CN109858631A - 用于概念迁移的流式数据分析的自动机器学习系统及方法 - Google Patents

用于概念迁移的流式数据分析的自动机器学习系统及方法 Download PDF

Info

Publication number
CN109858631A
CN109858631A CN201910106658.3A CN201910106658A CN109858631A CN 109858631 A CN109858631 A CN 109858631A CN 201910106658 A CN201910106658 A CN 201910106658A CN 109858631 A CN109858631 A CN 109858631A
Authority
CN
China
Prior art keywords
stream data
concept
migration
automaton
batch
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.)
Granted
Application number
CN201910106658.3A
Other languages
English (en)
Other versions
CN109858631B (zh
Inventor
朱文武
熊铮
蒋继研
张文鹏
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN201910106658.3A priority Critical patent/CN109858631B/zh
Publication of CN109858631A publication Critical patent/CN109858631A/zh
Priority to PCT/CN2019/098828 priority patent/WO2020155594A1/zh
Application granted granted Critical
Publication of CN109858631B publication Critical patent/CN109858631B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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)

Abstract

本发明公开了一种用于概念迁移的流式数据分析的自动机器学习系统及方法，其中，该系统包括：获取模块，用于获取各个批次序列化的流式数据集；生成模块，用于对各个批次序列化的流式数据集进行自动化的特征处理、自适应概念迁移和超参数优化，生成预测模型；反馈模块，用于将预设批次的流式数据集输入预测模型生成反馈结果；在线调整模块，用于根据反馈结果对预测模型进行在线调整以实现自动机器学习。该系统针对不同的应用场景，自动选择特征处理技术，并自适应概念迁移，在真实场景下性能好，并通过资源控制技术，自动化地压缩自动学习的搜索空间，确保模型运算规模与数据规模、特性相适应。

