機器學習服務

阿里雲機器學習服務打造一站式人工智慧平台，為您提供機器學習服務服務，其中包括資料預先處理、特徵工程、型號訓練、型號預測、型號評定。將整個機器學習服務鏈路串連起來，實現人工智慧觸手可及。

• 提供視覺效果動作介面，您可以通過WEB介面以拖拉拽的方式快速搭建實驗。整個機器學習服務建模程序猶如搭積木，升階實驗搭建效率，降低成本。

• 整個機器學習服務程序服務化。您可以通過工作流程的方式在平台上完成企業級機器學習服務的資料建模和套用。

• 提供百餘種演算法元件，覆寫迴歸、分類、聚類、文字剖析、金融、時間序列等領域。所有元件都來自於阿里巴巴集團內部真實商務的錘鍊，演算法具備高穩定性和優質效能。

• 平台底層依託阿里雲分散式運算叢集，支援大並行量的演算法計算工作。

機器學習服務平台包含以下功能模組：

資料處理

支援多種資料預先處理和特徵工程元件：

資料預先處理元件：包含歸一化、標準化、資料取樣、資料遮罩等。

特徵工程元件：包含特徵變換、特徵生成、特徵重要性評定等。

資料分析

支援多種統計類、機器學習服務和網路剖析類元件：

統計類元件：包含標準的統計剖析、資料視覺效果剖析等。

機器學習服務元件：包含迴歸、分類、聚類等。

網路剖析類元件：標籤傳播、最大聯通子圖等。

文字剖析

支援文字處理類元件，其中包含分詞、淘汰詞遮罩、LDA、TF-IDF、文字摘要等。

阿里雲機器學習服務架構由下到上分為計算引擎層、分散式運算架構層、演算法元件層以及商務應用程式層。在計算引擎層，依託阿里雲飛天分散式運算系統，支援EB級大級別資料的並行化計算。在分散式運算架構層，支援MPI、MR、GRAPH等多種分散式運算架構。在演算法元件層，支援百餘種機器學習服務演算法元件。在商務應用程式層，通過自身演算法，支援商品推薦、金融風控、廣告投射等商務場景。

阿里雲機器學習服務的計費方式為按量後付費:具體計費方式=使用的元件價格*計算時

計算時概念：計算消耗的CPU core數量及記憶體量。1個計算時的單位為1 CPU Core +4GB 記憶體。 計算時的計算方法為 Max(CPUX時長，記憶體X時長/4)。例如一個用戶使用了2 Core ，5GB執行1 小時，計算時為=Max(2X1,5X1/4)=2。如果一個用戶使用了1 Core，5GB執行1小時，計算時為=Max(1X1,5X1/4)=1.25

商品推薦是機器學習服務的典型套用場景。在套用當中，通過使用機器學習服務平台的資料預先處理以及特徵工程元件，對曆史用戶購物資料進行特徵擷取，挖掘出用戶產生購物行為的特徵。接著通過機器學習服務分類演算法判斷用戶對於某個商品的行為特徵是否符合購買行為，並根據計算結果推薦合適的商品給用戶，從而升階商品成交額。

通過機器學習服務平台提供的金融板塊演算法對用戶貸款風險度進行評定。機器學習服務平台提供了評分卡演算法元件來計算用戶在信用卡消費程序中是否超過個人償還能力，並且給出風險指標，說明金融機構有效實現風控。

本文分類是新聞領域常見的文字處理場景，傳統方法是通過人工去辨識每篇本文所屬的類別。這種方式處理效率低，消耗人力成本大。然而，機器學習服務平台提供了大量的文字剖析元件，通過學習過往的已分類文字資料，自動對其它文字進行快速歸類，從而節約成本。

有關阿里雲機器學習服務產品的介紹，請參閱 產品文件。

如果上傳不超過20M的資料，可以通過機器學習服務網頁端的上傳資料功能上傳資料。如果上傳超過20M的資料，下載Maxcompute用戶端，使用tunnel指令進行資料上傳。

拖曳演算法元件到繪圖畫布，左鍵點選演算法元件，可以看到在網頁右端出現設定功能表，可以在裡面進行演算法參數設定。

在實驗中，每執行完一個元件的任務，都會在元件上出現綠色對勾，右鍵點選執行完的元件查看資料或評定報告即可。

如果要生成型號，首先，在左側邊欄設定中勾選自動生成PMML，實驗執行完會在左側型號功能表下看到生成的型號，右鍵選擇查看型號顯示型號參數。如需下載型號，可以右鍵點選下載PMML。

PMML是標準的型號描述檔案，通過機器學習服務平台下載的型號PMML檔案可以套用於SPARK等其它開源計算引擎。