CN109949031A - 一种机器学习模型训练方法及装置 - Google Patents
一种机器学习模型训练方法及装置 Download PDFInfo
- Publication number
- CN109949031A CN109949031A CN201910261235.9A CN201910261235A CN109949031A CN 109949031 A CN109949031 A CN 109949031A CN 201910261235 A CN201910261235 A CN 201910261235A CN 109949031 A CN109949031 A CN 109949031A
- Authority
- CN
- China
- Prior art keywords
- training
- destination node
- machine learning
- learning model
- expenses
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种机器学习模型训练方法及装置,该方法,包括:预先创建至少一个功能节点;获取用户输入的待训练数据;确定用户从至少一个功能节点中选择的至少一个目标节点;根据至少一个目标节点确定待训练数据的训练费用,并展示训练费用;在获取到用户支付训练费用获得的支付信息时,利用至少一个目标节点训练待训练数据,获得训练结果,其中,训练结果,包括:机器学习模型和机器学习模型的评估结果。本方案能够提高机器学习模型训练的效率。
Description
技术领域
本发明涉及计算机技术领域,特别涉及一种机器学习模型训练方法及装置。
背景技术
随着互联网、搜索引擎和社交网络的普及,用户数据呈爆炸式增长,利用机器学习在海量数据中挖掘有价值的信息,已经成为近年来学界与业界关注的焦点。
目前,机器学习模型的训练通常需要先编写相应的代码,再利用该代码进行机器学习模型训练。但是,编写用于训练机器学习模型的代码并非易事,需要耗费大量的时间,从而降低机器学习模型训练的效率。
发明内容
本发明实施例提供了一种机器学习模型训练方法及装置,能够提高机器学习模型训练的效率。
第一方面,本发明实施例提供了一种机器学习模型训练方法,包括:
预先创建至少一个功能节点;
获取用户输入的待训练数据;
确定所述用户从所述至少一个功能节点中选择的至少一个目标节点;
根据所述至少一个目标节点确定所述待训练数据的训练费用,并展示所述训练费用;
在获取到所述用户支付所述训练费用获得的支付信息时,利用所述至少一个目标节点训练所述待训练数据,获得训练结果,其中,所述训练结果,包括:机器学习模型和所述机器学习模型的评估结果。
优选地,
在所述根据所述至少一个目标节点确定所述待训练数据的训练费用之后,在所述展示所述训练费用之前,进一步包括:
生成所述训练费用对应的二维码;
所述展示所述训练费用,包括:
展示所述二维码,以使所述用户通过识别所述二维码支付所述训练费用。
优选地,
所述利用所述至少一个目标节点训练所述待训练数据,获得训练结果,包括:
确定每一个所述目标节点对应的层级;
确定各个所述目标节点之间的关联关系;
按照所述层级和所述关联关系,生成由各个所述目标节点组成的树状结构;
利用所述树状结构训练所述待训练数据,获得训练结果。
优选地,
在所述利用所述树状结构训练所述待训练数据之后,进一步包括:
针对所述树状结构中的每一个所述目标节点,在所述目标节点运行完毕时,展示所述目标节点的运行结果。
优选地,
在所述利用所述树状结构训练所述待训练数据,获得训练结果之前,进一步包括:
获取所述用户定义的运行环境,其中,所述运行环境,包括:运行核数和内存大小;
在所述运行环境下,执行所述利用所述树状结构训练所述待训练数据,获得训练结果。
优选地,
在所述预先创建至少一个功能节点之后,在所述根据所述至少一个目标节点确定所述待训练数据的训练费用之前,进一步包括:
存储每一个功能节点对应的使用费用;
所述根据所述至少一个目标节点确定所述待训练数据的训练费用,包括:
从存储的所述使用费用中,确定每一个所述目标节点对应的目标使用费用;
对各个所述目标使用费用求和,获得所述待训练数据的训练费用。
第二方面,本发明实施例提供了一种机器学习模型训练装置,包括:
节点创建模块,用于预先创建至少一个功能节点;
数据获取模块,用于获取用户输入的待训练数据;
信息处理模块,用于确定所述用户从所述节点创建模块创建的所述至少一个功能节点中选择的至少一个目标节点;根据所述至少一个目标节点确定所述数据获取模块获取的所述待训练数据的训练费用,并展示所述训练费用;
