CN110991656B - 一种以场景变量作为构成元素与交互单元的机器学习方法 - Google Patents
一种以场景变量作为构成元素与交互单元的机器学习方法 Download PDFInfo
- Publication number
- CN110991656B CN110991656B CN201911340899.0A CN201911340899A CN110991656B CN 110991656 B CN110991656 B CN 110991656B CN 201911340899 A CN201911340899 A CN 201911340899A CN 110991656 B CN110991656 B CN 110991656B
- Authority
- CN
- China
- Prior art keywords
- variables
- user
- variable
- machine learning
- scene
- 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.)
- Active
Links
Images
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)
- User Interface Of Digital Computer (AREA)
Abstract
本发明公开了一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,包括场景搭建、场景数据录入、机器学习模型训练、机器学习模型应用展示展示。本发明降低使用者使用和学习机器学习模型的门槛,使机器学习成为普罗大众可以在生活中使用的工具。本发明创造了能够充分描述且搭建业务场景的较通用模式,摒弃了不具备较强通用性的传统场景搭建模式,将针对机器学习模型的业务场景建模的过程精简化。本发明将业务场景以变量的形式进行规范化、系统化,降低了用户的维护难度,提高了场景的清晰度。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种以场景变量作为构成元素与交互单元的机器学习方法。
背景技术
机器学习是人工智能研究发展到一定阶段的必然产物,其专门研究通过计算机学习场景数据中内在的规律性信息,模拟或实现人类的学习行为,以获取新的知识或经验,重新组织已有的知识结构然后不断改善系统自身的性能,最后使计算机能够像人类一样做智能决策。在现在这个大数据时代,机器学习已经成为了人工智能领域的热门方向,随着各个行业领域产生的数据量急剧增多,因此对处理和分析数据的效率要求变高,一系列的机器学习算法以及相应的系统应运而生,并且其作用及功能被极大化。正是因为大数据使得机器学习可以在大量的经验中进行学习,从而不断地提升自身的性能。目前在机器学习领域中,已经形成了相对通用的构建模型的流程,大致有由以下步骤构成:数据获取、数据预处理、特征工程、模型选择、模型训练、模型评估以及变量预测。但是这并不能完全满足用户以及工业对机器学习的需求,因此近些年有越来越多的公司开始研发不同的机器学习的系统,致力于让更多的大众用户能够轻松地运用机器学习去完成相应的任务。与此同时也能推进智能时代的进程。
在实践中,基于机器学习模型进行预测任务时,需要预先设定好待预测的变量,然后根据待预测变量的相关变量进行建模训练模型,最后才能完成预测任务。这样每当设定一次待预测的变量都需要修改并且运行一次机器学习建模过程,如此才能完成预测的任务。显然,这样的操作很繁琐,影响完成预测任务的效率。对于大众用户而言,他们并不是机器学习算法从业者,上述中繁琐的操作会增加用户使用机器学习系统的难度。人工智能技术应用的一大难题在于缺少有效易用的机器学习工具,机器学习工具需要在操作性上有所改进,以帮助不同用户更好地利用机器学习去完成相应的任务。除此以外,当今的机器学习模型及其系统更注重于预测,这种思路会对用户的使用自由度造成束缚,因为大多数用户并不清楚自己要预测什么,他们更需要的是一气呵成的针对其目标场景的透彻的业务挖掘。而且,当今有机器学习需求的用户,对于其场景数据的收集与整理缺少明确的体系化管理,导致数据质量良莠不齐,规则不统一,从而直接影响了机器学习模型的性能。
发明内容
基于背景技术存在的技术问题,本发明提出了一种以场景变量作为构成元素与交互单元的机器学习方法。
本发明采用的技术方案是:
一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,包括:
(1)场景搭建:
构建面向使用者的场景搭建交互系统,引导用户通过用户操作界面录入同一场景所涉及到的原始数据集,所述原始数据集包括多个变量,每个所述变量的录入特征包括变量名称、变量描述、变量类型、取值范围,其中变量类型包括程度、类别、数值;
接收到用户将原始数据集录入完毕的信号后,在用户操作界面铺开式展示出全部所述变量,供用户观察或随时根据实际需求进行修改;
引导用户通过用户操作界面将已经录入的所述变量进行分类,录入特征大致相同的变量关联为同一个对象,同一对象下的所有变量共享同一量化规则;
接收到用户将变量归类完毕的信号后,将分类整理好的变量进行处理得到原始变量画像,将原始变量画像进一步处理呈现在用户操作界面供用户进行可视化操作与管理;
(2)场景数据录入:
