コンポーネント参照: すべてのコンポーネントの概要 - Platform For AI

このトピックでは、Platform for AI (PAI) のMachine Learning Designerでサポートされているコンポーネントについて説明します。

コンポーネントタイプ	コンポーネント	説明
カスタムコンポーネント	カスタムコンポーネントの作成	AIコンピューティング資産管理でカスタムコンポーネントを作成するためのサポート。カスタムコンポーネントが正常に作成されたら、モデルトレーニングのためにDesignerの公式コンポーネントと組み合わせて使用できます。
データのソースとデスティネーションを選択します。	ファイルデータの読み取り	このコンポーネントは、Object Storage Service (OSS) バケットからオブジェクトまたはディレクトリを読み取るために使用されます。
	CSVファイルの読み取り	このコンポーネントを使用すると、OSS、HTTP、およびHadoop分散ファイルシステム (HDFS) データソースからCSVファイルを読み取ることができます。
	MaxComputeテーブルの読み取り	このコンポーネントは、MaxComputeテーブルからデータを読み取ります。既定では、コンポーネントは現在のプロジェクトのテーブルデータを読み取ります。
	書き込みテーブル	このコンポーネントを使用すると、アップストリームのデータをMaxComputeに書き込むことができます。
データ前処理	ランダムサンプリング	このコンポーネントは、特定の比率または数に基づいてランダムデータサンプリングを実装します。サンプルは互いに独立している。
	加重サンプリング	このコンポーネントは、重み付けされた列の値に基づいてサンプリングデータを生成します。
	フィルタリングとマッピング	このコンポーネントは、フィルタ条件の式を使用してデータをフィルタリングし、フィルタリングする列の名前を変更できます。
	階層化サンプリング	このコンポーネントは、層別化列の値に基づいて入力データを層別化し、層ごとにランダムデータサンプリングを実装します。
	参加	このコンポーネントは、テーブル内の列を関連付けて2つのテーブルをマージし、出力列を決定します。このコンポーネントは、SQLのJOINステートメントと同様に機能します。
	列のマージ	このコンポーネントは、列ごとに2つのテーブルをマージします。 2つのテーブルの行数は同じでなければなりません。 2つのテーブルの一方にパーティションがある場合、パーティションテーブルは2番目の入力ポートに接続する必要があります。
	行のマージ (UNION)	このコンポーネントは、2つのテーブルを行ごとにマージします。このコンポーネントを使用する場合、左右のテーブルから選択される出力フィールドの数とデータ型は同じでなければなりません。このコンポーネントは、UNIONとUNION ALLの機能を統合します。
	データ型変換	このコンポーネントは、任意のデータ型のフィーチャをSTRING、DOUBLE、またはINTデータ型のフィーチャに変換します。このコンポーネントでは、データ型の変換中に例外が発生した場合に、欠落した値を置き換えることもできます。
	ID列の追加	このコンポーネントを使用すると、データテーブルの最初の列にID列を追加できます。
	分割	このコンポーネントは、データをランダムに分割して、トレーニングとテスト用のデータセットを生成します。
	不足しているデータの追加	このコンポーネントは、視覚化された方法で、またはPAIコマンドを実行して設定できます。
	正規化	このコンポーネントを使用すると、密または疎なデータを正規化できます。
	標準化	このコンポーネントを使用すると、視覚化された方法で、またはPAIコマンドを実行して標準化インスタンスを生成できます。
	KV2Table	このコンポーネントを使用すると、キーと値の形式のテーブルを共通のテーブルに変換できます。
	Table2KV	このコンポーネントを使用すると、視覚化された方法で、またはPAIコマンドを実行して、共通テーブルをキー値形式のテーブルに変換できます。
機能エンジニアリング	機能重要性フィルタリング	このコンポーネントは、線形モデルフィーチャ重要度、GBDTフィーチャ重要度、およびランダムフォレストフィーチャ重要度を含むコンポーネントのフィルタリング機能を提供します。この成分は、上位N個の特徴をフィルタリングするために使用できる。
	主成分分析 (PCA)	このコンポーネントは、多変量統計法を使用して、複数の変数の内部構造と、それらがいくつかの主成分に基づいて互いにどのように相関するかを調査します。
