人工智能平台PAI

本文主要介绍-Diffusion中文模型大幅升级，本文详细介绍PAI-Diffusion中文模型的新功能和新特性。

XGBoost是一种集成机器学习算法，能够处理分类和回归问题。它具有高准确性、鲁棒性、可解释性和可扩展性等优点。XGBoost的算法原理是集成多个决策树模型，每个模型都是在前一个模型的残差上进行训练。在训练过程中，XGBoost使用了一些技术来避免过拟合，例如正则化、剪枝和子采样。如果想要处理分类和回归问题，XGBoost是一个值得尝试的机器学习算法。

全新推理规格 GU30 问世，与传统规格相比价格平均优惠45%。

2023 年 3 月 12 日，Flink Table Store 项目顺利通过投票，正式进入 Apache 软件基金会 (ASF) 的孵化器，改名为 Apache Paimon (incubating)。

本文基于EasyRec 0.4.7 展示了如何使用EasyRec快速的训练一个DeepFM模型

EasyCV是基于Pytorch，以自监督学习和Transformer技术为核心的 all-in-one 视觉算法建模工具，并包含图像分类，度量学习，目标检测，姿态识别等视觉任务的SOTA算法。本文将为您介绍如何在PAI-DSW中使用EasyCV和PAI-iTAG标注的检测数据训练YOLOX模型。

EasyNLP提供多种模型的训练及预测功能，旨在帮助自然语言开发者方便快捷地构建模型并应用于生产。本文简要介绍文图生成的技术，以及如何在PAI-DSW中基于EasyNLP使用diffusion model进行finetune和预测评估。

阿里灵杰AI开发者峰会将于2022年12月22日14：00准时开启线上直播。

贾扬清在阿里灵杰人工智能论坛上分享从技术，工程，产品的角度，讲述从实验室到产业的这些事情。

Alink 提供了对大规模数据的高效统计，能提供数量、缺失值、最大最小值、分位数、分布直方图等各种统计指标，用户可以探索数据特征，并为特征工程提供辅助。Alink 还能无缝结合 TensorFlow Data Validation，提供数据 schema 推断、数据偏移检测等功能。

针对在线推理场景，PAI平台提供了在线预测服务PAI-EAS（Elastic Algorithm Service），支持基于异构硬件（CPU和GPU）的模型加载和数据请求的实时响应。通过PAI-EAS，您可以将模型快速部署为RESTful API，再通过HTTP请求的方式调用该服务。您可以使用EAS提供的命令工具eascmd，来管理PAI-EAS服务。

DSW Gallery提供了AI研发场景下丰富的案例和解决方案，内容涵盖如： Jupyter, 数据分析，机器学习，深度学习，PAI产品说明, SDK使用说明，以及行业解决方案），支持一键在DSW中启动和运行，帮助您快速了解云原生下AI研发流程，熟练使用PAI的各种工具，提升开发效率和质量。

阿里云OSS是一款海量、安全、低成本、高可靠的云存储服务。您可以使用阿里云提供的API、SDK接口或者OSS迁移工具轻松地将海量数据移入或移出阿里云OSS。

EasyCV是基于Pytorch，以自监督学习和Transformer技术为核心的 all-in-one 视觉算法建模工具，并包含图像分类，度量学习，目标检测，姿态识别等视觉任务的SOTA算法。本文以图像分类为例，为您介绍如何在PAI-DSW中使用EasyCV。

本文介绍如何结合AI工作空间开通PAI-DSW并为阿里云子账号授权进行使用。

PAI-DSW是一款为AI开发者量身定制的云端机器学习交互式开发IDE，随时随地开启Notebook快速读取数据、开发算法、训练及部署模型。本文介绍如何快速上手PAI-DSW。

近年来，随着稀疏模型对算力日益增长的需求, CPU集群必须不断扩大集群规模来满足训练的时效需求，这同时也带来了不断上升的资源成本以及实验的调试成本。

欢迎走进走进阿里云机器学习PAI AICompiler编译器系列。近期，阿里云机器学习PAI团队全新上线一套Dynamic Shape Compiler框架，不仅作为AICompiler技术栈中原有的Static Shape Compiler框架的重要补充，更是增加了Compiler在企业级数据处理应用的无限可能，在提升数据处理效率的同时，大幅提升AI工程化效率。

本文将实战讲解贾扬清在回答内部同学提出的业务问题时，给自己设的一个挑战：半小时内架构一个有体感的demo，达到语音降噪的效果。

害，想知道你的相亲战斗力是多少吗？动手体验数据科学，成为PAI-DSW探索者~你想要知道的都在这里！

本节将带着大家掀开阿里云机器学习技术大图的一角，看看阿里云机器学习，特别是机器学习工程上的发展、沉淀和创新。

阿里巴巴技术专家傲海为大家带来推荐系统召回算法及架构说明的介绍。内容包括召回模块在推荐系统中的位置，召回算法的介绍，什么是协同过滤，以及向量召回架构的说明。

智能推荐分为排序和召回两大模块，在召回模块中通常会采用将 用户User和待推荐的 内容Item 分别以向量表示，然后通过User和Item的向量乘积大小作为User对Item的感兴趣程度的判断。本案例介绍如何基于真实的推荐场景数据，通过使用PAI平台提供的FM算法和Embedding提取算法产生User和Item的描述向量。

在业务发展过程中有两个重要的环节，一个是拉新，另一个是留存。如何做到用户的留存需要很多技术手段保证，一个比较重要的方式是建立用户流失模型，通过学习历史上流失用户的特点，通过机器学习的手段训练处风控模型，队可能会流式的用户进行预测，然后可以提前通过运营手段做一些用户流失的防范。