引导用户通过用户操作界面在步骤(1)搭建的场景中录入新数据集,通过搭建的场景中的变量及对象特征以及量化规则,对正在录入的新数据进行实时自动纠错;
根据用户录入的新数据,对各变量及其对象的特征进行实时更新,并协助用户获取各个变量及对象的量化规则;
(3)机器学习模型训练:
借助自动化机器学习模型,对已经规范量化处理过的数据进行机器学习,并将训练得到的机器学习模型储存到特定的位置,以供后续的调用、融合、预测;
借助持续且大规模的机器学习机制,分别将每个变量都作为输出变量,其余变量作为其输入变量,保证所有的变量均能得到预测,由此完成训练过程;
(4)机器学习模型应用展示:
引导用户将待输入的变量与待输出的变量置于指定的输入界面或者输出界面,自动配置满足该输入-输出组合的机器学习模型组,进而为用户服务。
进一步地,所述的一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,所述录入特征大致相同的变量关联为同一个对象,其表达形式具体为拖拽,全部变量的初始状态为:每一变量对应一个对象框,使用者可将变量x直接拖拽到变量y所处的对象框中,于是变量x与变量y便被归为同一个对象。
进一步地,所述的一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,所述对象的特征是根据所述对象所包含的变量的录入特征而自动生成的,所述对象的量化规范可根据所述对象所包含的变量的录入特征来调整,以保证所述对象的特征满足其所包含的所有变量的特征,同时支持用户对所述对象的特征进行修改,形成所述对象的量化规则,隶属于所述对象的变量共享其量化规则。同属于一个对象的多个变量共享该对象的量化规则举例:变量“沈阳的温度”与变量“大连的温度”均属于对象“天气温度”,已知对象“天气温度”的量化规范为:(T-(-30))/(50-(-30)),则隶属于该对象的所有变量的量化均要依据该规范。
进一步地,所述的一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,所述自动纠错的具体步骤为:
用户录入当前场景下的新数据集,通过搭建的场景中的变量及对象特征以及量化规则,对正在录入的新数据进行实时自动纠错;
纠错后的数据为规范化场景数据,直接关联至相应的对象中,并被处理为变量画像进行储存。
进一步地,所述的一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,所述对各变量及其对象的特征进行实时更新包括变量的取值范围、取值分布的信息熵的更新。
进一步地,所述的一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,所述将待输入的变量与待输出的变量置于指定的输入界面或者输出界面的操作方式为拖拽。
本发明的优点是:
1.本发明降低使用者使用和学习机器学习模型的门槛,使机器学习成为普罗大众可以在生活中使用的工具。
2.本发明创造了能够充分描述且搭建业务场景的较通用模式,摒弃了不具备较强通用性的传统场景搭建模式,将针对机器学习模型的业务场景建模的过程精简化。
3.本发明将业务场景以变量的形式进行规范化、系统化,降低了用户的维护难度,提高了场景的清晰度。
4.本发明弱化流程之间的依存度,方便大众用户灵活使用及后续维护、升级。
5.当今流行的自动化机器学习模型系统更注重由用户指定的输入-输出的预测机制,对场景本身的变量挖掘的侧重点不强,而大众使用者更关注的是场景自身的深度挖掘与灵活预测,且大众使用者多数并不具备提前对输入-输出预测机制的提前指定的能力;本发明提供了一种弱化输入-输出的流程式预测机制,强化场景本身的变量挖掘及灵活预测。
附图说明
图1为本发明实施例场景搭建中引导用户录入原始数据集的流程图。
图2为本发明实施例场景搭建中将变量之间关联形成对象的流程图。
图3为本发明实施例场景数据录入中自动纠错的流程图。
图4为本发明实施例机器学习模型训练的流程图。
图5为本发明实施例机器学习模型应用展示的流程图。
图6为本发明实施例机器学习模型应用展示中输入-输出界面的示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1。
一种以场景变量作为构成元素与交互单元的机器学习方法,包括:
(1)场景搭建:
如图1所示,构建面向使用者的场景搭建交互系统,引导用户通过用户操作界面录入同一场景所涉及到的原始数据集,原始数据集包括多个变量,每个变量的录入特征包括变量名称、变量描述、变量类型、取值范围,其中变量类型包括程度、类别、数值;
接收到用户将原始数据集录入完毕的信号后,在用户操作界面铺开式展示出全部变量,供用户观察或随时根据实际需求进行修改;
如图2所示,引导用户通过用户操作界面将已经录入的变量进行分类,录入特征大致相同的变量关联为同一个对象,同一对象下的所有变量共享同一量化规则;
接收到用户将变量归类完毕的信号后,将分类整理好的变量进行处理得到原始变量画像,将原始变量画像进一步处理呈现在用户操作界面供用户进行可视化操作与管理;
(2)场景数据录入:
如图3所示,引导用户通过用户操作界面在步骤(1)搭建的场景中录入新数据集,通过搭建的场景中的变量及对象特征以及量化规则,对正在录入的新数据进行实时自动纠错;