Description

用于概念迁移的流式数据分析的自动机器学习系统及方法
技术领域
本发明涉及自动学习技术领域，特别涉及一种用于概念迁移的流式数据分析的自动机器学习系统及方法。
背景技术
自动机器学习技术对于降低构建机器学习系统的人力成本和时间成本具有十分重要的价值，得到了工业界的广泛关注。
相关技术中的自动机器学习技术基于训练数据和测试数据具有相同分布的假设构建系统。但是在流式数据分析的应用场景中，例如在线广告、推荐系统、欺诈检测、工业制造等，由于概念迁移的存在，数据分布会随着时间推移而逐步发生变化，导致现有的自动机器学习技术无法直接应用于这些场景中。
另外，现有的自动机器学习技术主要实现的是模型的自动选择及相应超参数的自动调节。但是在实际应用场景中，特征工程对于提升系统性能具有至关重要的作用。现有的自动机器学习系统在自动特征工程方面只实现了一些初级的特征变换，在实际应用场景中的表现与人工设计的系统相比仍有较大差距。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种用于概念迁移的流式数据分析的自动机器学习系统，该系统针对不同的应用场景，自动选择特征处理技术，并自适应概念迁移，在真实场景下性能好，并通过资源控制技术，自动化地压缩自动学习的搜索空间，确保模型运算规模与数据规模、特性相适应。
本发明的另一个目的在于提出一种用于概念迁移的流式数据分析的自动机器学习方法。
为达到上述目的，本发明一方面实施例提出了一种用于概念迁移的流式数据分析的自动机器学习系统，包括：获取模块，用于获取各个批次序列化的流式数据集；生成模块，用于对所述各个批次序列化的流式数据集进行自动化的特征处理、自适应概念迁移和超参数优化，生成预测模型；反馈模块，用于将预设批次的流式数据集输入所述预测模型生成反馈结果；在线调整模块，用于根据所述反馈结果对所述预测模型进行在线调整以实现自动机器学习。
本发明实施例的用于概念迁移的流式数据分析的自动机器学习系统，通过对数据集进行处理建立预测模型，优化模型实现机器自动学习，对于在线广告、商品推荐、欺诈检测等应用场景，用户只需将数据按照时间顺序分批次输入该机器自动学习系统，便可自动获得高质量的预测结果，无需人工干预。
另外，根据本发明上述实施例的用于概念迁移的流式数据分析的自动机器学习系统还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，还包括：资源控制模块，用于对所述自动机器学习系统的运行成本进行实时监测，并根据所述运行成本自动调整搜索空间和运算规模。
进一步地，在本发明的一个实施例中，所述资源控制模块还用于，根据预设的时间和内存限制，自适应地调整所述自动机器学习系统的配置空间和资源分配。
进一步地，在本发明的一个实施例中，所述自适应概念迁移包括：采用自适应的流式协同编码与训练集采样技术应对所述各个批次序列化的流式数据集的概念迁移。
进一步地，在本发明的一个实施例中，根据特征高基数和幂律分布对所述各个批次序列化的流式数据集进行所述自动化的特征处理，其中，所述自动化的特征处理包括：特征编码策略的自动选择和长尾分布的自动截断。
为达到上述目的，本发明另一方面实施例提出了一种用于概念迁移的流式数据分析的自动机器学习方法，包括：获取各个批次序列化的流式数据集；对所述各个批次序列化的流式数据集进行自动化的特征处理、自适应概念迁移和超参数优化，生成预测模型；将预设批次数据集输入所述预测模型生成反馈结果；根据所述反馈结果对所述预测模型进行在线调整以实现自动机器学习。
本发明实施例的用于概念迁移的流式数据分析的自动机器学习方法，通过对数据集进行处理建立预测模型，优化模型实现机器自动学习，对于在线广告、商品推荐、欺诈检测等应用场景，用户只需将数据按照时间顺序分批次输入该机器自动学习系统，便可自动获得高质量的预测结果，无需人工干预。
另外，根据本发明上述实施例的用于概念迁移的流式数据分析的自动机器学习方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，还包括：对所述自动机器学习中的运行成本进行实时监测，并根据所述运行成本自动调整搜索空间和运算规模。
进一步地，在本发明的一个实施例中，还包括：根据预设的时间和内存限制，自适应地调整配置空间和资源分配。
进一步地，在本发明的一个实施例中，所述自适应概念迁移包括：采用自适应的流式协同编码与训练集采样技术应对所述各个批次序列化的流式数据集的概念迁移。
进一步地，在本发明的一个实施例中，根据特征高基数和幂律分布对所述各个批次序列化的流式数据集进行所述自动化的特征处理，其中，所述自动化的特征处理包括：特征编码策略的自动选择和长尾分布的自动截断。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的用于概念迁移的流式数据分析的自动机器学习系统结构示意图；
