开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

在大数据上调用GET /3/作业h2o模型训练错误时出错

在大数据上调用GET /3/作业h2o模型训练错误时出错，这个问题涉及到大数据处理和H2O模型训练的错误处理。

大数据是指规模庞大且复杂的数据集合，传统的数据处理工具无法有效处理。大数据处理通常包括数据采集、存储、处理和分析等环节。在云计算领域，大数据处理可以借助云计算平台的弹性和高性能计算能力来加速处理过程。

H2O是一个开源的分布式机器学习平台，它提供了丰富的机器学习算法和工具，可以在大规模数据集上进行模型训练和预测。H2O支持多种编程语言和接口，方便开发人员进行集成和使用。

当调用GET /3/作业h2o模型训练接口时，可能会出现错误。错误的原因可能包括但不限于以下几种情况：

数据错误：输入的数据格式不正确或者数据质量有问题，导致模型训练失败。解决方法是检查数据的格式和内容，确保数据的准确性和完整性。
参数错误：调用接口时传递的参数不正确，导致模型训练失败。解决方法是检查接口文档，确保传递的参数符合要求。
网络错误：网络连接不稳定或者超时，导致请求无法正常发送或者接收。解决方法是检查网络连接，确保网络稳定，并增加超时设置。
系统错误：底层系统出现故障或者资源不足，导致模型训练失败。解决方法是联系云计算平台的技术支持，寻求帮助解决问题。

在处理这个问题时，可以考虑使用腾讯云的相关产品来进行大数据处理和H2O模型训练。腾讯云提供了一系列的云计算产品和服务，包括云服务器、云数据库、云存储、人工智能等，可以满足各种场景下的需求。

对于大数据处理，腾讯云提供了云原生数据库TDSQL、云数据库CynosDB、云数据仓库CDW等产品，可以帮助用户高效地存储和处理大规模数据。

对于机器学习和模型训练，腾讯云提供了AI引擎、机器学习平台等产品，可以帮助用户进行模型训练和预测。

具体针对这个问题的解决方案，可以参考腾讯云的文档和相关产品介绍：

腾讯云大数据产品：https://cloud.tencent.com/product/bigdata
腾讯云机器学习产品：https://cloud.tencent.com/product/ml
腾讯云云原生数据库TDSQL：https://cloud.tencent.com/product/tdsql
腾讯云云数据库CynosDB：https://cloud.tencent.com/product/cynosdb
腾讯云云数据仓库CDW：https://cloud.tencent.com/product/cdw
腾讯云AI引擎：https://cloud.tencent.com/product/aiengine
腾讯云机器学习平台：https://cloud.tencent.com/product/mlp

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

自动化建模 | H2O开源工具介绍

相信大家在日常的建模工作中都会或多或少地思考一个问题：建模可不可以被自动化？今天将围绕这个问题向大家介绍一个开源的自动建模工具H2O。本文将会cover以下三个部分：

04

碎片︱R语言与深度学习

笔者：受alphago影响，想看看深度学习，但是其在R语言中的应用包可谓少之又少，更多的是在matlab和python中或者是调用。整理一下目前我看到的R语言的材料：

05

使用Kafka在生产环境中构建和部署可扩展的机器学习

生产环境中使用Apache Kafka的可扩展的机器学习智能实时应用程序是任何行业的游戏规则改变者。机器学习及其子课题深度学习正在获得动力，因为机器学习使计算机能够在没有明确程序设计的情况下找到隐藏的见解。分析非结构化数据，图像识别，语音识别和智能决策需要此功能。这与使用Java，.NET或Python的传统编程有很大的不同。虽然机器学习背后的概念并不新鲜，但大数据集和处理能力的可用性使得每个企业都可以构建强大的分析模型。任何行业都有大量的使用案例，通过在企业应用程序和微服务中应用分析模型来增加收入，

07

Quant值得拥有的AutoML框架

自动机器学习，也称为 AutoML，是将机器学习应用于实际问题的端到端过程自动化的过程。典型的机器学习过程包括几个步骤，包括数据的摄取和预处理、特征工程、模型训练和部署。在传统的机器学习中，Pipeline中的每一步都是由人来监控和执行的。自动机器学习工具（automatic machine learning）旨在自动化这些机器学习的一个或多个阶段，使非专家更容易建立机器学习模型，同时消除重复性任务，使经验丰富的机器学习工程师能够更快地建立更好的模型。

05

15款开源人工智能软件挨个数，哪一款是你的菜？

人工智能是目前最热门的科研领域之一。诸如IBM、谷歌、微软、脸书和亚马逊这类大型公司不仅加大了对旗下发展研究部门的资金投入，同时也开始并购一些在机器学习、神经网络、自然语言与图像处理领域小有所成的初创公司。鉴于目前人工智能研究领域的火爆程度，斯坦福大学的教授们不久前作出了这样一份报告：“人工智能软件的作用越来越强大，而对人类社会、经济有强大影响力的人工智能软件将于2030年前面世”。国外网站Datamation今日整理了目前热门的15款开源人工智能软件，雷锋网(搜索“雷锋网”公众号关注)对全文进行了编译介

05

15 个顶级的人工智能开源工具

它是由贾扬清在加州大学伯克利分校的读博时创造的，Caffe 是一个基于表达体系结构和可扩展代码的深度学习框架。使它声名鹊起的是它的速度，这让它受到研究人员和企业用户的欢迎。根据其网站所言，它可以在一天之内只用一个 NVIDIA K40 GPU 处理 6000 万多个图像。它是由伯克利视野和学习中心（BVLC）管理的，并且由 NVIDIA 和亚马逊等公司资助来支持它的发展。

02

盘点丨开发者必备：基于 Linux 生态的十大 AI 开源框架

前不久，AI 科技评论曾盘点了一系列机器学习相关的开源平台，包括谷歌的TensorFlow、微软的CNTK以及百度的PaddlePaddle等等。这些平台各具特点，其中某些已经在业内得到了广泛认可和应

08

机器学习框架简述

总之，一个机器学习框架包括如何处理数据，分析方法，分析计算，结果评估和结果利用。一个好的机器学习框架需要处理大规模数据提取和数据预处理，还需要处理快速计算、大规模和高速的交互式评估，以及简单易懂的结果解释和部署。

02

【盘点】15个开源的顶级人工智能工具

1. Caffe、2. CNTK、3. Deeplearning4、j4. 分布式机器学习工具包、5. H2O、6. Mahout、7. MLlib、8. NuPIC、9. OpenNN、10. OpenCyc、11. Oryx 2、12. PredictionIO、13. SystemM、L14. TensorFlow、15. Torch 全文较长，建议阅读时间7分钟。往期回顾：【盘点】数据挖掘师，这十大思维原理你具备吗？人工智能是技术研究领域最炙手可热的领域之一。IBM、谷歌、微软、Facebo

05

有助于你掌握机器学习的十三个框架

作者 | Serdar Yegulalp 编译 | 夜风轻扬在过去的一年里，机器学习炙手可热。机器学习的“突然”降临，并不单纯因为廉价的云环境和更强有力的GPU硬件。也因为开放源码框架的爆炸式增长，这些框架将机器学习中最难的部分抽象出来，并将这项技术提供给更广大范围的开发者。这里有新鲜出炉的机器学习框架，既有初次露面的，也有重新修改过的。这些工具被大众所注意，或是因为其出处，或是因为以新颖的简单方法处理问题，或是解决了机器学习中的某个特定难题，或者是上述的所有原因。 Apache Spark MLl

04

R︱并行计算以及提高运算效率的方式(parallel包、clusterExport函数、SupR包简介)

终于开始攻克并行这一块了，有点小兴奋，来看看网络上R语言并行办法有哪些：

01

【机器学习】机器学习的11个开源项目

机器学习是目前数据分析领域的一个热点内容，在平时的学习和生活中经常会用到各种各样的机器学习算法。实际上，基于Python、Java等的很多机器学习算法基本都被前人实现过很多次了。这些算法在网上可以找到很多，然而往往存在很多“脏”或者“乱”的开源代码。在这样的背景下， InfoWorld近日公布了机器学习领域11个最受欢迎的开源项目，这11个开源项目大多与垃圾邮件过滤、人脸识别、推荐引擎相关。它们大多数基于现今最流行的语言以及平台，推广以及扩展了机器学习领域的很多重要算法。从中，用户不但可以找到LDA等主