根据用户录入的新数据,对各变量及其对象的特征进行实时更新,并协助用户获取各个变量及对象的量化规则;
(3)机器学习模型训练:
如图4所示,借助自动化机器学习模型,对已经规范量化处理过的数据进行机器学习,并将训练得到的机器学习模型储存到特定的位置,以供后续的调用、融合、预测;
借助持续且大规模的机器学习机制,分别将每个变量都作为输出变量,其余变量作为其输入变量,保证所有的变量均能得到预测,由此完成训练过程;
(4)机器学习模型应用展示:
如图5、6所示,引导用户将待输入的变量与待输出的变量置于指定的输入界面或者输出界面,自动配置满足该输入-输出组合的机器学习模型组,进而为用户服务。
进一步地,录入特征大致相同的变量关联为同一个对象,其表达形式具体为拖拽,全部变量的初始状态为:每一变量对应一个对象框,使用者可将变量x直接拖拽到变量y所处的对象框中,于是变量x与变量y便被归为同一个对象。
进一步地,对象的特征是根据对象所包含的变量的录入特征而自动生成的,对象的量化规范可根据对象所包含的变量的录入特征来调整,以保证对象的特征满足其所包含的所有变量的特征,同时支持用户对对象的特征进行修改,形成对象的量化规则,隶属于对象的变量共享其量化规则。同属于一个对象的多个变量共享该对象的量化规则举例:变量“沈阳的温度”与变量“大连的温度”均属于对象“天气温度”,已知对象“天气温度”的量化规范为:(T-(-30))/(50-(-30)),则隶属于该对象的所有变量的量化均要依据该规范。
进一步地,自动纠错的具体步骤为:
用户录入当前场景下的新数据集,通过搭建的场景中的变量及对象特征以及量化规则,对正在录入的新数据进行实时自动纠错;
纠错后的数据为规范化场景数据,直接关联至相应的对象中,并被处理为变量画像进行储存。
进一步地,对各变量及其对象的特征进行实时更新包括变量的取值范围、取值分布的信息熵的更新。
进一步地,将待输入的变量与待输出的变量置于指定的输入界面或者输出界面的操作方式为拖拽。
具体举例:
首先,进行场景的搭建工作。
某用户录入了他收集到的并认为均关于心脏健康场景的原始数据集,该数据集共12个变量(包括近期心脏健康情况、日常消遣偏好、性格特点、冒虚汗情况、睡觉打鼾情况、抽烟情况、喝酒情况、日常睡眠时长、日均工作时长、身高、体重、健身情况),各个变量的录入特征包括:变量名称、变量描述、变量类型(程度、类别、数值)、取值范围。用户可以接着对12个变量进行分类操作,将属性特征大致相同的变量分为同一个对象。例如将冒虚汗情况、睡觉打鼾情况、抽烟情况、喝酒情况放入同一个对象,将日常睡眠时长、日均工作时长放入同一个对象。同一对象下的所有变量共享同一量化规则。开发人员对整理好的原始变量进行处理得到原始变量画像,将原始变量画像进一步处理呈现在用户操作界面供用户进行可视化操作与管理。
2.接着,进行场景数据的录入工作。
用户将心脏健康场景的原始数据集录入数据录入系统,该系统依据由使用者在搭建场景时所设立的变量和对象特征及其约束条件,对正在录入的数据进行实时的自动纠错。例如,自动对缺失数据,噪声数据进行规则化清洗,对不符合量化规则数据进行自动纠错等。在数据录入的过程中,还会实时的自动更新对变量以及对象的最大值,最小值等数据特征。最后输出标准HDPP格式的数据,做为后续的机器学习工作准备原材料。
3.然后,进行机器学习建模的工作。
借助自动化机器学习模型,对已经过规范的量化处理的数据进行机器学习,分别将每个变量都作为输出变量,其余变量作为其输入变量,保证所有的变量均能得到预测。并将训练得到的机器学习模型储存到特定的位置,以供后续的调用、融合、预测。
4.最后,进行场景预测的展示工作。
使用者进入可自行配置变量输入-输出组合的界面及系统,大致构成分为:输入界面(下图中虚线框左侧)、输出界面(下图虚线框部分)。使用者仅需将待输入的变量与待输出的变量拖拽(或通过其它方式)到指定的界面即可,系统会自动配置满足该输入-输出组合的机器学习模型组。
5.当用户通过拖拽或其他任何方式确定了某一个或某几个变量为待预测变量,系统会自动将与这些带预测变量相关的变量筛选出来,并显示为‘关联变量’页面,例如将变量近期心脏健康情况拖到右侧输出界面,左侧输入界面会自动跳转至关联变量页,并显示所有与近期心脏健康情况变量有关的所有关联变量(包括除了近期心脏健康变量以外的所有变量)。当用户对关联变量进行赋值时,右侧输出界面关于近期心脏健康情况变量的输出结果会实时根据关联变量的输入进行更新。
本发明的原理是:
1.以场景变量作为基本处理元素的自动化机器学习系统。
2.场景的定义取决于变量,变量由使用者自身进行定义。
3.变量之间可通过关联形成对象,对象的特征属性由变量的特征属性进行归纳得到,并反过来形成针对各个变量的统一一致的量化规范。
4.场景数据的录入由相关变量及其对象的量化规范作为引导,包括对应的数据录入的自动纠正功能。
5.变量及对象的特征属性及量化规范可根据实时录入的数据进行实时更新。
6.各个变量及其对象以铺开的形式展现,供用户随时进行观察、修正、操作。
7.不需要由用户提前将变量划分为输入变量和输出变量,该发明会自动将全部的输入-输出组合进行透彻的机器学习训练,保证无论哪些变量作为输入,哪些变量作为输出,均能得到实施。
8.可由用户通过直接的交互(如拖拽)即可配置输入-输出组合的界面及系统。
9.根据用户灵活配置的输入-输出组合,在模型库里进行模型挑选及融合以满足该输入-输出组合的自动化系统。
