RU2017100479A - Адаптивное акцентирование в качестве услуги - Google Patents

Адаптивное акцентирование в качестве услуги Download PDF

Info

Publication number
RU2017100479A
RU2017100479A RU2017100479A RU2017100479A RU2017100479A RU 2017100479 A RU2017100479 A RU 2017100479A RU 2017100479 A RU2017100479 A RU 2017100479A RU 2017100479 A RU2017100479 A RU 2017100479A RU 2017100479 A RU2017100479 A RU 2017100479A
Authority
RU
Russia
Prior art keywords
emphasis
data set
module
task
library
Prior art date
Application number
RU2017100479A
Other languages
English (en)
Other versions
RU2017100479A3 (ru
Inventor
Михаил БИЛЕНКО
Алексей КАМЕНЕВ
Виджай НАРАЯНАН
Питер ТАРАБА
Original Assignee
МАЙКРОСОФТ ТЕКНОЛОДЖИ ЛАЙСЕНСИНГ, ЭлЭлСи
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 МАЙКРОСОФТ ТЕКНОЛОДЖИ ЛАЙСЕНСИНГ, ЭлЭлСи filed Critical МАЙКРОСОФТ ТЕКНОЛОДЖИ ЛАЙСЕНСИНГ, ЭлЭлСи
Publication of RU2017100479A publication Critical patent/RU2017100479A/ru
Publication of RU2017100479A3 publication Critical patent/RU2017100479A3/ru

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00Computing arrangements using knowledge-based models
    • G06N5/04Inference or reasoning models
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217Validation; Performance evaluation; Active pattern learning techniques
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10Character recognition
    • G06V30/24Character recognition characterised by the processing or recognition method
    • G06V30/242Division of the character sequences into groups prior to recognition; Selection of dictionaries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Machine Translation (AREA)
  • Studio Devices (AREA)

Claims (24)

1. Система, которая автоматически выбирает по меньшей мере одно акцентирование для приложения машинного самообучения, причем система содержит:
по меньшей мере один процессор;
память, соединенную с по меньшей мере одним процессором; и
по меньшей мере один программный модуль, загруженный в память, каковой по меньшей мере один программный модуль содержит модуль выбора акцентирований, который автоматически выбирает по меньшей мере одно акцентирование для принятого набора данных и принятого определения задачи для приложения машинного самообучения, и
по меньшей мере один программный модуль, содержащий модуль сравнения, который сравнивает принятый набор данных с библиотекой наборов данных и выбирает по меньшей мере одно акцентирование на основе этого сравнения.
2. Система по п.1, в которой набор данных содержит необработанные данные.
3. Система по п. 1, дополнительно содержащая по меньшей мере один программный модуль, содержащий модуль сравнения, который сравнивает принятое определение задачи с библиотекой определений задач и выбирает по меньшей мере одно акцентирование на основе этого сравнения.
4. Система по п. 1, дополнительно содержащая по меньшей мере один программный модуль, содержащий модуль, который проверяет результаты прошлых выполнений обучения для выбранного по меньшей мере одного акцентирования.
5. Система по п. 1, дополнительно содержащая по меньшей мере один программный модуль, содержащий модуль, который проверяет множество результатов тестовых выполнений, применяющих выбранные акцентирования к принятому набору данных, и выбирает по меньшей мере одно акцентирование на основе этих результатов.
6. Система по п. 1, дополнительно содержащая по меньшей мере один программный модуль, содержащий модуль, который принимает определение того, как измеряется успех.
7. Способ автоматического выбора акцентирований для приложения машинного самообучения, содержащий этапы, на которых:
принимают, посредством процессора вычислительного устройства, входные данные, содержащие набор данных из необработанных данных;
сравнивают этот набор данных с библиотекой наборов данных и выбирают по меньшей мере одно акцентирование, связанное с набором данных в библиотеке наборов данных, на основе этого сравнения; и
рекомендуют выбранное по меньшей мере одно акцентирование для применения к набору данных из необработанных данных.
8. Способ по п.7, дополнительно содержащий этап, на котором сравнивают принятое определение задачи с определением задачи в библиотеке определений задач и выбирают по меньшей мере одно акцентирование, связанное с определением задачи в библиотеке определений задач, для применения к набору данных из необработанных данных.
9. Способ по п.7, дополнительно содержащий этап, на котором применяют по меньшей мере одно выбранное акцентирование к набору данных из необработанных данных в тестовом выполнении.
10. Способ по п.7, дополнительно содержащий этап, на котором сравнивают результаты множества тестовых выполнений, в которых выбранные акцентирования применены к набору данных из необработанных данных.
11. Способ по п.10, дополнительно содержащий этап, на котором рекомендуют по меньшей мере одно акцентирование для применения к набору данных из необработанных данных на основе результатов сравнения.
12. Способ по п.7, дополнительно содержащий этап, на котором принимают определение того, как измеряется успех.
13. Машиночитаемый носитель, содержащий машиночитаемые команды, которые при их исполнении предписывают по меньшей мере одному процессору вычислительного устройства выполнять следующее:
автоматический выбор по меньшей мере одного акцентирования для принятого набора данных и принятого определения задачи для приложения машинного самообучения, и
содержащий дополнительные машиночитаемые команды, которые при их исполнении предписывают по меньшей мере одному процессору выполнять следующее:
сравнение принятого набора данных с библиотекой наборов данных; и
выбор по меньшей мере одного акцентирования на основе этого сравнения.
RU2017100479A 2014-07-12 2015-07-10 Адаптивное акцентирование в качестве услуги RU2017100479A (ru)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201462023833P 2014-07-12 2014-07-12
US62/023,833 2014-07-12
US14/576,253 US20160012318A1 (en) 2014-07-12 2014-12-19 Adaptive featurization as a service
US14/576,253 2014-12-19
PCT/US2015/039839 WO2016010832A1 (en) 2014-07-12 2015-07-10 Adaptive featurization as a service

Publications (2)

Publication Number Publication Date
RU2017100479A true RU2017100479A (ru) 2018-07-11
RU2017100479A3 RU2017100479A3 (ru) 2019-01-31

Family

ID=55067826

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2017100479A RU2017100479A (ru) 2014-07-12 2015-07-10 Адаптивное акцентирование в качестве услуги

Country Status (6)

Country Link
US (1) US20160012318A1 (ru)
EP (1) EP3167409A1 (ru)
JP (1) JP2017527013A (ru)
CN (1) CN106537423A (ru)
RU (1) RU2017100479A (ru)
WO (1) WO2016010832A1 (ru)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10026041B2 (en) 2014-07-12 2018-07-17 Microsoft Technology Licensing, Llc Interoperable machine learning platform
US9436507B2 (en) 2014-07-12 2016-09-06 Microsoft Technology Licensing, Llc Composing and executing workflows made up of functional pluggable building blocks
US10371005B2 (en) * 2016-07-20 2019-08-06 United Technologies Corporation Multi-ply heat shield assembly with integral band clamp for a gas turbine engine
US11669675B2 (en) 2016-11-23 2023-06-06 International Business Machines Corporation Comparing similar applications with redirection to a new web page
EP3480714A1 (en) * 2017-11-03 2019-05-08 Tata Consultancy Services Limited Signal analysis systems and methods for features extraction and interpretation thereof
CN110738304A (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、设备及存储介质
US20200210775A1 (en) * 2018-12-28 2020-07-02 Harman Connected Services, Incorporated Data stitching and harmonization for machine learning
US11373119B1 (en) * 2019-03-29 2022-06-28 Amazon Technologies, Inc. Framework for building, orchestrating and deploying large-scale machine learning applications

Family Cites Families (6)

* Cited by examiner, † Cited by third party
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
US8609602B2 (en) * 2010-07-14 2013-12-17 Anatrace Products, Llc Cleaning solution
US20120158623A1 (en) * 2010-12-21 2012-06-21 Microsoft Corporation Visualizing machine learning accuracy
CN103502899B (zh) * 2011-01-26 2016-09-28 谷歌公司 动态预测建模平台
TWM444868U (zh) * 2012-07-20 2013-01-11 Axpro Technology Inc 遊戲用射擊器材之方向操控裝置
US9292799B2 (en) * 2013-02-28 2016-03-22 Chevron U.S.A. Inc. Global model for failure prediction for artificial lift systems

Also Published As

Publication number Publication date
CN106537423A (zh) 2017-03-22
WO2016010832A1 (en) 2016-01-21
RU2017100479A3 (ru) 2019-01-31
JP2017527013A (ja) 2017-09-14
EP3167409A1 (en) 2017-05-17
US20160012318A1 (en) 2016-01-14

Similar Documents

Publication Publication Date Title
RU2017100479A (ru) Адаптивное акцентирование в качестве услуги
US10380482B2 (en) Training neural networks on partitioned training data
JP2017062760A5 (ru)
MX2018004367A (es) Sistema de ensayo de baterias para predecir los resultados del ensayo de baterias.
WO2014110167A3 (en) Integrated machine learning for a data management product
RU2017109689A (ru) Представление вычислительной среды на множественных устройствах
WO2017176356A3 (en) Partitioned machine learning architecture
WO2016036817A4 (en) Executing graph-based program specifications
BR112018013425A2 (pt) interface com o usuário
JP2017520068A5 (ru)
MX2016011616A (es) Administracion de recursos con base en perfiles de utilizacion de recursos de dispositivo especifico o usuario especifico.
WO2015073078A3 (en) Apparatuses and methods for iris based biometric recognition
JP2016534660A5 (ru)
JP2017510867A5 (ru)
US20160063073A1 (en) Electronic device and method for searching for application
JP2016514877A5 (ru)
PH12016000112B1 (en) Protocol evaluator
JP2017527013A5 (ru)
MX366930B (es) Inteligente y automatizada extracción y verificación de datos de sitios web.
US9116771B2 (en) Merging weighted recommendations for installation and configuration of software products
JP2015176235A5 (ru)
WO2015130675A3 (en) Apparatus and method for testing computer program implementation against a design model
JP2017504106A5 (ru)
JP2016151932A5 (ru)
JP2013097467A5 (ru)

Legal Events

Date Code Title Description
FA92 Acknowledgement of application withdrawn (lack of supplementary materials submitted)

Effective date: 20190528