09

【陆勤践行】机器学习开源项目

机器学习是目前数据分析领域的一个热点内容，在平时的学习和生活中经常会用到各种各样的机器学习算法。实际上，基于Python、Java等的很多机器学习算法基本都被前人实现过很多次了。这些算法在网上可以找到很多，然而往往存在很多“脏”或者“乱”的开源代码。在这样的背景下， InfoWorld近日公布了机器学习领域11个最受欢迎的开源项目，这11个开源项目大多与垃圾邮件过滤、人脸识别、推荐引擎相关。它们大多数基于现今最流行的语言以及平台，推广以及扩展了机器学习领域的很多重要算法。从中，用户不但可以找到LDA等主题

07

Kafka +深度学习+ MQTT搭建可扩展的物联网平台【附源码】

物联网+大数据+机器学习将会是以后的趋势，这里介绍一篇这方面的文章包含源码。混合机器学习基础架构构建了一个场景，利用Apache Kafka作为可扩展的中枢神经系统。公共云用于极大规模地训练分析模型（例如，通过Google ML Engine在Google Cloud Platform（GCP）上使用TensorFlow和TPU，预测（即模型推断）在本地Kafka基础设施的执行（例如，利用Kafka Streams或KSQL进行流分析）。本文重点介绍内部部署。创建了一个带有KSQL UDF的Github项目，用于传感器分析。它利用KSQL的新API功能，使用Java轻松构建UDF / UDAF函数，对传入事件进行连续流处理。使用案例：Connected Cars - 使用深度学习的实时流分析从连接设备（本例中的汽车传感器）连续处理数百万个事件：

05

大数据开发：基于Hadoop的机器学习框架

大数据成为热门关注的同时，机器学习、人工智能等话题热度也在不断攀升，尤其是在现阶段来说，大数据发展到一定阶段，与机器学习、人工智能等方面都存在斩不断的联系，因此很多人也在关注机器学习Hadoop框架。今天，我们就基于Hadoop来聊聊机器学习框架的相关话题。

03

H2OAutoML入门

机器学习是人工智能领域的一个重要分支，它通过建立数学模型，使计算机能够从数据中自动学习并进行预测和决策。H2OAutoML是一个开源的自动机器学习工具库，它旨在简化机器学习的使用和部署过程。本文将介绍H2OAutoML的基本概念和使用方法。

02

经过认证的技术合作伙伴解决方案可帮助客户通过CDP取得成功

8月18日，我们完成了企业数据云的愿景，即通过Cloudera 数据平台私有云（ CDP 私有云）的全面可用带来真正的混合云体验。基于Kubernetes（RedHat OpenShift）的CDP私有云将云原生的速度/简单性和经济性扩展到了本地环境，从而使连接的数据生命周期扩展到了本地环境，使IT能够更快地响应业务需求并提供坚如磐石的服务水平，这样人们就可以提高数据生产力。

01

h2oGPT——具备文档和图像问答功能且100%私密且可商用的大模型

这里直接选用h2oGPT的论文摘要部分：建立在大型语言模型 (LLM) 之上的应用程序，如 GPT-4，由于其在自然语言处理方面的人类水平的能力，代表着人工智能的一场革命。然而，它们也带来了许多重大风险，例如存在有偏见的、私人的或有害的文本，以及未经授权包含受版权保护的材料。我们介绍了 h2oGPT，这是一套开放源代码的代码库，用于基于生成性预训练transformer (GPT) 创建和使用 LLM。该项目的目标是创建世界上最好的、真正的开源方法，以替代封闭源代码方法。作为令人难以置信和不可阻挡的开源社区的一部分，我们与令人难以置信的和不可阻挡的开源社区合作，开源了几个经过微调的 h2oGPT 模型，参数从 70 亿到 400 亿，准备在完全许可的 Apache2.0 许可证下用于商业使用。我们的版本中包括使用自然语言的 100 XMATHX PC 私人文档搜索。开源语言模型有助于推动人工智能的发展，使其更容易获得和值得信任。它们降低了进入门槛，允许个人和团体根据自己的需求定制这些模式。这种公开性增加了创新、透明度和公平性。需要一个开源战略来公平地分享人工智能的好处，而 H.O.ai 将继续使人工智能和 LLMS 民主化。

04

孤立森林:大数据背景下的最佳异常检测算法之一

孤立森林或“iForest”是一个非常漂亮和优雅简单的算法，可以用很少的参数来识别异常。原始的论文对广大的读者来说是容易理解的，并且包含了很少的数学知识。在这篇文章中，我将解释为什么iForest是目前最好的大数据异常检测算法，提供算法的总结，算法的历史，并分享一个代码实现。

01

[学习}28 款 GitHub 最流行的开源机器学习项目

现在机器学习逐渐成为行业热门，经过二十几年的发展，机器学习目前也有了十分广泛的应用，如：数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、DNA序列测序、语音和手写识别、战略游戏和

08

AutoML：机器学习的下一波浪潮

AI 前线导读：人工智能和机器学习仍然是一个进入门槛较高的领域，需要专业的知识和资源，很少有公司可以自己承担。—— 李飞飞自动机器学习（AutoML）是将机器学习应用于现实问题的端到端流程自动化的过程。AutoML 使真正意义上的机器学习成为可能，即使对于没有该领域专业知识的人也是如此。本文介绍了一些流行的 AutoML 框架，这些框架的趋势是自动化部分或整个机器学习的管道。更多优质内容请关注微信公众号“AI 前线”（ID：ai-front）

00

Spark与深度学习框架——H2O、deeplearning4j、SparkNet

深度学习因其高准确率及通用性，成为机器学习中最受关注的领域。这种算法在2011—2012年期间出现，并超过了很多竞争对手。最开始，深度学习在音频及图像识别方面取得了成功。此外，像机器翻译之类的自然语言处理或者画图也能使用深度学习算法来完成。深度学习是自1980年以来就开始被使用的一种神经网络。神经网络被看作能进行普适近似（universal approximation）的一种机器。换句话说，这种网络能模仿任何其他函数。例如，深度学习算法能创建一个识别动物图片的函数：给一张动物的图片，它能分辨出图片上的动物是一只猫还是一只狗。深度学习可以看作是组合了许多神经网络的一种深度结构。

03

H2O简单深度/机器学习框架介绍(一)

今天看到cell report上面的一篇ML/DL的文章竟然是用的H2O的框架，没有用更常见的tensorflow/pytorch, 去查了一下，发现这也是个新框架（2014年），而且用的人也不少，而且最重要的是，比较简单，不过感觉缺乏一定的灵活性。

01

R语言︱H2o深度学习的一些R语言实践——H2o包

连接、搭建H2o环境（heo.init()）——数据转换成h2o格式（as.h2o）——模型拟合（h2o.deeplearning）——预测（h2o.predict）——数据呈现（h2o.performance）。

02

2015 Bossie评选：最佳的10款开源大数据工具

Bossie奖是知名英文IT网站InfoWorld针对开源软件颁发的年度奖项，根据这些软件对开源界的贡献，以及在业界的影响力评判获奖对象。本次InfoWorld评选出了22款最佳的开源大数据工具，像S

观点|大数据工具在数据科学家眼中是怎样的存在？

但随着大数据工具数量的增长和计算能力的飞跃，数据科学家越来越多地发现，如果他们想从自己的模型中获得最佳性能，那就必须考虑所使用的数据管道。数据科学工具的功能通常围绕着预测建模，机器学习和数据可视化。

07

前沿技术 | 自动机器学习综述

来源：小金博士公众号本文约5000字，建议阅读10分钟本文将探索目前可用于自动化过程的框架，以帮助读者了解在自动化机器学习方面可能出现的情况。自动机器学习综述自从计算机时代开始，科学家和工程师们就一直想知道如何像人类一样，给计算机注入学习的能力。艾伦·图灵是第一批提出智能理论的科学家之一，该理论设想有一天计算机能够达到与人类同等的智能水平。从那时起，机器学习领域发生了一系列巨大的飞跃。我们已经看到机器学习在许多情况下击败或至少匹配特定的人类认知能力，例如在ResNet（一种深度残留的网络架构）的情况

02

前沿技术|自动机器学习综述

自从计算机时代开始，科学家和工程师们就一直想知道如何像人类一样，给计算机注入学习的能力。艾伦·图灵是第一批提出智能理论的科学家之一，该理论设想有一天计算机能够达到与人类同等的智能水平。从那时起，机器学习领域发生了一系列巨大的飞跃。我们已经看到机器学习在许多情况下击败或至少匹配特定的人类认知能力，例如在ResNet(一种深度残留的网络架构)的情况下超越了人类在图像识别方面的表现，或者微软的语音转录系统几乎达到人类水平的表现。