模型处理模块,用于在所述信息处理模块获取到所述用户支付所述训练费用获得的支付信息时,利用所述至少一个目标节点训练所述待训练数据,获得训练结果,其中,所述训练结果,包括:机器学习模型和所述机器学习模型的评估结果。
优选地,
所述信息处理模块,进一步用于生成所述训练费用对应的二维码;展示所述二维码,以使所述用户通过识别所述二维码支付所述训练费用。
优选地,
所述模型处理模块,用于确定每一个所述目标节点对应的层级;确定各个所述目标节点之间的关联关系;按照所述层级和所述关联关系,生成由各个所述目标节点组成的树状结构;利用所述树状结构训练所述待训练数据,获得训练结果。
优选地,
所述信息处理模块,进一步用于针对所述树状结构中的每一个所述目标节点,在所述目标节点运行完毕时,展示所述目标节点的运行结果。
优选地,
所述数据获取模块,进一步用于获取所述用户定义的运行环境,其中,所述运行环境,包括:运行核数和内存大小;
所述模型处理模块,用于在所述数据获取模块获取的所述运行环境下,执行所述利用所述树状结构训练所述待训练数据,获得训练结果。
优选地,
所述信息处理模块,进一步用于存储每一个功能节点对应的使用费用;从存储的所述使用费用中,确定每一个所述目标节点对应的目标使用费用;对各个所述目标使用费用求和,获得所述待训练数据的训练费用。
本发明提供了一种机器学习模型训练方法及装置,用户如需训练机器学习模型,可以从预先创建的功能节点中选择目标节点,再支付选择的目标节点所对应的训练费用,即可利用用户选择的目标节点对待训练数据进行训练,获得机器学习模型,以及学习模型的评估结果等训练结果,无需用户通过编写代码来完成机器学习模型训练,不仅可以简化机器学习模型训练的过程,还可以节省编写代码所耗费的时间,从而提高机器学习模型训练的效率。
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获得其他的附图。
图1是本发明一实施例提供的一种机器学习模型训练方法的流程图;
图2是本发明一实施例提供的另一种机器学习模型训练方法的流程图;
图3是本发明一实施例提供的一种机器学习模型训练装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供了一种机器学习模型训练方法,包括:
步骤101:预先创建至少一个功能节点;
步骤102:获取用户输入的待训练数据;
步骤103:确定所述用户从所述至少一个功能节点中选择的至少一个目标节点;
步骤104:根据所述至少一个目标节点确定所述待训练数据的训练费用,并展示所述训练费用;
步骤105:在获取到所述用户支付所述训练费用获得的支付信息时,利用所述至少一个目标节点训练所述待训练数据,获得训练结果,其中,所述训练结果,包括:机器学习模型和所述机器学习模型的评估结果。
在本发明实施例中,用户如需训练机器学习模型,可以从预先创建的功能节点中选择目标节点,再支付选择的目标节点所对应的训练费用,即可利用用户选择的目标节点对待训练数据进行训练,获得机器学习模型,以及学习模型的评估结果等训练结果,无需用户通过编写代码来完成机器学习模型训练,不仅可以简化机器学习模型训练的过程,还可以节省编写代码所耗费的时间,从而提高机器学习模型训练的效率。
为了方便用户支付,在本发明一实施例中,在所述根据所述至少一个目标节点确定所述待训练数据的训练费用之后,在所述展示所述训练费用之前,进一步包括:
生成所述训练费用对应的二维码;
所述展示所述训练费用,包括:
展示所述二维码,以使所述用户通过识别所述二维码支付所述训练费用。
在本发明实施例中,在确定对待训练数据进行训练需要支付的训练费用后,通过生成对应的二维码,这样用户通过识别该二维码即可确定训练待训练模型所需要的训练费用完成支付,简化用户支付操作,提高用户的体验。
在本发明一实施例中,所述利用所述至少一个目标节点训练所述待训练数据,获得训练结果,包括:
确定每一个所述目标节点对应的层级;
确定各个所述目标节点之间的关联关系;
按照所述层级和所述关联关系,生成由各个所述目标节点组成的树状结构;
利用所述树状结构训练所述待训练数据,获得训练结果。
在本发明实施例中,不同的目标节点对应不同的层级,通过目标节点对应层级和不同的目标节点之间的关联关系,可以对各个目标节点进行排序,生成树状结构,以使确定整个机器学习实验的先后执行顺序以及数据流动的走向,再按照树状结构的层级,分层次、同等级的并发执行对待训练数据进行训练,即可获得待训练数据的机器学习模型以及评估结果等训练结果。
在本发明一实施例中,在所述利用所述树状结构训练所述待训练数据之后,进一步包括:
针对所述树状结构中的每一个所述目标节点,在所述目标节点运行完毕时,展示所述目标节点的运行结果。
在本发明实施例中,目标节点在对待训练数据或者上级层次节点的运行结果运行完毕后,可以展示目标节点的运行结果,以使动态展示待训练数据流动的过程,便于用户了解待训练数据的处理情况。