10.可根据用户在输入界面中的变量的实时数据输入,对输出界面中的变量进行同步实时预测及数值展示的系统。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,包括:
(1)场景搭建:
构建面向使用者的场景搭建交互系统,引导用户通过用户操作界面录入同一场景所涉及到的原始数据集,所述原始数据集包括多个变量,每个所述变量的录入特征包括变量名称、变量描述、变量类型、取值范围,其中变量类型包括程度、类别、数值;
接收到用户将原始数据集录入完毕的信号后,在用户操作界面铺开式展示出全部所述变量,供用户观察或随时根据实际需求进行修改;
引导用户通过用户操作界面将已经录入的所述变量进行分类,录入特征大致相同的变量关联为同一个对象,同一对象下的所有变量共享同一量化规则;
接收到用户将变量归类完毕的信号后,将分类整理好的变量进行处理得到原始变量画像,将原始变量画像进一步处理呈现在用户操作界面供用户进行可视化操作与管理;
(2)场景数据录入:
引导用户通过用户操作界面在步骤(1)搭建的场景中录入新数据集,通过搭建的场景中的变量及对象特征以及量化规则,对正在录入的新数据进行实时自动纠错;
根据用户录入的新数据,对各变量及其对象的特征进行实时更新,并协助用户获取各个变量及对象的量化规则;
(3)机器学习模型训练:
借助自动化机器学习模型,对已经规范量化处理过的数据进行机器学习,并将训练得到的机器学习模型储存到特定的位置,以供后续的调用、融合、预测;
借助持续且大规模的机器学习机制,分别将每个变量都作为输出变量,其余变量作为其输入变量,保证所有的变量均能得到预测,由此完成训练过程;
(4)机器学习模型应用展示:
引导用户将待输入的变量与待输出的变量置于指定的输入界面或者输出界面,自动配置满足该输入-输出组合的机器学习模型组,进而为用户服务。
2.根据权利要求1所述的一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,所述录入特征大致相同的变量关联为同一个对象,其表达形式具体为拖拽,全部变量的初始状态为:每一变量对应一个对象框,使用者可将变量x直接拖拽到变量y所处的对象框中,于是变量x与变量y便被归为同一个对象。
3.根据权利要求2所述的一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,所述对象的特征是根据所述对象所包含的变量的录入特征而自动生成的,所述对象的量化规范可根据所述对象所包含的变量的录入特征来调整,以保证所述对象的特征满足其所包含的所有变量的特征,同时支持用户对所述对象的特征进行修改,形成所述对象的量化规则,隶属于所述对象的变量共享其量化规则。
4.根据权利要求3所述的一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,所述自动纠错的具体步骤为:
用户录入当前场景下的新数据集,通过搭建的场景中的变量及对象特征以及量化规则,对正在录入的新数据进行实时自动纠错;
纠错后的数据为规范化场景数据,直接关联至相应的对象中,并被处理为变量画像进行储存。
5.根据权利要求4所述的一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,所述对各变量及其对象的特征进行实时更新包括变量的取值范围、取值分布的信息熵的更新。
6.根据权利要求5所述的一种以场景变量作为构成元素与交互单元的机器学习方法,其特征在于,所述将待输入的变量与待输出的变量置于指定的输入界面或者输出界面的操作方式为拖拽。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911340899.0A CN110991656B (zh) | 2019-12-23 | 2019-12-23 | 一种以场景变量作为构成元素与交互单元的机器学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911340899.0A CN110991656B (zh) | 2019-12-23 | 2019-12-23 | 一种以场景变量作为构成元素与交互单元的机器学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991656A CN110991656A (zh) | 2020-04-10 |
CN110991656B true CN110991656B (zh) | 2023-02-21 |
Family
ID=70075842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911340899.0A Active CN110991656B (zh) | 2019-12-23 | 2019-12-23 | 一种以场景变量作为构成元素与交互单元的机器学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991656B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109523316A (zh) * | 2018-11-16 | 2019-03-26 | 杭州珞珈数据科技有限公司 | 商业服务模型的自动化建模方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11501201B2 (en) * | 2017-07-17 | 2022-11-15 | MetiStream, Inc. | Systems, methods, and apparatuses for training, storage, and interaction with machine learning models |
US11157295B2 (en) * | 2018-01-02 | 2021-10-26 | Patrick Schur | System and method for providing intelligent operant operating interface and intelligent personal assistant as a service on a crypto secure social media and cross bridge service with continuous prosumer validation based on i-operant+198 tags, i-bubble+198 tags, demojis+198 and demoticons+198 |
-
2019
- 2019-12-23 CN CN201911340899.0A patent/CN110991656B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109523316A (zh) * | 2018-11-16 | 2019-03-26 | 杭州珞珈数据科技有限公司 | 商业服务模型的自动化建模方法 |
Non-Patent Citations (1)
Title |
---|
场景化:学习服务设计的新思路;武法提等;《电化教育研究》;20181129(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110991656A (zh) | 2020-04-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106530305B (zh) | 语义分割模型训练和图像分割方法及装置、计算设备 | |
CN107330021A (zh) | 基于多叉树的数据分类方法、装置及设备 | |
US7802197B2 (en) | Adaptive systems and methods for making software easy to use via software usage mining | |
CN111369016B (zh) | 一种基于图像识别的现场运维方法及系统 | |
CN111291266A (zh) | 基于人工智能的推荐方法、装置、电子设备及存储介质 | |
CN106529565A (zh) | 目标识别模型训练和目标识别方法及装置、计算设备 | |
CN111861020A (zh) | 模型部署方法、装置、设备及存储介质 | |
CN110163723A (zh) | 基于产品特征的推荐方法、装置、计算机设备及存储介质 | |
CN110956272A (zh) | 实现数据处理的方法和系统 | |
CN104246656A (zh) | 建议的视频编辑的自动检测 | |
CN111611488B (zh) | 基于人工智能的信息推荐方法、装置、电子设备 | |
CN111611240A (zh) | 执行自动机器学习过程的方法、装置及设备 | |
CN110750567A (zh) | 一种基于智能衣柜的穿搭数据生成方法及系统 | |
CN115859122B (zh) | 一种数据识别方法、自动持续学习模型、装置和设备 | |
CN110689093A (zh) | 一种复杂场景下的图像目标精细分类方法 | |
CN111611085A (zh) | 基于云边协同的人机混合增强智能系统、方法、装置 | |
CN110909888A (zh) | 泛型决策树构建方法、装置、设备及可读存储介质 | |
CN111178656A (zh) | 信用模型训练方法、信用评分方法、装置及电子设备 | |
CN110991656B (zh) | 一种以场景变量作为构成元素与交互单元的机器学习方法 | |
CN112686690B (zh) | 数据处理方法、装置、电子设备及计算机可读存储介质 | |
Pietersma et al. | Induction and evaluation of decision trees for lactation curve analysis | |
CN113590692A (zh) | 一种三阶段人群挖掘条件优化方法及系统 | |
CN111047011B (zh) | 一种基于机器学习模型的场景变量自动化深度挖掘引擎系统 | |
CN114154406A (zh) | 基于黑盒优化器的ai模型自动建模系统 | |
CN114580517A (zh) | 一种图像识别模型的确定方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |