机器学习服务(MLS)

机器学习服务(Machine Learning Service)汇聚了大量华为优质分布式算法,内置丰富数据预处理、特征工程、机器学习、图计算、文本分析算法,可高效构建千万维特征的机器学习模型、高效完成亿级节点规模图计算、海量文本数据主题分析等。

现以申请公测资格方式免费试用,名额有限。了解详情

智能

从特征工程到模型评估、模型可视化的一站式数据分析服务,内置模型自动选择、参数自动调优功能,显著降低大数据数据分析门槛。

高效

计算引擎构建在Spark上,引擎及机器学习算法架构天然支持Scale Out,可高效构建千万维特征机器学习模型。计算引擎可解耦,可扩展支持MR、Flink等主流计算引擎。

开放

1.兼容传统R、Python优秀分析库。
2.支撑主流开源分布式算法库集成(MLLib、Graphx)。
3.开放框架,支持自定义算法和组件。

易用

针对不同使用者,提供更加易用的数据分析方式。基于Notebook多语言交互式分析(R、Python、Scala)界面,完美兼容数据科学家数据分析语言使用习惯。基于Workflow可视化工作流设计界面,大大降低了普通数据分析人员使用门槛。

分类

通过使用分类方法可以找出不同客户之间的特征和共性规则,让使用者了解不同行为类别客户的分布特征,从而进行商业决策和业务活动。如:信用卡业务,可以使用分类方法对持卡人员消费特征、消费习惯进行分析,有针对性推荐信用卡分期业务。

聚类

支持通过聚类分析(Kmeans、Kmodes等)算法实现用户有效分群,从而获得用户群的相似特征,如:运营商套餐推荐业务,可以通过用户聚类结果,为套餐制定、新机型营销和增值业务推荐提供有效参考。

社交关系、影响力分析

支持基于用户的社交网络计算用户的影响力,内部通过PageRank、SIMRank等算法实现。将用户的社交网络拆分为点和边,将边作为PageRank、SIMRank的输入,用户的关系强弱作为边的权重。

预测

通过对历史事件的学习来积累经验,得出事物间的相似性和关联性,从而对事物的未来状况做出预测。比如:银行领域,通过回归分析等算法,有效实现用户的资产分析和关系分析,推测客户的总体金融性资产,并获得可信的消费标签,挖掘分析的结果可应用于新的金融产品推荐。

支持无缝对接Spark生态

默认构建在Spark上,支持Hadoop、Spark无缝对接,使用Hadoop、Spark直接进行内容分析。

弹性扩展

提供面向大数据的弹性扩展能力,部署灵活,支持集群部署,集群可根据实际业务需要伸缩。