在本发明一实施例中,在所述利用所述至少一个目标节点训练所述待训练数据,获得训练结果之前,进一步包括:
获取所述用户定义的运行环境,其中,所述运行环境,包括:运行核数和内存大小;
在所述运行环境下,执行所述利用所述至少一个目标节点训练所述待训练数据,获得训练结果。
在本发明实施例中,用户可以根据需求自定义机器学习实验的运行核数、内存大小等运行环境,以使在该运行环境下训练待训练数据,获得指定应用场景的机器学习模型。
在本发明一实施例中,在所述预先创建至少一个功能节点之后,在所述根据所述至少一个目标节点确定所述待训练数据的训练费用之前,进一步包括:
存储每一个功能节点对应的使用费用;
所述根据所述至少一个目标节点确定所述待训练数据的训练费用,包括:
从存储的所述使用费用中,确定每一个所述目标节点对应的目标使用费用;
对各个所述目标使用费用求和,获得所述待训练数据的训练费用。
在本发明实施例中,不同的功能节点所对应的使用费用不同,这样通过确定用户选择的目标节点对应的目标使用费用,即可计算出各个目标节点所对应的总训练费用,以便用户在支付训练费用后,为用户提供机器学习训练功能。
为了更加清楚的说明本发明的技术方案及优点,下面对本发明实施例提供的一种机器学习模型训练方法进行详细说明,如图2所示,具体可以包括以下步骤:
步骤201:预先创建至少一个功能节点。
具体地,通过创建不同的功能节点,可以方便用户根据需求选择指定的目标节点训练待训练数据,从而降低用户训练机器学习模型的难度。
步骤202:存储每一个功能节点对应的使用费用。
具体地,可以根据不同功能节点创建的难度,调用的难度为其设置对应的使用费用,这样用户在确定训练数据的工作流模型后,即可根据使用费用确定用户所需要支付的费用,以便在用户完成支付后为用户提供数据训练服务。
步骤203:获取用户输入的待训练数据和定义的运行环境,其中,运行环境,包括运行核数和内存大小。
具体地,用户可以根据需求定义用于训练机器学习模型的运行环境,以便在用户定义的指定运行核数和内存大小下对待训练数据进行训练,以便获得适用于用户指定的应用场景的机器学习模型。
步骤204:确定用户从至少一个功能节点中选择的至少一个目标节点。
具体地,用户可以根据需求从各个功能节点中,选择用户训练机器学习模型的目标节点,以便通过选择的目标节点为用户提供机器学习模型训练服务。
可以理解的是,还可以预先设置不同的训练方案,每个训练方案中包括至少一个功能节点,用户根据需求可以从不同的训练方案中选择指定的目标训练方案,通过该目标训练方案中的各个功能节点即可对用户输入的待训练数据进行训练,以降低用户训练机器学习模型的难度。
步骤205:从存储的使用费用中,确定每一个目标节点对应的目标使用费用。
步骤206:对各个目标使用费用求和,获得待训练数据的训练费用。
具体地,由于每一个功能节点都对应一个使用费用,因此,通过目标节点对应的使用费用,可以确定对应的目标使用费用,再对目标使用费用进行求和,即可确定用户用于训练机器学习模型的训练费用。
步骤207:生成训练费用对应的二维码。
步骤208:展示二维码,以使用户通过识别二维码支付训练费用。
具体地,通过生成用于训练机器学习模型的训练费用的二维码,并展示该二维码,用户即可通过扫描识别二维码完成支付,以简化用户支付机器学习模型训练费用的操作,提高用户的体验。
步骤209:在获取到用户支付训练费用获得的支付信息时,确定每一个所述目标节点对应的层级和各个所述目标节点之间的关联关系。
步骤210:按照所述层级和所述关联关系,生成由各个所述目标节点组成的树状结构。
具体地,在用户完成支付操作后,通过确定不同的目标节点的层级,以及各个目标节点之间的关联关系,可以按照确定的层级和关联关系生成由各个目标节点组成的树状结构的工作流模型,以便树状结构中的目标节点可以分层次执行模型训练,同等级目标节点的并发执行模型训练,不同等级的目标节点等上级层次节点运行完毕之后再执行模型训练。
步骤211:在运行环境下,利用所述树状结构训练所述待训练数据,获得训练结果,其中,训练结果,包括:机器学习模型和机器学习模型的评估结果。
具体地,利用用户确定的树状结构的工作流模型,在用户指定的运行环境下对待训练数据进行模型训练和结果评估,即可获取对应的机器学习模型以及模型的评估结果。而在树状结构的每一个目标节点运行完毕后,可以动态展示该目标节点的运行结果,以便用户了解模型训练的进展。
