[发明专利]智能学习系统及数据分析方法

说明书

本发明公开了一种智能学习系统及数据分析方法。智能学习系统，包括：树形菜单栏，用于提供多种数据集和多种算法；svg画布，用于基于多种数据集和多种算法，构建DAG流程图；属性页，用于修改数据集以及算法的属性参数，以构建专题类分析模型；流程交互区，用于保存、删除、运行以及发布专题类分析模型。采用本发明，可以简化专题类分析模型构建过程，提高数据分析效率，避免代码的二次开发。

技术领域

本发明涉及计算机领域，尤其涉及一种智能学习系统及数据分析方法。

背景技术

信息化时代，数据爆发式增长，数据潜在价值的挖掘分析变得十分必要，运用大数据挖掘分析与人工智能技术，对用户数据进行智能化处理，自助式可视化探索分析，数据深度挖掘分析，在线进行模型参数智能化自动化调优成为当前亟待解决的问题。现市场上数据智能分析软件产品主要分为三类：(1)单机版的机器学习软件，典型软件如R Studio，Matlab等。此类软件平台多为单机版软件，内置了机器学习的基础算法接口，用户通过二次开发使用接口实现自己数据的智能分析。此类软件多被应用在小型数据集，研究型应用中，无法支持海量数据集。(2)基于分布式集群的开源架构的数据智能分析类软件，典型软件如Spark Mlib。此类平台基于分布式集群构建，部分算法基于分布式计算方法实现。需要用户具备分布式计算基础，多适用于具体领域具体需求的应用场景。(3)企业级数据智能分析平台。现有企业级的数据智能分析平台主要为各大互联网公司根据各自领域业务应用、已有的存储计算控件以及现有算法进行封装构建而成。企业级数据智能分析平台典型的有微软AzureML，百度Jarvis，阿里PAI等。其中微软数据智能分析平台应用算法涵盖较全面，但不支持分布式的机器学习算法，很难实现大数据量集数据深度挖掘应用；百度Jarvis平台，为向导式的数据智能分析平台，用户必须上传符合软件规范内的数据并按照既定流程进行分析应用，较难实现应用的扩展；阿里PAI平台，搭积木式组装式数据智能分析平台，用户通过拖拉拽方式拖拽数据、算法形成业务应用模型，目前PAI平台支持分布式的计算分析，但不支持模型应用的发布与快速部署。

发明内容

本发明实施例提供一种智能学习系统及数据分析方法，用以解决背景技术中提到的数据智能分析平台软件存在的问题。

根据本发明实施例的智能学习系统，包括：

树形菜单栏，用于提供多种数据集和多种算法；

svg画布，用于基于多种所述数据集和多种所述算法，构建DAG流程图；

属性页，用于修改所述数据集以及所述算法的属性参数，以构建专题类分析模型；

流程交互区，用于保存、删除、运行以及发布所述专题类分析模型。

根据本发明的一些实施例，所述算法包括数据处理算子、数据分析算子、以及ETL类算子中的至少一种。

根据本发明的一些实施例，所述算法通过将SparkMlib、Tensorflow、以及Pytorch中的基础算子、数据、处理流程均封装获得。

根据本发明的一些实施例，所述数据集和所述算法均适于通过拖拽的方式移动至所述svg画布。

根据本发明的一些实施例，所述树形菜单栏和所述属性页分别位于所述svg画布的两侧，所述流程交互区位于所述svg画布的下方。

根据本发明的一些实施例，所述智能学习系统还包括：

画布辅助功能框，包括放大编辑按钮、缩小编辑按钮、位置还原按钮以及全屏显示按钮。

根据本发明实施例的数据分析方法，所述方法基于如上所述的智能学习系统实现，所述方法包括：

从树形菜单栏获取待构建专题类分析模型所需的至少一个数据集和至少一个算法，并移动至svg画布；