	機能スケーリング	このコンポーネントを使用すると、一般的なスケーリング関数を使用して、密形式または疎形式の数値データをスケーリングできます。
	機能の離散化	このコンポーネントは、特定のルールに基づいて連続特徴を離散化します。
	特徴異常スムージング	このコンポーネントは、入力データの異常な特徴を特定の間隔に平滑化できます。疎データと密データの両方がサポートされています。
	特異値分解 (SVD)	このコンポーネントは、線形代数で行列を分解するために使用されます。これは、行列分析における正常行列の対角化の一般化です。
	異常検出	このコンポーネントは、連続機能または列挙機能を持つデータを検出するために使用されます。データ内の例外を検出するのに役立ちます。
	線形モデル機能の重要性	このコンポーネントは、バイナリ分類の線形回帰やロジスティック回帰などの線形モデルの特徴重要性を計算します。疎データと密データの両方がサポートされています。
	離散的な特徴分析	このコンポーネントは、離散フィーチャの分布に関する統計を収集するために使用されます。
	ランダムフォレスト機能の重要性評価	このコンポーネントは、特徴重要度の計算に使用されます。
	特徴選択 (フィルタ方式)	このコンポーネントは、指定したフィーチャ選択方法に基づいてフィルタを使用して、スパース形式または密形式のすべてのフィーチャデータから上位N個のフィーチャを選択します。
	機能エンコーディング	このコンポーネントは、勾配ブースティング決定木 (GBDT) アルゴリズムに基づいて、非線形特徴を線形特徴に符号化することができる。
	Oneホットエンコーディング	このコンポーネントは、データをスパース形式のキー値ペアに変換します。
統計分析	データピボット	このコンポーネントでは、フィーチャ値、フィーチャ列、およびラベル列の分布を表示できます。これは、フォローアップデータ分析を容易にする。
	共分散	このコンポーネントは、2つの変数の共同変動を測定するために使用されます。
	経験的確率密度チャート	このコンポーネントは、経験的分布とカーネル密度推定関数を使用します。
	テーブル全体の統計	このコンポーネントは、テーブル内のデータまたは選択した列のみに関する統計を収集します。
	カイ二乗の良さのフィットテスト	このコンポーネントは、カテゴリ変数が使用されるシナリオで使用されます。この成分は、単一のマルチクラス分類変数の各分類について、観察された頻度と予想される頻度との間の差を決定するために使用される。帰無仮説は、観察された周波数と予想される周波数が同じであると仮定する。
	ボックスプロット	ボックスプロットチャートは、データのセットの分布を示しています。生データの分布特徴を示します。また、複数のデータセット間の分布特徴を比較するために使用することもできる。
	散布図	回帰分析では、散布図はデカルト座標系のデータ点の分布を示します。
	相関係数行列	相関係数は、行列内の列間の相関を示す。係数は [-1,1] の範囲です。 countパラメーターは、値が2つの連続する列の非ゼロ要素の数である場合に測定されます。
	2つのサンプルTテスト	このコンポーネントは、2つのサンプルの平均が統計的原理に基づいて大きく異なるかどうかをチェックします。
	1つのサンプルTテスト	この成分は、変数の全体平均と特定の値との間に有意差が存在するかどうかを決定するために使用される。 Tテストを実行するサンプルは、正規分布に従う必要があります。
	正常性テスト	このコンポーネントは、観測値を使用して母集団が正規分布に従うかどうかを判断する正規性テストです。正規性検定は、統計的決定における特別な適合度仮説検定です。
	ローレンツ曲線	このコンポーネントは、国または地域の所得分布を示すために使用できます。
	パーセンタイル	このコンポーネントは、データテーブルの列のデータのパーセンタイルを計算するために使用されます。
	ピアソン係数	この成分は、2つの変数間の線形相関を測定する線形相関係数である。
	ヒストグラム	この成分は、質量分布プロファイルとしても知られるヒストグラムである。ヒストグラムは、データ分布を示すために、さまざまな高さの一連の縦縞または線分で構成される統計レポートチャートです。
機械学習	予測	このコンポーネントは、トレーニングモデルと予測データを入力として使用し、予測結果を出力として生成します。
	XGboostトレイン	XGBoostは、勾配ブースティングアルゴリズムの拡張である。 XGBoostは、より優れたユーザビリティと堅牢性を提供し、機械学習プロダクションシステムや機械学習コンテストで広く使用されています。 XGBoostは分類と回帰に使用できます。
	XGboost予測	XGBoostは、勾配ブースティングアルゴリズムの拡張である。 XGBoostは、より優れたユーザビリティと堅牢性を提供し、機械学習プロダクションシステムや機械学習コンテストで広く使用されています。 XGBoostは分類と回帰に使用できます。
	リニアSVM	このコンポーネントは、統計学習理論に基づく機械学習モデルです。リスクを最小限に抑え、学習マシンの一般化能力を向上させます。このようにして、経験的リスクおよび信頼区間が最小化される。
	バイナリロジスティック回帰	このコンポーネントはバイナリ分類アルゴリズムであり、まばらで密なデータをサポートします。
	GBDTバイナリ分類	このコンポーネントは、しきい値を設定するために使用されます。特徴値が閾値よりも大きい場合、特徴は正の例である。そうでなければ、特徴は否定的な例である。
	実験のPS-SMARTバイナリ分类トレーニング	パラメータサーバ (PS) は、多数のオフラインおよびオンラインのトレーニングタスクを処理するために使用される。 SMARTは、スケーラブルな重加法回帰木を表す。 PS-SMARTは、PSベースの勾配ブースティング決定木 (GBDT) を使用することによって実装される反復アルゴリズムである。
	バイナリ分類のPSロジスティック回帰	このコンポーネントは、古典的なバイナリ分類アルゴリズムであり、広告や検索のシナリオで広く使用されています。
	PS-SMARTマルチクラス分類	パラメータサーバ (PS) は、多数のオフラインおよびオンラインのトレーニングタスクを処理するために使用される。 SMARTは、スケーラブルな重加法回帰木を表す。 PS-SMARTは、PSベースの勾配ブースティング決定木 (GBDT) を使用することによって実装される反復アルゴリズムである。
	KNN	このコンポーネントは、分類のために予測テーブルの行からK個の最も近いレコードを選択する。 K最近傍レコードの最も一般的なクラスが、行のクラスとして使用される。
	マルチクラス分類のロジスティック回帰	このコンポーネントはマルチクラス分類に使用され、スパースデータ形式と密データ形式の両方をサポートします。
	ランダム森	このコンポーネントは、複数の決定木からなる分類子である。分類結果は、個々のツリーの出力クラスのモードによって決定される。
	素朴なベイズ	このコンポーネントは、独立した仮定を持つベイズ定理に基づく確率的分類アルゴリズムです。
	K-平均クラスタリング	このコンポーネントは、K個のオブジェクトを各クラスタの初期重心としてランダムに選択し、残りのオブジェクトと重心との間の距離を計算し、残りのオブジェクトを最も近いクラスタに分配し、次いで各クラスタの重心を再計算する。
	DBSCAN	このコンポーネントは、クラスタリングモデルの作成に使用されます。
	GMMトレーニング	このコンポーネントは、モデルを分類するために使用されます。
	DBSCAN予測	このコンポーネントは、DBSCANモデルに基づいて新しいポイントが属する可能性のあるクラスタを予測するために使用されます。
	GMM予測	このコンポーネントは、トレーニングされたガウス混合モデルに基づいてクラスタリング予測を実行するために使用されます。
	GBDT回帰	このコンポーネントは、線形および非線形回帰シナリオに適した反復決定木アルゴリズムである。
	リニア回帰	このコンポーネントは、従属変数と複数の独立変数との間の線形関係を分析するために使用されます。
	PS-SMART回帰	このコンポーネントは、多数のオフラインおよびオンラインのトレーニングジョブを処理するために使用されます。 SMARTは、スケーラブルな重加法回帰木の略です。 PS-SMARTは、PSベースの勾配ブースティング決定木 (GBDT) を使用することによって実装される反復アルゴリズムである。
	PSリニア回帰	このコンポーネントは、従属変数と複数の独立変数との間の線形関係を分析するために使用されます。パラメータサーバは、多数のオフラインおよびオンラインのトレーニングジョブを処理するために使用される。
	バイナリ分類評価	この成分を使用して、AUC、KS、およびF1スコア測定基準を計算し、コルモゴロフ・スミルノフ (KS) 曲線、精密再現 (P-R) 曲線、ROC曲線、リフトチャート、およびゲインチャートを生成する。
	回帰モデルの評価	このコンポーネントは、予測結果と元の結果に基づいて、回帰アルゴリズムのさまざまなモデルの利点と欠点を評価するために使用されます。次いで、評価メトリックおよび残差のヒストグラムが生成される。