图2为根据本发明一个实施例的用于概念迁移的流式数据分析的自动机器学习方法流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的用于概念迁移的流式数据分析的自动机器学习系统及方法。
首先将参照附图描述根据本发明实施例提出的用于概念迁移的流式数据分析的自动机器学习系统。
图1为根据本发明一个实施例的用于概念迁移的流式数据分析的自动机器学习系统结构示意图。
如图1所示，该用于概念迁移的流式数据分析的自动机器学习系统10包括：获取模块100、生成模块200、反馈模块300和在线调整模块400。
其中，获取模块100用于获取各个批次序列化的流式数据集。生成模块200用于对各个批次序列化的流式数据集进行自动化的特征处理、自适应概念迁移和超参数优化，生成预测模型。反馈模块300用于将预设批次的流式数据集输入预测模型生成反馈结果。在线调整模块400用于根据反馈结果对预测模型进行在线调整以实现自动机器学习。
该机器自动学习10针对不同的应用场景，自动选择特征处理技术，并自适应概念迁移，在真实场景下性能好，并通过资源控制技术，自动化地压缩自动学习的搜索空间，确保模型运算规模与数据规模、特性相适应。
进一步地，在本发明的一个实施例中，自适应概念迁移包括：采用自适应的流式协同编码与训练集采样技术应对各个批次序列化的流式数据集的概念迁移。
进一步地，设计自适应的流式协同编码算法，使得系统能够更好地监测和处理数据的概念迁移现象，提升系统在真实场景下的广泛性。
具体地，自适应概念迁移针对每一批次的测试数据，会选取最近若干批次的历史数据作为训练集，将训练集和测试集融合后再进行特征处理，从而可以保证不同批次数据间的特征表征一致，有效应对新出现的特征类别、特征类别分布频率不稳定等典型的概念迁移问题。
进一步地，在本发明的一个实施例中，根据特征高基数和幂律分布对各个批次序列化的流式数据集进行自动化的特征处理，其中，自动化的特征处理包括：特征编码策略的自动选择和长尾分布的自动截断。
在特征处理中，引入了多种编码方式和多种处理技巧，并将其自动化，使得系统能够更好地处理显示数据中作用显著的高基数和长尾分布类别特征，提高预测性能。
具体地，对各个批次序列化的流式数据集进行自动化的特征处理重点是类别型特征的编码表征。使用的编码方式主要包括计数编码和目标编码：计数编码将每一个类别编码为其出现的次数，能提供高效的表征并有效压缩长尾分布；目标表征将每一个类别编码为该类别中正样本的频率，能提供与预测目标相关性更强的高效表征，但使用时需要注意过拟合问题。
进一步地，超参数优化使用贝叶斯优化方法进行梯度提升树模型的自动调参。
具体地，需要先通过资源控制模块确定模型的迭代轮数上限，然后再在该范围内进行自动调参。
进一步地，在本发明的实施例中，反馈模块300可以将预设批次的流式数据集输入预测模型生成反馈结果。
具体地，对当前批次的测试数据进行自动特征处理，然后将处理后的特征输入训练好的模型中得到预测结果。获得当前批次的正确标签后，将当前批次的数据加入数据缓存作为下一批次的训练数据。
进一步地，在本发明的一个实施例中，还包括：资源控制模块，用于对自动机器学习系统的运行成本进行实时监测，并根据运行成本自动调整搜索空间和运算规模。
进一步地，资源控制模块还用于，根据预设的时间和内存限制，自适应地调整自动机器学习系统的配置空间和资源分配。
可以理解的是，资源控制模块自动监测系统中各个组件的花销，并使用Bandit技术对搜索空间进行压缩和剪枝，进一步提升系统在大规模数据中的自适应能力。
具体地，控制时间成本的关键是根据时间预算自动确认是否要使用和处理一些运算成本较高的特征、以及自动控制梯度提升树的迭代轮数。为充分利用时间预算、降低预测误差，在每个批次中还会根据剩余可用时间动态调整迭代轮数。控制空间成本的关键是根据可用内存空间自动确认训练集的批次数量以及并行运算的进程数量。
根据本发明实施例提出的用于概念迁移的流式数据分析的自动机器学习系统，通过对数据集进行处理建立预测模型，优化模型建立机器自动学习系统，对于在线广告、商品推荐、欺诈检测等应用场景，用户只需将数据按照时间顺序分批次输入该系统，便可自动获得高质量的预测结果，无需人工干预。
其次参照附图描述根据本发明实施例提出的用于概念迁移的流式数据分析的自动机器学习方法。
图2为根据本发明一个实施例的用于概念迁移的流式数据分析的自动机器学习方法流程图。
如图2所示，该用于概念迁移的流式数据分析的自动机器学习方法包括以下步骤：
在步骤S101中，获取各个批次序列化的流式数据集。
在步骤S102中，对各个批次序列化的流式数据集进行自动化的特征处理、自适应概念迁移和超参数优化，生成预测模型。
进一步地，在本发明的一个实施例中，自适应概念迁移包括：采用自适应的流式协同编码与训练集采样技术应对各个批次序列化的流式数据集的概念迁移。