综上可见,通过创建不同的功能节点,为每一个功能节点设置对应的使用费用,用户在根据使用需求选择用于模型训练的目标节点后,即可计算出模型训练的训练费用,通过支付该训练费用,即可生成由用户选择的各个目标节点组成的树状结构的工作流模型,利用该树状结构即可在用户定义的运行环境中,对用户输入的待训练数据进行模型训练,获得指定应用场景的机器学习模型以及评估结果,同时支持训练模型的可视化,有助于用户对模型的理解。用户无需学习复杂的机器学习算法和技术,不需要对事前的软硬件配置投入任何资金,只需要根据使用量付费,即可实现对模型的训练,以降低机器学习模型训练的难度,节省机器学习模型训练的时间,提高机器学习模型训练的效率。
如图3所示,本发明实施例提供了一种机器学习模型训练装置,包括:
节点创建模块301,用于预先创建至少一个功能节点;
数据获取模块302,用于获取用户输入的待训练数据;
信息处理模块303,用于确定所述用户从所述节点创建模块301创建的所述至少一个功能节点中选择的至少一个目标节点;根据所述至少一个目标节点确定所述数据获取模块302获取的所述待训练数据的训练费用,并展示所述训练费用;
模型处理模块304,用于在所述信息处理模块303获取到所述用户支付所述训练费用获得的支付信息时,利用所述至少一个目标节点训练所述待训练数据,获得训练结果,其中,所述训练结果,包括:机器学习模型和所述机器学习模型的评估结果。
在本发明实施例中,用户如需训练机器学习模型,可以从节点创建模块预先创建的功能节点中选择目标节点,通过信息处理模块再支付选择的目标节点所对应的训练费用,模型处理模块即可利用用户选择的目标节点对数据获取模块获取的待训练数据进行训练,获得机器学习模型,以及学习模型的评估结果等训练结果,无需用户通过编写代码来完成机器学习模型训练,不仅可以简化机器学习模型训练的过程,还可以节省编写代码所耗费的时间,从而提高机器学习模型训练的效率。
在本发明一实施例中,所述信息处理模块,进一步用于生成所述训练费用对应的二维码;展示所述二维码,以使所述用户通过识别所述二维码支付所述训练费用。
在本发明一实施例中,所述模型处理模块,用于确定每一个所述目标节点对应的层级;确定各个所述目标节点之间的关联关系;按照所述层级和所述关联关系,生成由各个所述目标节点组成的树状结构;利用所述树状结构训练所述待训练数据,获得训练结果。
在本发明一实施例中,所述信息处理模块,进一步用于针对所述树状结构中的每一个所述目标节点,在所述目标节点运行完毕时,展示所述目标节点的运行结果。
在本发明一实施例中,所述数据获取模块,进一步用于获取所述用户定义的运行环境,其中,所述运行环境,包括:运行核数和内存大小;
所述模型处理模块,用于在所述数据获取模块获取的所述运行环境下,执行所述利用所述树状结构训练所述待训练数据,获得训练结果。
在本发明一实施例中,所述信息处理模块,进一步用于存储每一个功能节点对应的使用费用;从存储的所述使用费用中,确定每一个所述目标节点对应的目标使用费用;对各个所述目标使用费用求和,获得所述待训练数据的训练费用。
本发明各个实施例至少具有如下有益效果:
1、在本发明一实施例中,用户如需训练机器学习模型,可以从预先创建的功能节点中选择目标节点,再支付选择的目标节点所对应的训练费用,即可利用用户选择的目标节点对待训练数据进行训练,获得机器学习模型,以及学习模型的评估结果等训练结果,无需用户通过编写代码来完成机器学习模型训练,不仅可以简化机器学习模型训练的过程,还可以节省编写代码所耗费的时间,从而提高机器学习模型训练的效率。
2、在本发明一实施例中,在确定对待训练数据进行训练需要支付的训练费用后,通过生成对应的二维码,这样用户通过识别该二维码即可确定训练待训练模型所需要的训练费用完成支付,简化用户支付操作,提高用户的体验。
3、在本发明一实施例中,不同的目标节点对应不同的层级,通过目标节点对应层级和不同的目标节点之间的关联关系,可以对各个目标节点进行排序,生成树状结构,以使确定整个机器学习实验的先后执行顺序以及数据流动的走向,再按照树状结构的层级,分层次、同等级的并发执行对待训练数据进行训练,即可获得待训练数据的机器学习模型以及评估结果等训练结果。
4、在本发明一实施例中,目标节点在对待训练数据或者上级层次节点的运行结果运行完毕后,可以展示目标节点的运行结果,以使动态展示待训练数据流动的过程,便于用户了解待训练数据的处理情况。
5、在本发明一实施例中,用户可以根据需求自定义机器学习实验的运行核数、内存大小等运行环境,以使在该运行环境下训练待训练数据,获得指定应用场景的机器学习模型。
6、在本发明一实施例中,不同的功能节点所对应的使用费用不同,这样通过确定用户选择的目标节点对应的目标使用费用,即可计算出各个目标节点所对应的总训练费用,以便用户在支付训练费用后,为用户提供机器学习训练功能。
需要说明的是,在本文中,诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个······”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
最后需要说明的是:以上所述仅为本发明的较佳实施例,仅用于说明本发明的技术方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种机器学习模型训练方法,其特征在于,预先创建至少一个功能节点,包括:
获取用户输入的待训练数据;
确定所述用户从所述至少一个功能节点中选择的至少一个目标节点;
根据所述至少一个目标节点确定所述待训练数据的训练费用,并展示所述训练费用;
在获取到所述用户支付所述训练费用获得的支付信息时,利用所述至少一个目标节点训练所述待训练数据,获得训练结果,其中,所述训练结果,包括:机器学习模型和所述机器学习模型的评估结果。
2.根据权利要求1所述的机器学习模型训练方法,其特征在于,
在所述根据所述至少一个目标节点确定所述待训练数据的训练费用之后,在所述展示所述训练费用之前,进一步包括:
生成所述训练费用对应的二维码;
所述展示所述训练费用,包括:
展示所述二维码,以使所述用户通过识别所述二维码支付所述训练费用。
3.根据权利要求1所述的机器学习模型训练方法,其特征在于,
所述利用所述至少一个目标节点训练所述待训练数据,获得训练结果,包括:
确定每一个所述目标节点对应的层级;
确定各个所述目标节点之间的关联关系;
按照所述层级和所述关联关系,生成由各个所述目标节点组成的树状结构;
利用所述树状结构训练所述待训练数据,获得训练结果。
4.根据权利要求3所述的机器学习模型训练方法,其特征在于,
在所述利用所述树状结构训练所述待训练数据之后,进一步包括:
针对所述树状结构中的每一个所述目标节点,在所述目标节点运行完毕时,展示所述目标节点的运行结果;
和/或,
在所述利用所述树状结构训练所述待训练数据,获得训练结果之前,进一步包括:
获取所述用户定义的运行环境,其中,所述运行环境,包括:运行核数和内存大小;
在所述运行环境下,执行所述利用所述树状结构训练所述待训练数据,获得训练结果。
5.根据权利要求1至4中任一所述的机器学习模型训练方法,其特征在于,
在所述预先创建至少一个功能节点之后,在所述根据所述至少一个目标节点确定所述待训练数据的训练费用之前,进一步包括:
存储每一个功能节点对应的使用费用;
所述根据所述至少一个目标节点确定所述待训练数据的训练费用,包括:
从存储的所述使用费用中,确定每一个所述目标节点对应的目标使用费用;
对各个所述目标使用费用求和,获得所述待训练数据的训练费用。
6.一种机器学习模型训练装置,其特征在于,包括:
节点创建模块,用于预先创建至少一个功能节点;
数据获取模块,用于获取用户输入的待训练数据;
信息处理模块,用于确定所述用户从所述节点创建模块创建的所述至少一个功能节点中选择的至少一个目标节点;根据所述至少一个目标节点确定所述数据获取模块获取的所述待训练数据的训练费用,并展示所述训练费用;
模型处理模块,用于在所述信息处理模块获取到所述用户支付所述训练费用获得的支付信息时,利用所述至少一个目标节点训练所述待训练数据,获得训练结果,其中,所述训练结果,包括:机器学习模型和所述机器学习模型的评估结果。
7.根据权利要求6所述的机器学习模型训练装置,其特征在于,
所述信息处理模块,进一步用于生成所述训练费用对应的二维码;展示所述二维码,以使所述用户通过识别所述二维码支付所述训练费用。
8.根据权利要求6所述的机器学习模型训练装置,其特征在于,
所述模型处理模块,用于确定每一个所述目标节点对应的层级;确定各个所述目标节点之间的关联关系;按照所述层级和所述关联关系,生成由各个所述目标节点组成的树状结构;利用所述树状结构训练所述待训练数据,获得训练结果。
9.根据权利要求8所述的机器学习模型训练装置,其特征在于,
所述信息处理模块,进一步用于针对所述树状结构中的每一个所述目标节点,在所述目标节点运行完毕时,展示所述目标节点的运行结果;
和/或,
所述数据获取模块,进一步用于获取所述用户定义的运行环境,其中,所述运行环境,包括:运行核数和内存大小;
所述模型处理模块,用于在所述数据获取模块获取的所述运行环境下,执行所述利用所述树状结构训练所述待训练数据,获得训练结果。
10.根据权利要求6至9中任一所述的机器学习模型训练装置,其特征在于,
所述信息处理模块,进一步用于存储每一个功能节点对应的使用费用;从存储的所述使用费用中,确定每一个所述目标节点对应的目标使用费用;对各个所述目标使用费用求和,获得所述待训练数据的训练费用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910261235.9A CN109949031A (zh) | 2019-04-02 | 2019-04-02 | 一种机器学习模型训练方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910261235.9A CN109949031A (zh) | 2019-04-02 | 2019-04-02 | 一种机器学习模型训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109949031A true CN109949031A (zh) | 2019-06-28 |