	クラスタリングモデルの評価	このコンポーネントは、クラスタリングモデルを評価し、生データとクラスタリング結果に基づいて評価メトリックを生成するために使用されます。
	混乱マトリックス	この成分は、教師あり学習に適しており、教師なし学習におけるマッチング行列に対応する。
	マルチクラス分類評価	このコンポーネントは、分類モデルの予測結果と元の結果に基づいて、マルチクラス分類アルゴリズムのモデルの長所と短所を評価するために使用されます。次いで、精度、カッパ、およびF1スコアなどの評価メトリックが生成される。
深層学習	ディープラーニングの有効化	PAIは深層学習フレームワークをサポートし、GPU高速クラスターを提供します。これらのフレームワークとハードウェアリソースに基づいて、深層学習アルゴリズムを使用できます。
時系列	x13_アリマ	このコンポーネントは、オープンソースX-13ARIMA-SEATSアルゴリズムに基づく季節的自己回帰統合移動平均 (ARIMA) アルゴリズムです。
	x13_auto_アリマ	このコンポーネントは、ARIMAモデルの自動選択プログラムを使用します。このコンポーネントは、TRAMO (1996) で編集された改訂プログラム (GomezおよびMaravall 1998) に基づいて開発されています。
	預言者	このコンポーネントは、Prophetアルゴリズムを使用してMTableデータの各行の時系列データを予測し、次の期間の予測結果を提供します。
	MTableアセンブラ	このコンポーネントは、groupColsで指定された値に基づいてテーブル内の列を集約してMTableを作成します。
	MTableエキスパンダー	このコンポーネントは、MTableをテーブルに展開します。
推奨事項	FMアルゴリズム	因数分解マシン (FM) アルゴリズムベースのコンポーネントは、特徴間の相互作用を組み込む非線形モデルである。このアルゴリズムは、Eコマース、広告、およびライブビデオストリーミングを使用して商品を宣伝するシナリオに適しています。
	ALSトレーニング	このコンポーネントは、モデルベースの推奨アルゴリズムです。スパース行列因数分解を使用してモデルを因数分解し、欠落エントリの値を予測して基本的なトレーニングモデルを取得します。
	スイングトレイン	このコンポーネントはアイテムリコールアルゴリズムです。このコンポーネントを使用して、ユーザー-アイテム-ユーザーの原則に基づいてアイテムの類似性を測定できます。
	スイングのおすすめ	このコンポーネントは、上流バッチデータを予測するために使用されます。このコンポーネントを使用して、Swing Trainコンポーネントによって生成されたモデルと予測データに基づいてオフライン予測を実行できます。
	共同フィルタリング (etrec)	このコンポーネントは、アイテムに基づく協調フィルタリングアルゴリズムです。 2つの入力列を使用し、最も類似度の高い上位N個の項目を出力として提供します。
	ベクトルリコール評価	このコンポーネントは、リコールのヒット率を計算します。値が高いほど、モデルトレーニング中に生成されたベクトルを使用して実行されるリコールの精度が高いことを示します。
異常検出	ローカル外れ値要因 (LOF) 外れ値検出	このコンポーネントは、ローカル外れ値要因 (LOF) アルゴリズムに基づいてサンプルを外れ値として識別します。
	iForest外れ値	このコンポーネントは、サブサンプリングアルゴリズムを使用して異常を検出します。サブサンプリングアルゴリズムはそれほど複雑ではなく、データセット内の異常点を識別するために使用することができる。サブサンプリングは、異常検出シナリオで広く使用されています。
	1クラスSVM外れ値検出	このコンポーネントは、従来のSVMアルゴリズムとは異なる教師なし機械学習アルゴリズムです。このコンポーネントを使用して、決定境界を学習して外れ値を検出できます。
Natural Language Processing	テキスト要約予測コンポーネントの使用	このコンポーネントは、長く繰り返しのテキストから重要な情報を抽出するために使用されます。例えば、見出しはテキスト要約の結果である。このコンポーネントを使用して、指定した事前トレーニング済みモデルを呼び出し、ニュースのヘッドラインを生成できます。
	マシン読み取り理解予測	このコンポーネントを使用すると、機械読み取り理解力トレーニングコンポーネントによってトレーニングされたモデルを使用して、バッチ予測を行うことができます。
