一种人工智能模型机器学习方法及服务器技术

本发明专利技术涉及人工智能及大数据技术领域，尤其涉及一种人工智能模型机器学习方法及服务器。所述人工智能模型机器学习方法及服务器的具体步骤如下：步骤S1、开始；抽象生成学习问题，确立人工智能模型机器的学习目标；步骤S2、大数据获取，从外部资源库中获取广泛的数据资源，并将获取的数据录入系统中；通过在模型诊断中采用，过拟合和欠拟合的判断基本调优思路是增加数据量，欠拟合的基本调优思路是提高特征数量和质量两者的结合的诊断方式，可对人工智能机器学习方向中偏差的思路及时纠正，使人工智能机器向主攻数据方向进行偏重学习减少人工智能机器的不必要学习，提高人工智能机器的学习效果。的学习效果。的学习效果。

【技术实现步骤摘要】
一种人工智能模型机器学习方法及服务器


[0001]本专利技术涉及人工智能及大数据
，尤其涉及一种人工智能模型机器学习方法及服务器。

技术介绍

[0002]随着计算机技术的快速发展，人工智能技术在很多领域得到了应用，其中，机器学习(MachineLearning)和深度学习(DeepLearning)作为人工智能的技术核心，也已经取得重大的突破，机器被赋予强大的认知和预测能力。机器学习以及深度学习需要使用大量的采集样本数据进行模型训练，以利于后期的应用。
[0003]而在数字金融、电子商务平台等领域，在进行数据采集的过程中，非常容易因为数据采集的精准度不够或者数据特征的采集误差等因素导致模型训练失败或者训练之后的模型在后期的应用效果不佳等问题。
[0004]因此，有必要提供一种新的人工智能模型机器学习方法及服务器，使人工智能机器向主攻数据方向进行偏重学习减少人工智能机器的不必要学习，提高人工智能机器的学习效果，解决上述技术问题。

技术实现思路

[0005]为解决上述技术问题，本专利技术提供一种人工智能模型机器学习方法及服务器。
[0006]本申请实施例第一方面公开了一种人工智能模型机器学习方法及服务器：人工智能模型机器学习方法的具体步骤如下：
[0007]步骤S1、开始；抽象生成学习问题，确立人工智能模型机器的学习目标；
[0008]步骤S2、大数据获取，从外部资源库中获取广泛的数据资源，并将获取的数据录入系统中；
[0009]步骤S3、进行特征的预处理和选择，筛选出显著特征、摒弃非显著特征；
[0010]步骤S4、开始模型训练，主要分为训练集、验证集以及测试集；
[0011]步骤S5、对生成的模型进行诊断，通过对调试后模型的诊断，对发现的问题进行及时纠错修改；
[0012]步骤S6、模型融合；
[0013]步骤S7、模型上线运行检测，对人工智能模型机器学习成果进行检测，判断人工智能模型机器是否可进行上线作业；结束。
[0014]优选的，所述步骤S1中的抽象生成学习问题是以学习问题的设定，确定获得目标数据类型。
[0015]优选的，所述步骤S4中开始模型训练包括训练集、验证集和测试集：所述训练集用于训练模型以及确定参数；所述验证集：用于确定网络结构以及调整模型的超参数；所述测试集：用于检验模型的泛化能力。
[0016]优选的，所述步骤S6中的模型融合实现在不改变模型的情况下，直接对各个不同
的模型预测的结果，进行投票或者平均。
[0017]优选的，所述步骤S7中模型上线运行检测用于发现程序问题，通过有效的测试用例“对应的输入、输出关系”来分析被测程序的运行情况或进行跟踪对比。
[0018]一种服务器，包括处理器、存储器、数据采集端和学习模块，所述处理器、存储器和数据采集端相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括学习模块，所述处理器被配置用于调用所述学习模块，执行如权利要求1～5任一项所述的方法。
[0019]与相关技术相比较，本专利技术提供的人工智能模型机器学习方法及服务器具有如下有益效果：
[0020]本专利技术通过在模型诊断中采用，过拟合和欠拟合的判断基本调优思路是增加数据量，欠拟合的基本调优思路是提高特征数量和质量两者的结合的诊断方式，可对人工智能机器学习方向中偏差的思路及时纠正，使人工智能机器向主攻数据方向进行偏重学习减少人工智能机器的不必要学习，提高人工智能机器的学习效果。
附图说明
[0021]图1为本专利技术实施例提供的人工智能模型机器学习方法的业务大数据采集方法的流程示意图；
[0022]图2为图1的步骤S5的子步骤流程示的结构示意图；
[0023]图3为本专利技术提供的服务器的结构示意图。
具体实施方式
[0024]为了使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0025]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0026]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0027]在本专利技术实施例的描述中，需要说明的是，若出现术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该专利技术产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本专利技术和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本专利技术的限制。此外，若出现术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0028]此外，若出现术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
[0029]在本专利技术实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本专利技术中的具体含义。
[0030]以下结合具体实施例对本专利技术的具体实现进行详细描述。
[0031]请参阅图1至图3，本专利技术实施例提供的一种人工智能模型机器学习方法及服务器，所述人工智能模型机器学习方法及服务器的人工智能模型机器学习方法的具体步骤如下：
[0032]步骤S1、开始；抽象生成学习问题，确立人工智能模型机器的学习目标；
[0033]步骤S2、大数据获取，从外部资源库中获取广泛的数据资源，并将获取的数据录入系统中；
[0034]步骤S3、进行特征的预处理和选择，筛选出显著特征、摒弃非显著特征；
[0035]步骤S4、开始模型训练，主要分为训练集、验证集以及测试集；
[0036]步骤S5、对生成的模型进行诊断，通过对调试后模型的诊断，对发现的问题进行及时纠错修改；
[0037]步骤S6、模型融合；
[0038]步骤S7、模型上线运行检测，对人工智能模型机器学习成果进行检测，判断人工智能模型机器是否可进行上线作业本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人工智能模型机器学习方法，其特征在于：人工智能模型机器学习方法的具体步骤如下：步骤S1、开始；抽象生成学习问题，确立人工智能模型机器的学习目标；步骤S2、大数据获取，从外部资源库中获取广泛的数据资源，并将获取的数据录入系统中；步骤S3、进行特征的预处理和选择，筛选出显著特征、摒弃非显著特征；步骤S4、开始模型训练，主要分为训练集、验证集以及测试集；步骤S5、对生成的模型进行诊断，通过对调试后模型的诊断，对发现的问题进行及时纠错修改；步骤S6、模型融合；步骤S7、模型上线运行检测，对人工智能模型机器学习成果进行检测，判断人工智能模型机器是否可进行上线作业；结束。2.根据权利要求1所述的人工智能模型机器学习方法，其特征在于，所述步骤S1中的抽象生成学习问题是以学习问题的设定，确定获得目标数据类型。3.根据权利要求1所述的人工智能模型机器学习方法，其特征在于，所述步骤S...

【专利技术属性】
技术研发人员：瞿珂，万澎江，鲍红飞，于政，翟士丹，
申请(专利权)人：北京海致科技集团有限公司，
类型：发明
国别省市：