进一步地，在本发明的一个实施例中，根据特征高基数和幂律分布对各个批次序列化的流式数据集进行自动化的特征处理，其中，自动化的特征处理包括：特征编码策略的自动选择和长尾分布的自动截断。
在步骤S103中，将预设批次数据集输入预测模型生成反馈结果。
在步骤S104中，根据反馈结果对预测模型进行在线调整以实现自动机器学习。
进一步地，在本发明的一个实施例中，还包括：对自动机器学习中的运行成本进行实时监测，并根据运行成本自动调整搜索空间和运算规模。
进一步地，在本发明的一个实施例中，还包括：根据预设的时间和内存限制，自适应地调整配置空间和资源分配。
需要说明的是，前述对用于概念迁移的流式数据分析的自动机器学习系统实施例的解释说明也适用于该实施例的方法，此处不再赘述。
根据本发明实施例提出的用于概念迁移的流式数据分析的自动机器学习方法，通过对数据集进行处理建立预测模型，优化模型实现机器自动学习，对于在线广告、商品推荐、欺诈检测等应用场景，用户只需将数据按照时间顺序分批次输入该机器自动学习系统，便可自动获得高质量的预测结果，无需人工干预。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种用于概念迁移的流式数据分析的自动机器学习系统，其特征在于，包括：
获取模块，用于获取各个批次序列化的流式数据集；
生成模块，用于对所述各个批次序列化的流式数据集进行自动化的特征处理、自适应概念迁移和超参数优化，生成预测模型；
反馈模块，用于将预设批次的流式数据集输入所述预测模型生成反馈结果；
在线调整模块，用于根据所述反馈结果对所述预测模型进行在线调整以实现自动机器学习。
2.根据权利要求1所述的用于概念迁移的流式数据分析的自动机器学习系统，其特征在于，还包括：
资源控制模块，用于对所述自动机器学习系统的运行成本进行实时监测，并根据所述运行成本自动调整搜索空间和运算规模。
3.根据权利要求2所述的用于概念迁移的流式数据分析的自动机器学习系统，其特征在于，所述资源控制模块还用于，
根据预设的时间和内存限制，自适应地调整所述自动机器学习系统的配置空间和资源分配。
4.根据权利要求1所述的用于概念迁移的流式数据分析的自动机器学习系统，其特征在于，所述自适应概念迁移包括：
采用自适应的流式协同编码与训练集采样技术应对所述各个批次序列化的流式数据集的概念迁移。
5.根据权利要求1所述的用于概念迁移的流式数据分析的自动机器学习系统，其特征在于，根据特征高基数和幂律分布对所述各个批次序列化的流式数据集进行所述自动化的特征处理，其中，所述自动化的特征处理包括：特征编码策略的自动选择和长尾分布的自动截断。
6.一种用于概念迁移的流式数据分析的自动机器学习方法，其特征在于，包括以下步骤：
获取各个批次序列化的流式数据集；
对所述各个批次序列化的流式数据集进行自动化的特征处理、自适应概念迁移和超参数优化，生成预测模型；
将预设批次数据集输入所述预测模型生成反馈结果；
根据所述反馈结果对所述预测模型进行在线调整以实现自动机器学习。
7.根据权利要求6所述的用于概念迁移的流式数据分析的自动机器学习方法，其特征在于，还包括：对所述自动机器学习中的运行成本进行实时监测，并根据所述运行成本自动调整搜索空间和运算规模。
8.根据权利要求7所述的用于概念迁移的流式数据分析的自动机器学习方法，其特征在于，还包括：
根据预设的时间和内存限制，自适应地调整配置空间和资源分配。
9.根据权利要求6所述的用于概念迁移的流式数据分析的自动机器学习方法，其特征在于，所述自适应概念迁移包括：
采用自适应的流式协同编码与训练集采样技术应对所述各个批次序列化的流式数据集的概念迁移。
10.根据权利要求6所述的用于概念迁移的流式数据分析的自动机器学习方法，其特征在于，根据特征高基数和幂律分布对所述各个批次序列化的流式数据集进行所述自动化的特征处理，其中，所述自动化的特征处理包括：特征编码策略的自动选择和长尾分布的自动截断。
CN201910106658.3A 2019-02-02 2019-02-02 用于概念迁移的流式数据分析的自动机器学习系统及方法 Active CN109858631B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910106658.3A CN109858631B (zh) 2019-02-02 2019-02-02 用于概念迁移的流式数据分析的自动机器学习系统及方法
PCT/CN2019/098828 WO2020155594A1 (zh) 2019-02-02 2019-08-01 用于概念迁移的流式数据分析的自动机器学习系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910106658.3A CN109858631B (zh) 2019-02-02 2019-02-02 用于概念迁移的流式数据分析的自动机器学习系统及方法

Publications (2)

Publication Number Publication Date
CN109858631A true CN109858631A (zh) 2019-06-07
CN109858631B CN109858631B (zh) 2021-04-27

Family

ID=66897542

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910106658.3A Active CN109858631B (zh) 2019-02-02 2019-02-02 用于概念迁移的流式数据分析的自动机器学习系统及方法

Country Status (2)

Country Link
CN (1) CN109858631B (zh)
WO (1) WO2020155594A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110322021A (zh) * 2019-06-14 2019-10-11 清华大学 大规模网络表征学习的超参数优化方法和装置
CN110685868A (zh) * 2019-10-25 2020-01-14 长沙理工大学 一种基于改进梯度提升机的风电机组故障检测方法及装置
WO2020155594A1 (zh) * 2019-02-02 2020-08-06 清华大学 用于概念迁移的流式数据分析的自动机器学习系统及方法
WO2022001918A1 (zh) * 2020-06-30 2022-01-06 华为技术有限公司 构建预测模型的方法、装置、计算设备和存储介质
CN117893244A (zh) * 2024-03-15 2024-04-16 中国海洋大学 一种基于机器学习的海藻水热炭化应用综合管控系统
CN117893244B (zh) * 2024-03-15 2024-06-04 中国海洋大学 一种基于机器学习的海藻水热炭化应用综合管控系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101188002A (zh) * 2007-12-24 2008-05-28 北京大学 一种具有实时和连续特性的城市交通状态预测系统及方法
CN103353883A (zh) * 2013-06-19 2013-10-16 华南师范大学 一种按需聚类的大数据流式聚类处理系统及方法
CN109284606A (zh) * 2018-09-04 2019-01-29 中国人民解放军陆军工程大学 基于经验特征与卷积神经网络的数据流异常检测系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080059395A1 (en) * 2006-01-10 2008-03-06 Manyworlds, Inc. Adaptive Online Experimentation
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
CN106779087B (zh) * 2016-11-30 2019-02-22 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
CN109858631B (zh) * 2019-02-02 2021-04-27 清华大学 用于概念迁移的流式数据分析的自动机器学习系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101188002A (zh) * 2007-12-24 2008-05-28 北京大学 一种具有实时和连续特性的城市交通状态预测系统及方法
CN103353883A (zh) * 2013-06-19 2013-10-16 华南师范大学 一种按需聚类的大数据流式聚类处理系统及方法
CN109284606A (zh) * 2018-09-04 2019-01-29 中国人民解放军陆军工程大学 基于经验特征与卷积神经网络的数据流异常检测系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
T. RYAN HOENS 等: "Learning from streaming data with concept drift and imbalance:an overview", 《PROG ARTIF INTELL》 *
数据派THU: "清华朱文武团队斩获NIPS 2018 AutoML挑战赛亚军，高校排名第一", 《CSDN》 *
袁磊 等: "概念漂移不平衡数据流随机平衡采样分类算法", 《湖北大学学报( 自然科学版)》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020155594A1 (zh) * 2019-02-02 2020-08-06 清华大学 用于概念迁移的流式数据分析的自动机器学习系统及方法
CN110322021A (zh) * 2019-06-14 2019-10-11 清华大学 大规模网络表征学习的超参数优化方法和装置
CN110322021B (zh) * 2019-06-14 2021-03-30 清华大学 大规模网络表征学习的超参数优化方法和装置
CN110685868A (zh) * 2019-10-25 2020-01-14 长沙理工大学 一种基于改进梯度提升机的风电机组故障检测方法及装置
WO2022001918A1 (zh) * 2020-06-30 2022-01-06 华为技术有限公司 构建预测模型的方法、装置、计算设备和存储介质
CN117893244A (zh) * 2024-03-15 2024-04-16 中国海洋大学 一种基于机器学习的海藻水热炭化应用综合管控系统
CN117893244B (zh) * 2024-03-15 2024-06-04 中国海洋大学 一种基于机器学习的海藻水热炭化应用综合管控系统

Also Published As

Publication number Publication date
WO2020155594A1 (zh) 2020-08-06
CN109858631B (zh) 2021-04-27

Similar Documents

Publication Publication Date Title
CN109858631A (zh) 用于概念迁移的流式数据分析的自动机器学习系统及方法
Lade et al. Manufacturing analytics and industrial internet of things
US20210241177A1 (en) Method and system for performing machine learning process
CN110222880B (zh) 业务风险的确定方法、模型训练方法和数据处理方法
Soylu et al. Multi-criteria inventory classification with reference items
US20210166181A1 (en) Equipment management method, device, system and storage medium
CN107463701A (zh) 基于人工智能推送信息流的方法和装置
CN109740965A (zh) 一种工程验证分析方法及装置
US11526155B2 (en) Computer system and method for batch data alignment with active learning in batch process modeling, monitoring, and control
CN116224947B (zh) 可主动融入领域规则知识的深度学习工业控制系统
Jankovic et al. Improving service business of industrial companies through data: conceptualization and application
Liyakat et al. IoT Changing the Electronics Manufacturing Industry
CN111352841B (zh) 金融交易软件的质量检测方法及装置
CN116643877A (zh) 算力资源调度方法、算力资源调度模型的训练方法和系统
CN113660488B (zh) 对多媒体数据进行流控及流控模型训练方法、以及装置
Olsson et al. Case-based reasoning applied to geometric measurements for decision support in manufacturing
CN114003722A (zh) 用于确定文本数据的标签的方法和设备
Shahbazi et al. Developing a flexible manufacturing control system considering mixed uncertain predictive maintenance model: A simulation-based optimization approach
US20190158628A1 (en) Universal self-learning softsensor and its built platform that applies machine learning and advanced analytics
Kurz et al. HITL-AB-BPM: Business Process Improvement with AB Testing and Human-in-the-Loop.
Buttar Applying machine learning to reduce the adaptation space in self-adaptive systems: an exploratory work
KR102522634B1 (ko) 네트워크 장비의 유지 보수 운용 자동화 방법, 장치 및 시스템
CN116150222B (zh) 一种基于大数据的辅助决策方法
CN111754264B (zh) 一种基于清洁能源补贴数据的数据分析方法
Câmara et al. Viable System architecture applied to maintenance 4.0

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
GR01 Patent grant
GR01 Patent grant