型在操作界面上展示,以供用户选择待训练的机器学习模型;
系统在确定当前样本数据对应的机器学习模型后,将确定的机器学习模型展示在一个操作界面上,以供用户在操作界面上选择待训练的机器学习模型,用户可以在所述操作界面上只选择一个机器学习模型待训练,也可以选择多个或全部机器学习模型待训练。
训练子模块1052,用于在接收到用户基于所述操作界面选择的待训练的机器学习模型后,将所述待训练的机器学习模型分别对所述样本数据进行训练。
系统在接收到用户在所述操作界面上选择的待训练的机器学习模型后,将这些待训练的机器学习模型分别对所述样本数据进行训练。
本实施例的方案,使用户在系统根据当前样本数据确定的对应的机器学习模型中,可以自行选择哪个或哪几个机器学习模型对样本数据进行训练。
另外,在其它实施例中,还可在增加用于添加机器学习模型的程序模块,以实现用户可在操作界面上自行添加机器学习模型的步骤,使专业的研发人员可根据自己的计划增加更多的机器学习模型进行样本训练。
进一步地,本实施例中,所述训练子模块1052包括:
显示单元,用于用于在接收到用户基于所述操作界面选择的待训练的机器学习模型后,在操作界面上显示各个待训练的机器学习模型的参数设置界面;
系统在接收到用户选择的待训练的机器学习模型后,在操作界面上弹出各个待训练机器学习模型的参数设置界面,以供用户对各个待训练机器学习模型的参数进行调节;对于模型训练方面的资深用户来说,用户可根据自己的经验在参数设置界面上自行调整相应参数;当然,各个机器学习模型都有默认的参数,这些默认参数通常是能达到较好的训练效果,因此,对于对模型训练的初级用户,则可以不对参数设置界面中的参数进行调节,直接使用默认的参数。
训练单元,用于在各个带训练的机器学习模型完成参数设置后,采用所述待训练的机器学习模型分别对所述样本数据进行训练。
当系统检测到各个待训练的机器学习模型完成参数设置(例如,所述操作界面上有“完成设置”控件,用户点击该“完成设置”控件,系统则确定到用户完成参数设置),系统则将各个待训练的机器学习模型分别对所述样本数据进行训练。
本实施例方案,通过在用户选择待训练的机器学习模型后,对应弹出各个待训练机器学习模型的参数设置界面,可供比较专业的用户可根据自己的经验自行对调节较佳的参数,并且对于不太专业的用户来说,则可以直接使用机器学习模型默认的参数,无需进行参数调节;这样更加的符合不同专业级别的用户的使用需求。
进一步地,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质存储有多模型样本训练系统,所述多模型样本训练系统可被至少一个处理器执行,以使所述至少一个处理器执行上述任一实施例中的多模型样本训练方法。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种电子装置,其特征在于,所述电子装置包括存储器、处理器,所述存储器上存储有可在所述处理器上运行的多模型样本训练系统,所述多模型样本训练系统被所述处理器执行时实现如下步骤:
A、接收用户上传的样本数据,确定所述样本数据的数据属性,所述数据属性包括类型和数量;
B、根据预先确定的机器学习模型与样本数据的数据属性的映射关系,确定所述样本数据的数据属性对应的机器学习模型;
C、将所述确定的机器学习模型分别对所述样本数据进行训练;
D、分析训练完成后得到的各个机器学习模型的训练结果,将符合预设条件的训练结果在显示界面上展示。
2.如权利要求1所述的电子装置,其特征在于,所述步骤C替换为:
C1、将所述确定的机器学习模型在操作界面上展示,以供用户选择待训练的机器学习模型;
C2、在接收到用户基于所述操作界面选择的待训练的机器学习模型后,将所述待训练的机器学习模型分别对所述样本数据进行训练。
3.如权利要求2所述的电子装置,其特征在于,所述步骤C2包括:
在接收到用户基于所述操作界面选择的待训练的机器学习模型后,在操作界面上显示各个待训练的机器学习模型的参数设置界面;
在各个带训练的机器学习模型完成参数设置后,采用所述待训练的机器学习模型分别对所述样本数据进行训练。
4.如权利要求1-3中任意一项所述的电子装置,其特征在于,所述训练结果包括机器学习模型训练的准确率和损失函数曲线;所述预设条件为:准确率大于预设值,或准确率降序排名的前预设名。
5.一种多模型样本训练方法,其特征在于,该方法包括步骤:
E、接收用户上传的样本数据,确定所述样本数据的数据属性,所述数据属性包括类型和数量;
F、根据预先确定的机器学习模型与样本数据的数据属性的映射关系,确定所述样本数据的数据属性对应的机器学习模型;
G、将所述确定的机器学习模型分别对所述样本数据进行训练;
H、分析训练完成后得到的各个机器学习模型的训练结果,将符合预设条件的训练结果在显示界面上展示。
6.如权利要求5所述的多模型样本训练方法,其特征在于,所述步骤G替换为:
G1、将所述确定的机器学习模型在操作界面上展示,以供用户选择待训练的机器学习模型;
G2、在接收到用户基于所述操作界面选择的待训练的机器学习模型后,将所述待训练的机器学习模型分别对所述样本数据进行训练。
7.如权利要求6所述的多模型样本训练方法,其特征在于,所述步骤G2包括:
在接收到用户基于所述操作界面选择的待训练的机器学习模型后,在操作界面上显示各个待训练的机器学习模型的参数设置界面;
在各个带训练的机器学习模型完成参数设置后,采用所述待训练的机器学习模型分别对所述样本数据进行训练。
8.如权利要求5-7中任意一项所述的多模型样本训练方法,其特征在于,所述训练结果包括机器学习模型训练的准确率和损失函数曲线;所述预设条件为:准确率大于预设值,或准确率降序排名的前预设名。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多模型样本训练系统,所述多模型样本训练系统可被至少一个处理器执行,以使所述至少一个处理器执行以下步骤:
接收用户上传的样本数据,确定所述样本数据的数据属性,所述数据属性包括类型和数量;
根据预先确定的机器学习模型与样本数据的数据属性的映射关系,确定所述样本数据的数据属性对应的机器学习模型;
将所述确定的机器学习模型分别对所述样本数据进行训练;
分析训练完成后得到的各个机器学习模型的训练结果,将符合预设条件的训练结果在显示界面上展示。
10.如权利要求9所述的计算机可读存储介质,其特征在于,所述将所述确定的机器学习模型分别对所述样本数据进行训练的步骤替换为:
将所述确定的机器学习模型在操作界面上展示,以供用户选择待训练的机器学习模型;
在接收到用户基于所述操作界面选择的待训练的机器学习模型后,将所述待训练的机器学习模型分别对所述样本数据进行训练。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711056980.7A CN108021986A (zh) | 2017-10-27 | 2017-10-27 | 电子装置、多模型样本训练方法和计算机可读存储介质 |
PCT/CN2018/089427 WO2019080501A1 (zh) | 2017-10-27 | 2018-06-01 | 电子装置、多模型样本训练方法、系统和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711056980.7A CN108021986A (zh) | 2017-10-27 | 2017-10-27 | 电子装置、多模型样本训练方法和计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108021986A true CN108021986A (zh) | 2018-05-11 |
Family
ID=62080432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711056980.7A Pending CN108021986A (zh) | 2017-10-27 | 2017-10-27 | 电子装置、多模型样本训练方法和计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108021986A (zh) |
WO (1) | WO2019080501A1 (zh) |
Cited By (38)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665072A (zh) * | 2018-05-23 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种基于云架构的机器学习算法全过程训练方法及系统 |
CN109522343A (zh) * | 2018-11-27 | 2019-03-26 | 广东小天才科技有限公司 | 一种学习进度的智能检测方法及电子设备 |
WO2019080501A1 (zh) * | 2017-10-27 | 2019-05-02 | 平安科技(深圳)有限公司 | 电子装置、多模型样本训练方法、系统和计算机可读存储介质 |
CN109800048A (zh) * | 2019-01-22 | 2019-05-24 | 深圳魔数智擎科技有限公司 | 模型的结果展示方法、计算机可读存储介质及计算机设备 |
CN110135524A (zh) * | 2019-05-29 | 2019-08-16 | 北京迈格威科技有限公司 | 自动化的模型训练方法、装置、设备及介质 |
CN110689134A (zh) * | 2018-07-05 | 2020-01-14 | 第四范式(北京)技术有限公司 | 执行机器学习过程的方法、装置、设备以及存储介质 |
CN110738303A (zh) * | 2018-07-18 | 2020-01-31 | 科沃斯机器人股份有限公司 | 机器模型更新方法、设备、系统及存储介质 |
WO2020029689A1 (zh) * | 2018-08-07 | 2020-02-13 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN110837718A (zh) * | 2019-11-07 | 2020-02-25 | 交控科技股份有限公司 | 道岔故障检测方法、装置、电子设备及存储介质 |
CN110858290A (zh) * | 2018-08-24 | 2020-03-03 | 比亚迪股份有限公司 | 驾驶员异常行为识别方法、装置、设备及存储介质 |
CN110895718A (zh) * | 2018-09-07 | 2020-03-20 | 第四范式(北京)技术有限公司 | 用于训练机器学习模型的方法及系统 |
CN111191558A (zh) * | 2019-12-25 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种机器人及其人脸识别示教方法和存储介质 |
CN111831322A (zh) * | 2020-04-15 | 2020-10-27 | 中国人民解放军军事科学院战争研究院 | 一种面向多层次用户的机器学习参数配置方法 |
CN111915019A (zh) * | 2020-08-07 | 2020-11-10 | 平安科技(深圳)有限公司 | 联邦学习方法、系统、计算机设备和存储介质 |
CN112784181A (zh) * | 2019-11-08 | 2021-05-11 | 阿里巴巴集团控股有限公司 | 信息展示、图像处理方法及设备、信息展示装置 |
CN112966439A (zh) * | 2021-03-05 | 2021-06-15 | 北京金山云网络技术有限公司 | 机器学习模型训练方法、装置以及虚拟实验箱 |
CN113495963A (zh) * | 2020-03-19 | 2021-10-12 | 复旦大学 | 网络安全知识图谱的嵌入表示方法及装置 |
CN113673706A (zh) * | 2020-05-15 | 2021-11-19 | 富泰华工业(深圳)有限公司 | 机器学习模型训练方法、装置及电子设备 |
US11244313B2 (en) | 2019-01-31 | 2022-02-08 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing declarative smart actions for coins and assets transacted onto a blockchain using distributed ledger technology (DLT) |
US11257073B2 (en) * | 2018-01-31 | 2022-02-22 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing machine learning models for smart contracts using distributed ledger technologies in a cloud based computing environment |
US11288280B2 (en) | 2018-10-31 | 2022-03-29 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing consumer data validation, matching, and merging across tenants with optional verification prompts utilizing blockchain |
US11431693B2 (en) | 2018-01-31 | 2022-08-30 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for seeding community sidechains with consent written onto a blockchain interfaced with a cloud based computing environment |
US11488176B2 (en) | 2019-01-31 | 2022-11-01 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing certificates of authenticity of digital twins transacted onto a blockchain using distributed ledger technology (DLT) |
US11568437B2 (en) | 2018-10-31 | 2023-01-31 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing commerce rewards across tenants for commerce cloud customers utilizing blockchain |
US11611560B2 (en) | 2020-01-31 | 2023-03-21 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing consensus on read via a consensus on write smart contract trigger for a distributed ledger technology (DLT) platform |
US11743137B2 (en) | 2019-04-26 | 2023-08-29 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing a metadata driven rules engine on blockchain using distributed ledger technology (DLT) |
US11783024B2 (en) | 2019-01-31 | 2023-10-10 | Salesforce, Inc. | Systems, methods, and apparatuses for protecting consumer data privacy using solid, blockchain and IPFS integration |
US11803537B2 (en) | 2019-01-31 | 2023-10-31 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing an SQL query and filter mechanism for blockchain stored data using distributed ledger technology (DLT) |
US11811769B2 (en) | 2019-01-31 | 2023-11-07 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing a declarative, metadata driven, cryptographically verifiable multi-network (multi-tenant) shared ledger |
US11824864B2 (en) | 2019-01-31 | 2023-11-21 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing a declarative and metadata driven blockchain platform using distributed ledger technology (DLT) |
US11824970B2 (en) | 2020-01-20 | 2023-11-21 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing user access controls in a metadata driven blockchain operating via distributed ledger technology (DLT) using granular access objects and ALFA/XACML visibility rules |
US11875400B2 (en) | 2019-01-31 | 2024-01-16 | Salesforce, Inc. | Systems, methods, and apparatuses for dynamically assigning nodes to a group within blockchains based on transaction type and node intelligence using distributed ledger technology (DLT) |
US11876910B2 (en) | 2019-01-31 | 2024-01-16 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing a multi tenant blockchain platform for managing Einstein platform decisions using distributed ledger technology (DLT) |
US11880349B2 (en) | 2019-04-30 | 2024-01-23 | Salesforce, Inc. | System or method to query or search a metadata driven distributed ledger or blockchain |
