[发明专利]一种机器学习引擎的研究方法

说明书

本发明公开了一种机器学习引擎的研究方法，包括如下步骤：S1、向用户提供基于交互式学习技术的建模框架，支持图形化方式进行建模挖掘；S2、集成Spark等3种以上机器学习框架，内置分类、回归、聚类、关联规则等多种算法；S3、深度学习是机器学习中一种基于对数据进行表征学习的方法；S4、基于公司信息系统的运行数据，研究机器学习、深度学习算法在信息系统运行监测、信息设备故障诊断、系统安全风险预测、信息用户行为分析预测等方面的应用；本发明降低建模编程技术门槛，使公司业务部门轻松地获得模型训练能力，助力公司大数据的价值发现。研究并构建信息系统安全风险预测模型，实现信息系统运行风险快速实时预测的目的。

技术领域

本发明属于机器学习引擎的研究技术领域，更具体地说，尤其涉及一种机器学习引擎的研究方法。

背景技术

现有的机器学习引擎不具有统一建模框架，建模编程技术门槛，使得模型训练开展难度较大，且机器学习引擎的软件的信息系统安全风险无法进行快速实时预测，为此我们推出一种机器学习引擎的研究方法。

发明内容

本发明的目的是为了解决现有技术中存在的缺点，而提出的一种机器学习引擎的研究方法。

为实现上述目的，本发明提供如下技术方案：

一种机器学习引擎的研究方法，包括如下步骤：

S1、研究交互式机器学习引擎，向用户提供基于交互式学习技术的建模框架，支持图形化方式进行建模挖掘，可以降低编程技术门槛，使用户轻松地获得模型训练能力，助力用户大数据的价值发现；

S2、集成Spark等3种以上机器学习框架，内置分类、回归、聚类、关联规则等多种算法；支持新增自定义算法；

S3、深度学习是机器学习中一种基于对数据进行表征学习的方法，其主要应用方式在于建立、模拟人脑进行分析学习的神经网络，模仿人脑的机制来解释数据，如图像，声音和文本；

研究深度学习在电网运行监测、电力系统自动故障检测、电力设备故障诊断等方面的应用，通过深度学习的方式减少简单重复劳动力投入、自动检测和预测设备故障，助力公司的日常生产和运营；

S4、基于公司信息系统的运行数据，研究机器学习、深度学习算法在信息系统运行监测、信息设备故障诊断、系统安全风险预测、信息用户行为分析预测等方面的应用；研究并构建信息系统安全风险预测模型，并保证其可扩展性、精确性和客观性，实现信息系统运行风险快速实时预测的目的。

优选的，提供的软件应是确保系统正常运行所需的管理、运营、维护等有关的全部软件，并是成熟的最新版本的软件系统，应为模块化设计，保证任何软件模块的维护和更新都不影响其它软件模块，软件具有容错能力。

优选的，提供的软件支持各种硬件厂商机器和Linux系列操作系统平台，全面支持64位能力；开发客户端支持Web客户端，支持PC、手机终端展现；

软件的运行方式支持分布式环境，支持Hadoop和Spark环境，包括Spark、SparkSreaming、Python、R语言等计算组件；

软件支持业务不中断扩容。

优选的，软件的功能包括：

(1)支持拖拽式方式进行交互式探索分析、机器学习、深度学习；

(2)支持机器学习算法开发平台，集成Spark等3种以上机器学习框架；

(3)支持分类、回归、聚类、关联规则、数据预处理、推荐、特征提取、特征转换、特征选择等算法，数据挖掘算法应达到50种以上；

(4)支持新增自定义算法，平台易用性、扩展性较好；

(5)支持模型集成和自动建模功能，对算法结果准确性的分析功能；