Family
ID=67013486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910261235.9A Pending CN109949031A (zh) | 2019-04-02 | 2019-04-02 | 一种机器学习模型训练方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109949031A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052322A (zh) * | 2021-03-10 | 2021-06-29 | 广东博智林机器人有限公司 | 机器学习的建模方法、装置、存储介质和处理器 |
WO2024021321A1 (zh) * | 2022-07-26 | 2024-02-01 | 深圳思谋信息科技有限公司 | 模型生成的方法、装置、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017058932A1 (en) * | 2015-09-28 | 2017-04-06 | Skytree, Inc. | Improved user interface for unified data science platform including management of models, experiments, data sets, projects, actions, reports and features |
CN108416363A (zh) * | 2018-01-30 | 2018-08-17 | 平安科技(深圳)有限公司 | 机器学习模型的生成方法、装置、计算机设备及存储介质 |
CN108427992A (zh) * | 2018-03-16 | 2018-08-21 | 济南飞象信息科技有限公司 | 一种基于边缘云计算的机器学习训练系统及方法 |
-
2019
- 2019-04-02 CN CN201910261235.9A patent/CN109949031A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017058932A1 (en) * | 2015-09-28 | 2017-04-06 | Skytree, Inc. | Improved user interface for unified data science platform including management of models, experiments, data sets, projects, actions, reports and features |
CN108416363A (zh) * | 2018-01-30 | 2018-08-17 | 平安科技(深圳)有限公司 | 机器学习模型的生成方法、装置、计算机设备及存储介质 |
CN108427992A (zh) * | 2018-03-16 | 2018-08-21 | 济南飞象信息科技有限公司 | 一种基于边缘云计算的机器学习训练系统及方法 |
Non-Patent Citations (2)
Title |
---|
WEIXIN_34346099: "《CSDN博客》", 25 March 2019 * |
ZKIO: "《博客园》", 12 September 2017 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052322A (zh) * | 2021-03-10 | 2021-06-29 | 广东博智林机器人有限公司 | 机器学习的建模方法、装置、存储介质和处理器 |
WO2024021321A1 (zh) * | 2022-07-26 | 2024-02-01 | 深圳思谋信息科技有限公司 | 模型生成的方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8250007B2 (en) | Method of generating precedence-preserving crossover and mutation operations in genetic algorithms | |