04

自动化的机器学习：5个常用AutoML 框架介绍

AutoML 可以为预测建模问题自动找到数据准备、模型和模型超参数的最佳组合，本文整理了5个最常见且被熟知的开源AutoML 框架。

02

25个Java机器学习工具&库

本列表总结了25个Java机器学习工具&库： 1. Weka集成了数据挖掘工作的机器学习算法。这些算法可以直接应用于一个数据集上或者你可以自己编写代码来调用。Weka包括一系列的工具，如数据预处理、分类、回归、聚类、关联规则以及可视化。 2.Massive Online Analysis（MOA）是一个面向数据流挖掘的流行开源框架，有着非常活跃的成长社区。它包括一系列的机器学习算法（分类、回归、聚类、异常检测、概念漂移检测和推荐系统）和评估工具。关联了WEKA项目，MOA也是用Java编写的，其扩展

08

今天开始采用的十大大数据技术

稳固，企业实力和其他一切的基础。您需要YARN和HDFS以及Hadoop的基础架构作为主要数据存储并运行关键的大数据服务器和应用程序

05

塔荐 | 机器学习必知的15大框架

前言不管你是一个研究人员，还是开发者，亦或是管理者，想要使用机器学习，需要使用正确的工具来实现。本文介绍了当前最流行15个机器学习框架。机器学习工程师是开发产品和构建算法团队中的一部分，并确保其

06

autoML 前瞻与实践 ---- H2O Sparkling Water简介

Sparkling Water allows users to combine the fast, scalable machine learning algorithms of H2O with the capabilities of Spark. With Sparkling Water, users can drive computation from Scala/R/Python and utilize the H2O Flow UI, providing an ideal machine learning platform for application developers.

01

全自动化机器学习建模！效果吊打初级炼丹师！ ⛵

自动化机器学习，也称为自动化 ML 或 AutoML，是自动化完成开发耗时且需要反复迭代的机器学习建模过程。它让数据科学家、分析师和开发人员轻松构建具有高规模、高效率和生产力的机器学习模型，同时保持模型质量。

03

目前最火的12款，开源大数据分析框架

我们在本文中介绍了市面上12款顶尖的开源数据分析解决方案，其中一些为大数据分析提供了全面的端到端平台，另一些要与其他技术结合起来。它们都适合大企业使用，都是市面上领先的数据分析工具。　　1.

07

2020 年最具潜力 44 个顶级开源项目，涵盖 11 类 AI 学习框架、平台（值得收藏）

就在最近，一个基于 javascript 的可视化库 D3js（treemap 可视化）对 json 文件生成的技术图，给开发者提供了详细的各领域工具清单，内容涵盖了 11 种极具潜力的 AI 工具类型，我们将其整理如下，强烈建议大家收藏~

02

2020 年最具潜力 44 个顶级开源项目，涵盖 11 类 AI 学习框架、平台（值得收藏）

工欲善其事必先利其器，这也是大部分开发者在日常工作中最重要开发原则。选择与开发内容相匹配的工具，常常会使我们事半功倍。但面对人工智能的多个领域，如：机器学习、深度学习、NLP等等，多样的工具有时也让我们也无从选择。

01

2020 年最具潜力 44 个顶级开源项目，涵盖 11 类 AI 学习框架、平台（值得收藏）

工欲善其事必先利其器，这也是大部分开发者在日常工作中最重要开发原则。选择与开发内容相匹配的工具，常常会使我们事半功倍。但面对人工智能的多个领域，如：机器学习、深度学习、NLP等等，多样的工具有时也让我们也无从选择。

01

2015 Bossie评选：最佳开源大数据工具

InfoWorld在分布式数据处理、流式数据分析、机器学习以及大规模数据分析领域精选出了2015年的开源工具获奖者，下面我们来简单介绍下这些获奖的技术工具。 1. Spark 在Apache的大数据项目中，Spark是最火的一个，特别是像IBM这样的重量级贡献者的深入参与，使得Spark的发展和进步速度飞快。与Spark产生最甜蜜的火花点仍然是在机器学习领域。去年以来DataFrames API取代SchemaRDD API，类似于R和Pandas的发现，使数据访问比原始RDD接口更简单。 Spark

09

25个Java机器学习工具库

本列表总结了25个Java机器学习工具&库： 1. Weka集成了数据挖掘工作的机器学习算法。这些算法可以直接应用于一个数据集上或者你可以自己编写代码来调用。Weka包括一系列的工具，如数据预处理、分类、回归、聚类、关联规则以及可视化。 2.Massive Online Analysis（MOA）是一个面向数据流挖掘的流行开源框架，有着非常活跃的成长社区。它包括一系列的机器学习算法（分类、回归、聚类、异常检测、概念漂移检测和推荐系统）和评估工具。关联了WEKA项目，MOA也是用Java编写的，其扩展性更强。

06

25个Java机器学习工具&库

本列表总结了25个Java机器学习工具&库： 1. Weka集成了数据挖掘工作的机器学习算法。这些算法可以直接应用于一个数据集上或者你可以自己编写代码来调用。Weka包括一系列的工具，如数据预处理、分类、回归、聚类、关联规则以及可视化。 2.Massive Online Analysis（MOA）是一个面向数据流挖掘的流行开源框架，有着非常活跃的成长社区。它包括一系列的机器学习算法（分类、回归、聚类、异常检测、概念漂移检测和推荐系统）和评估工具。关联了WEKA项目，MOA也是用Java编写的，其扩展性更强。

08

收藏丨值得关注的12大开源大数据分析应用软件

对于许多大企业来说，开源大数据分析已经成为日常业务中一个必不可少的组成部分。据New Vantage Partners公司对《财富》1000强公司的高层主管开展的调查显示，如今62.5%的企业在生产环

08

XAI/MLI 可解释机器学习系列1- 开源&paper汇总

18年被H2O Driverless AI 提供的可解释机器学习引擎（下图）种草后，就对这个领域产生了兴趣。不过用的越多，XAI暴露的问题就越多，比如特征的微调可能会导致整个特征解释发生翻天覆地的变化，再比如表现很好的模型会给出完全不能理解的特征解释。不过在接触因果推理后希望可以换个视角来看XAI，于是重新捡起这个系列(挖坑慎入，这是一个18年就开始挖，到现在都没有填完的坑)～

01

谷歌再为机器学习贡献利器并支持周边机器学习工具

在Kubernetes日渐成为各大基础架构环境都要支持的公用工具时，其应用也逐渐在各个领域发酵，而该工具能调度庞大规模容器集群的能力，也相当适合与机器学习、大数据等应用场景结合。而近日，由Google自家推出的Kubernetes机器学习工具包Kubeflow终于发布了0.1版。 Google表示，虽然该项目仅成立5个多月，但是目前在GitHub上，已经有超过3,000名用户收藏该项目，“而在GitHub平台的关注热度，Kubeflow目前已经到达前2%了。” 而Kubeflow项目中，共依赖三个核心功能，

02

什么是sparklyr

我们（RStudio Team）今天很高兴的宣布一个新的项目sparklyr（https://spark.rstudio.com），它是一个包，用来实现通过R连接Apache Spark。

09

学习R语言，一篇文章让你从懵圈到入门

PivotalR：用于读取Pivitol（Greenplum）和HAWQ数据库中的数据

03

一文看懂预测性维护

当前，新一轮科技革命和产业变革孕育兴起，大数据的集聚、理论算法的革新、计算能力的提升及网络设施的演进，驱动人工智能发展进入新阶段，人工智能正加快在工业领域的渗透融合，带动工业企业进步，推动产业升级，而预测性维护是工业大数据和人工智能的一个重要应用场景。它针对设备、设施的故障和失效，由事后维护到定期检修（人工巡检）再到主动预防最终到事先预测和综合规划管理的演进中，不断提升、发展着。那么究竟什么是预测性维护，它与事后维护、预防性维护有什么区别？让我们一文看懂预测性维护。

09

【学习】大数据技术学习路线指南：[1]大数据是什么

大数据技术作为决策神器，日益在社会治理和企业管理中起到不容忽视的作用，美国，欧盟都已经将大数据研究和使用列入国家发展的战略，类似谷歌，微软，百度，亚马逊等巨型企业也同样把大数据技术视为生命线以及未来发

05

AI开发人员可以使用18个机器学习平台

随着近几年AI的火热，机器学习平台（Machine learning platforms）也开始引领技术潮流。开发人员需要知道怎么样利用这些平台的能力。在ML环境中工作，如果使用正确的工具(如Filestack)，可以使开发人员更容易创建一个利用其功能的高效算法。下面列出的机器学习平台和工具（顺序随机），现在可以无缝地将ML的功能集成到日常开发工作中。

03

Google Earth Engine——全球土壤6个标准深度（0、10、30、60、100和200厘米）的土壤pH值（H2O），分辨率为250米

Soil pH in H2O at 6 standard depths (0, 10, 30, 60, 100 and 200 cm) at 250 m resolution

01

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