US11886421B2 (en) | 2019-01-31 | 2024-01-30 | Salesforce, Inc. | Systems, methods, and apparatuses for distributing a metadata driven application to customers and non-customers of a host organization using distributed ledger technology (DLT) |
US11899817B2 (en) | 2019-01-31 | 2024-02-13 | Salesforce, Inc. | Systems, methods, and apparatuses for storing PII information via a metadata driven blockchain using distributed and decentralized storage for sensitive user information |
US11971874B2 (en) | 2019-01-31 | 2024-04-30 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing efficient storage and validation of data and metadata within a blockchain using distributed ledger technology (DLT) |
US11995647B2 (en) | 2019-04-30 | 2024-05-28 | Salesforce, Inc. | System and method of providing interoperable distributed and decentralized ledgers using consensus on consensus and delegated consensus |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719222A (zh) * | 2009-11-27 | 2010-06-02 | 北京中星微电子有限公司 | 分类器训练方法和装置以及人脸认证方法和装置 |
CN102682091A (zh) * | 2012-04-25 | 2012-09-19 | 腾讯科技(深圳)有限公司 | 基于云服务的视觉搜索方法和系统 |
CN107194412A (zh) * | 2017-04-20 | 2017-09-22 | 百度在线网络技术(北京)有限公司 | 一种处理数据的方法、装置、设备和计算机存储介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782976B (zh) * | 2010-01-15 | 2013-04-10 | 南京邮电大学 | 一种云计算环境下机器学习自动选择方法 |
CN107122327B (zh) * | 2016-02-25 | 2021-06-29 | 阿里巴巴集团控股有限公司 | 一种利用训练数据训练模型的方法和训练系统 |
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 |
CN108021986A (zh) * | 2017-10-27 | 2018-05-11 | 平安科技(深圳)有限公司 | 电子装置、多模型样本训练方法和计算机可读存储介质 |
-
2017
- 2017-10-27 CN CN201711056980.7A patent/CN108021986A/zh active Pending
-
2018
- 2018-06-01 WO PCT/CN2018/089427 patent/WO2019080501A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719222A (zh) * | 2009-11-27 | 2010-06-02 | 北京中星微电子有限公司 | 分类器训练方法和装置以及人脸认证方法和装置 |
CN102682091A (zh) * | 2012-04-25 | 2012-09-19 | 腾讯科技(深圳)有限公司 | 基于云服务的视觉搜索方法和系统 |
CN107194412A (zh) * | 2017-04-20 | 2017-09-22 | 百度在线网络技术(北京)有限公司 | 一种处理数据的方法、装置、设备和计算机存储介质 |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019080501A1 (zh) * | 2017-10-27 | 2019-05-02 | 平安科技(深圳)有限公司 | 电子装置、多模型样本训练方法、系统和计算机可读存储介质 |
US11588803B2 (en) | 2018-01-31 | 2023-02-21 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing super community and community sidechains with consent management for distributed ledger technologies in a cloud based computing environment |
US11257073B2 (en) * | 2018-01-31 | 2022-02-22 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing machine learning models for smart contracts using distributed ledger technologies in a cloud based computing environment |
US11431693B2 (en) | 2018-01-31 | 2022-08-30 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for seeding community sidechains with consent written onto a blockchain interfaced with a cloud based computing environment |
US11431696B2 (en) | 2018-01-31 | 2022-08-30 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing super community and community sidechains with consent management for distributed ledger technologies in a cloud based computing environment |
US11451530B2 (en) | 2018-01-31 | 2022-09-20 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing super community and community sidechains with consent management for distributed ledger technologies in a cloud based computing environment |
CN108665072A (zh) * | 2018-05-23 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种基于云架构的机器学习算法全过程训练方法及系统 |
CN110689134A (zh) * | 2018-07-05 | 2020-01-14 | 第四范式(北京)技术有限公司 | 执行机器学习过程的方法、装置、设备以及存储介质 |
CN110738303A (zh) * | 2018-07-18 | 2020-01-31 | 科沃斯机器人股份有限公司 | 机器模型更新方法、设备、系统及存储介质 |
US11210569B2 (en) | 2018-08-07 | 2021-12-28 | Advanced New Technologies Co., Ltd. | Method, apparatus, server, and user terminal for constructing data processing model |
WO2020029689A1 (zh) * | 2018-08-07 | 2020-02-13 | 阿里巴巴集团控股有限公司 | 数据处理模型构建方法、装置、服务器和用户端 |
CN110858290B (zh) * | 2018-08-24 | 2023-10-17 | 比亚迪股份有限公司 | 驾驶员异常行为识别方法、装置、设备及存储介质 |
CN110858290A (zh) * | 2018-08-24 | 2020-03-03 | 比亚迪股份有限公司 | 驾驶员异常行为识别方法、装置、设备及存储介质 |
CN110895718A (zh) * | 2018-09-07 | 2020-03-20 | 第四范式(北京)技术有限公司 | 用于训练机器学习模型的方法及系统 |
US11568437B2 (en) | 2018-10-31 | 2023-01-31 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing commerce rewards across tenants for commerce cloud customers utilizing blockchain |
US11288280B2 (en) | 2018-10-31 | 2022-03-29 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing consumer data validation, matching, and merging across tenants with optional verification prompts utilizing blockchain |
CN109522343B (zh) * | 2018-11-27 | 2021-06-25 | 广东小天才科技有限公司 | 一种学习进度的智能检测方法及电子设备 |
CN109522343A (zh) * | 2018-11-27 | 2019-03-26 | 广东小天才科技有限公司 | 一种学习进度的智能检测方法及电子设备 |
CN109800048A (zh) * | 2019-01-22 | 2019-05-24 | 深圳魔数智擎科技有限公司 | 模型的结果展示方法、计算机可读存储介质及计算机设备 |
US11783024B2 (en) | 2019-01-31 | 2023-10-10 | Salesforce, Inc. | Systems, methods, and apparatuses for protecting consumer data privacy using solid, blockchain and IPFS integration |
US11803537B2 (en) | 2019-01-31 | 2023-10-31 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing an SQL query and filter mechanism for blockchain stored data using distributed ledger technology (DLT) |
US11244313B2 (en) | 2019-01-31 | 2022-02-08 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing declarative smart actions for coins and assets transacted onto a blockchain using distributed ledger technology (DLT) |
US11971874B2 (en) | 2019-01-31 | 2024-04-30 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing efficient storage and validation of data and metadata within a blockchain using distributed ledger technology (DLT) |
US11899817B2 (en) | 2019-01-31 | 2024-02-13 | Salesforce, Inc. | Systems, methods, and apparatuses for storing PII information via a metadata driven blockchain using distributed and decentralized storage for sensitive user information |
US11886421B2 (en) | 2019-01-31 | 2024-01-30 | Salesforce, Inc. | Systems, methods, and apparatuses for distributing a metadata driven application to customers and non-customers of a host organization using distributed ledger technology (DLT) |
US11876910B2 (en) | 2019-01-31 | 2024-01-16 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing a multi tenant blockchain platform for managing Einstein platform decisions using distributed ledger technology (DLT) |
US11875400B2 (en) | 2019-01-31 | 2024-01-16 | Salesforce, Inc. | Systems, methods, and apparatuses for dynamically assigning nodes to a group within blockchains based on transaction type and node intelligence using distributed ledger technology (DLT) |
US11488176B2 (en) | 2019-01-31 | 2022-11-01 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing certificates of authenticity of digital twins transacted onto a blockchain using distributed ledger technology (DLT) |
US11824864B2 (en) | 2019-01-31 | 2023-11-21 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing a declarative and metadata driven blockchain platform using distributed ledger technology (DLT) |
US11811769B2 (en) | 2019-01-31 | 2023-11-07 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing a declarative, metadata driven, cryptographically verifiable multi-network (multi-tenant) shared ledger |
US11743137B2 (en) | 2019-04-26 | 2023-08-29 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing a metadata driven rules engine on blockchain using distributed ledger technology (DLT) |
US11995647B2 (en) | 2019-04-30 | 2024-05-28 | Salesforce, Inc. | System and method of providing interoperable distributed and decentralized ledgers using consensus on consensus and delegated consensus |
US11880349B2 (en) | 2019-04-30 | 2024-01-23 | Salesforce, Inc. | System or method to query or search a metadata driven distributed ledger or blockchain |
CN110135524A (zh) * | 2019-05-29 | 2019-08-16 | 北京迈格威科技有限公司 | 自动化的模型训练方法、装置、设备及介质 |
CN110837718B (zh) * | 2019-11-07 | 2023-12-26 | 交控科技股份有限公司 | 道岔故障检测方法、装置、电子设备及存储介质 |
CN110837718A (zh) * | 2019-11-07 | 2020-02-25 | 交控科技股份有限公司 | 道岔故障检测方法、装置、电子设备及存储介质 |
CN112784181A (zh) * | 2019-11-08 | 2021-05-11 | 阿里巴巴集团控股有限公司 | 信息展示、图像处理方法及设备、信息展示装置 |
CN111191558A (zh) * | 2019-12-25 | 2020-05-22 | 深圳市优必选科技股份有限公司 | 一种机器人及其人脸识别示教方法和存储介质 |
CN111191558B (zh) * | 2019-12-25 | 2024-02-02 | 深圳市优必选科技股份有限公司 | 一种机器人及其人脸识别示教方法和存储介质 |
US11824970B2 (en) | 2020-01-20 | 2023-11-21 | Salesforce, Inc. | Systems, methods, and apparatuses for implementing user access controls in a metadata driven blockchain operating via distributed ledger technology (DLT) using granular access objects and ALFA/XACML visibility rules |
US11611560B2 (en) | 2020-01-31 | 2023-03-21 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing consensus on read via a consensus on write smart contract trigger for a distributed ledger technology (DLT) platform |
CN113495963A (zh) * | 2020-03-19 | 2021-10-12 | 复旦大学 | 网络安全知识图谱的嵌入表示方法及装置 |
CN113495963B (zh) * | 2020-03-19 | 2023-03-14 | 复旦大学 | 网络安全知识图谱的嵌入表示方法及装置 |
CN111831322A (zh) * | 2020-04-15 | 2020-10-27 | 中国人民解放军军事科学院战争研究院 | 一种面向多层次用户的机器学习参数配置方法 |
CN111831322B (zh) * | 2020-04-15 | 2023-08-01 | 中国人民解放军军事科学院战争研究院 | 一种面向多层次用户的机器学习参数配置方法 |
CN113673706A (zh) * | 2020-05-15 | 2021-11-19 | 富泰华工业(深圳)有限公司 | 机器学习模型训练方法、装置及电子设备 |
US12026592B2 (en) | 2020-05-15 | 2024-07-02 | Hon Hai Precision Industry Co., Ltd. | Machine learning model training method and machine learning model training device |
CN111915019A (zh) * | 2020-08-07 | 2020-11-10 | 平安科技(深圳)有限公司 | 联邦学习方法、系统、计算机设备和存储介质 |
WO2021139467A1 (zh) * | 2020-08-07 | 2021-07-15 | 平安科技(深圳)有限公司 | 联邦学习方法、系统、计算机设备和存储介质 |
CN111915019B (zh) * | 2020-08-07 | 2023-06-20 | 平安科技(深圳)有限公司 | 联邦学习方法、系统、计算机设备和存储介质 |
CN112966439A (zh) * | 2021-03-05 | 2021-06-15 | 北京金山云网络技术有限公司 | 机器学习模型训练方法、装置以及虚拟实验箱 |
Also Published As
Publication number | Publication date |
---|---|
WO2019080501A1 (zh) | 2019-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108021986A (zh) | 电子装置、多模型样本训练方法和计算机可读存储介质 | |
TWI716057B (zh) | 服務推薦方法、裝置及設備 | |
US9111232B2 (en) | Portable workload performance prediction for the cloud | |
US20210241177A1 (en) | Method and system for performing machine learning process | |
Lorido-Botrán et al. | Auto-scaling techniques for elastic applications in cloud environments | |
CN108492194A (zh) | 产品推荐方法、装置及存储介质 | |
CN105160397A (zh) | 训练精炼的机器学习模型 | |
US20180330282A1 (en) | Optimizing Data-to-Learning-to-Action | |
CN108334536A (zh) | 一种信息推荐方法、设备和存储介质 | |
CN108875045B (zh) | 针对文本分类来执行机器学习过程的方法及其系统 | |
CN109409533A (zh) | 一种机器学习模型的生成方法、装置、设备及存储介质 | |
WO2009052026A2 (en) | Software factory specification and execution model | |
US11361152B2 (en) | System and method for automated content labeling | |
CN108769125B (zh) | 应用推荐方法、装置、存储介质及计算机设备 | |
US20150095756A1 (en) | Method and apparatus for multi-loop, real-time website optimization | |
CN106462795A (zh) | 用于针对金融市场中的大数据交易将资本分配到交易策略的系统及方法 | |
US20200143291A1 (en) | Hierarchical Clustered Reinforcement Machine Learning | |
US20190050786A1 (en) | Task Assisted Resources Assignment Based On Schedule Impact | |
US10853100B1 (en) | Systems and methods for creating learning-based personalized user interfaces | |
CN107818491A (zh) | 电子装置、基于用户上网数据的产品推荐方法及存储介质 | |
Elahi et al. | Interactive Food Recommendation for Groups. | |
US20220019729A1 (en) | System and method for automated content annotation workflow | |
CN108229652A (zh) | 神经网络模型迁移方法和系统、电子设备、程序和介质 | |
US7720553B2 (en) | Service metric portfolio management | |
CN108898229A (zh) | 用于构建机器学习建模过程的方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180511 |
|
RJ01 | Rejection of invention patent application after publication |