Constantine | Human activity modeling: toward a pragmatic integration of activity theory and usage-centered design | |
US20100332281A1 (en) | Task allocation mechanisms and markets for acquiring and harnessing sets of human and computational resources for sensing, effecting, and problem solving | |
CN109949031A (zh) | 一种机器学习模型训练方法及装置 | |
Hartikainen et al. | Human-centered AI design in reality: a study of developer companies’ practices: a study of developer companies’ practices | |
CN110046617A (zh) | 一种基于深度学习的数字电表读数自适应识别方法 | |
Goldbarg et al. | A transgenetic algorithm applied to the traveling car renter problem | |
CN113807714B (zh) | 资源分配的方法、装置、设备、存储介质及程序产品 | |
Mikram et al. | HEPGA: a new effective hybrid algorithm for scientific workflow scheduling in cloud computing environment | |
CN109344173B (zh) | 数据管理方法和装置、数据结构 | |
CN109947462A (zh) | 一种面向软件代码变更集成的决策支持方法及装置 | |
CN109934708A (zh) | 一种本地多策略模拟交易方法及系统装置 | |
Dabirian et al. | Predicting labor costs in construction projects using agent-based modeling and simulation | |
Riley | Discrete-event simulation optimization: a review of past approaches and propositions for future direction. | |
CN110263136B (zh) | 基于强化学习模型向用户推送对象的方法和装置 | |
CN107754314A (zh) | 一种游戏系统的数据驱动设计方法 | |
CN106919576A (zh) | 利用二级类目下的关键词库搜索应用程序的方法及装置 | |
CN109544234A (zh) | 一种云环境下基于帕累托最优的资源定价方法 | |
Liang et al. | The engineering of circular causality for specialization and design of complex systems: Cad2CAS and CasCAD2 | |
Agrawal et al. | Contextual relationships in Juran’s quality principles for business sustainable growth under circular economy perspective: A decision support system approach | |
Ryalat et al. | Enhanced multi-verse optimizer (tmvo) and applying it in test data generation for path testing | |
CN107705200A (zh) | 活期账户分层计息方法及装置、计算机设备及存储介质 | |
CN110245985A (zh) | 一种信息处理方法及装置 | |
CN115167965A (zh) | 交易进度条的处理方法及装置 | |
CN110288124A (zh) | 土地利用格局的优化方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |