本文為您提供Designer產品使用案例相關文檔入口鏈接匯總。
智能推薦解決方案
案例名稱 | 描述 |
介紹實現推薦系統的完整方案。 | |
介紹如何基于對象特征進行商品推薦。 | |
介紹如何使用FM算法和Embedding提取算法，快速生成User和Item的特征向量。 | |
介紹如何通過Designer預置的FM算法模板，快速構建推薦模型。 | |
介紹如何使用協同過濾算法實現商品推薦。 | |
介紹如何使用二部圖GraphSAGE算法，快速生成推薦召回場景中的User和Item向量。 | |
以讀取MaxCompute表數據為例，介紹如何使用EasyRec進行模型訓練、配置任務例行化及部署模型。 | |
介紹協同過濾算法SimRank的原理和其應用在個性化推薦場景時的改進，以及如何在生產環境部署SimRank++算法。 | |
介紹改進版swing相似度算法原理，包括工具包下載、工具包詳細參數說明以及常見問題等。 | |
組件化EasyRec框架可以幫助你以“搭積木”的方式快速構建想要的模型結構。 | |
介紹如何使用ALS矩陣分解算法預測用戶對音樂的評分。 |
智能風控解決方案
案例名稱 | 描述 |
基于人工智能算法快速構建符合業務場景的風控模型，并部署為EAS在線服務，助力您快速識別高風險內容，進而對其進行攔截。 | |
介紹如何基于外賣評論實現輿情風控。 | |
介紹如何基于圖算法實現金融風控。 | |
介紹如何通過PAI提供的金融組件，構建評分卡建模方案。 | |
介紹如何快速構建異常指標監控模型。 | |
介紹如何通過PAI提供的用戶特征算法，快速構建用戶流失模型。 |
推薦算法定制
案例名稱 | 描述 |
介紹推薦算法定制生成的特征工程。 | |
介紹推薦解決方案中生成的DSSM（Deep Structured Semantic Model）向量召回。 | |
介紹推薦解決方案-排序的實現方法。 | |
介紹推薦解決方案-etrec召回的實現方法。 |
其他通用案例
案例名稱 | 描述 |
介紹如何使用經典的CTR點擊率預估數據集Avazu訓練一體化模型，并將離線調試完成的歸一化預測->獨熱編碼預測->向量聚合->FM預測流程完整部署到EAS。 | |
介紹如何通過數據挖掘算法構建心臟病預測模型。 | |
介紹如何通過PAI提供的文本類組件，快速構建文本分類模型。 | |
介紹如何通過農業貸款的歷史發放情況，使用線性回歸方法實現貸款發放預測。 | |
介紹如何使用分箱組件進行連續特征離散化。 | |
以人口普查數據為例，根據人物年齡、工作類型及教育程度等屬性，快速構建學歷對收入影響的統計模型。 | |
基于中學生的家庭背景及在校行為，通過邏輯回歸算法生成期末成績預測模型，從而獲得影響中學生學業的關鍵因素。 | |
通過PAI提供的文本分析組件，實現簡單的商品標簽自動歸類系統。 | |
通過分析北京一年的真實天氣數據，構建霧霾天氣預測模型，從而挖掘對霧霾天氣（指PM 2.5）影響最大的污染物。 | |
介紹如何使用Designer預置的工作流模板，快速構建發電場輸出電力預測模型。 | |
介紹如何通過Designer預置工作流模板，快速構建竊漏電用戶的識別模型，以達到自動檢查用戶是否竊漏電的目的，從而大幅度降低稽查工作人員的工作量，保障用戶正常用電及安全用電。 | |
以廣告CTR預測場景為例，介紹如何使用PAI提供的數據挖掘組件進行離線調度。 | |
介紹如何使用深度學習框架TensorFlow，快速搭建圖像識別的預測模型。 |