	テキスト要約	このコンポーネントは、長く繰り返しのテキストから重要な情報を抽出するために使用されます。例えば、見出しはテキスト要約の結果である。このコンポーネントを使用して、ニュースの要点を要約した見出しを生成するモデルをトレーニングできます。
	機械読書理解トレーニング	このコンポーネントを使用すると、特定のテキストの文章を読んで理解し、関連する質問に答えるために、機械読書理解 (MRC) モデルをトレーニングできます。
	スプリットワード	このコンポーネントは、Alibaba Word Segmenter (AliWS) に基づいて特定の列の単語を分割します。分割後に得られた単語はスペースで区切られます。
	行、列、値をKVペアに変換	このコンポーネントは、トリプルテーブル (row,col,value) をキー値テーブル (row,[col_id:value]) に変換します。
	文字列の類似性	このコンポーネントは、基本的な機械学習動作を実行する。通常、情報検索、自然言語処理、およびバイオインフォマティクスで使用されます。
	文字列の類似性-トップN	このコンポーネントは、文字列の類似性を計算し、マッピングテーブルに最も一致する上位N個のデータレコードを取得します。
	非推奨の単語フィルター	このコンポーネントは、テキスト分析の前処理方法です。このコンポーネントは、単語トークン化結果の「of」、「is」、「oops」などのノイズをフィルタリングするために使用されます。
	ngram-count	このコンポーネントは、言語モデルのトレーニングのステップです。 Nグラムは、単語に基づいて生成される。すべてのコーパスにおけるNグラムの数をカウントする。
	テキスト要約	このコンポーネントは自動的にアブストラクトを生成できます。要約は、文書の主なアイデアを正確に反映するシンプルで一貫した短いテキストです。このコンポーネントにより、コンピューターはドキュメントから要約を抽出できます。
	キーワード抽出	このコンポーネントは、自然言語処理における重要な技術の1つを使用して、文書からキーワードを抽出します。
	文の分割	このコンポーネントは、文書内のテキストを句読点で分割するために使用されます。このコンポーネントは、テキスト要約の前にテキストを処理します。テキストを行に分割します。各行には1つの文しか含まれていません。
	セマンティックベクトル距離	Word2Vecコンポーネントによって計算された単語ベクトルなど、計算された意味ベクトルに基づいて、指定された単語または文の拡張単語または文を計算できます。拡張単語または拡張文は、あるベクトルに最も近いベクトルの集合である。たとえば、特定の単語に最も似ている単語のリストを生成できます。これは、Word2Vecコンポーネントによって返されるセマンティックベクトルに基づいています。
	Doc2Vec	Doc2Vecコンポーネントを使用して、記事をベクトルにマッピングできます。入力は語彙です。出力は、文書ベクトル表、単語ベクトル表、または語彙である。
	条件付きランダムフィールド	条件付き確率体 (CRF) は、入力確率変数群に基づく出力確率変数群の条件付き確率分布モデルである。このモデルは、出力確率変数がマルコフ確率場 (MRF) を構成すると仮定する。
	ドキュメントの類似性	このコンポーネントは、文字列の類似性に基づいて記事間または文間の類似性を計算する。
	PMI	このコンポーネントは、いくつかのドキュメント内のすべての単語の共起をカウントし、ポイントごとの相互情報量 (PMI) を計算します。
	条件付きランダムフィールド予測	このコンポーネントは、オンライン予測モデル線形条件付きランダムフィールド (LinearCRF) に基づいて機械学習デザイナーによって提供されるアルゴリズムコンポーネントです。このコンポーネントは、シーケンスラベル付けタスクを処理します。
	単語分割 (モデルの生成)	このコンポーネントは、Alibaba Word Segmenter (AliWS) に基づいて開発されています。このコンポーネントは、パラメータおよびカスタム辞書に基づいて単語分割モデルを生成する。
	単語頻度統計	単語頻度の計算中に、プログラムを使用して、文字列内の単語の総数と、各単語が文字列に現れる回数を計算します。文字列は、手動で入力したり、指定したファイルから読み取ったりできます。
	TF-IDF	用語頻度-逆ドキュメント頻度 (TF-IDF) は、情報検索とテキストマイニングに一般的に使用される重み付け手法です。 TF-IDFは、所与の検索クエリに対する文書の関連性をスコアリングおよびランク付けする際のツールとして検索エンジンによって使用される。
	PLDA	PAIでは、PLDAコンポーネントのトピックパラメーターを設定して、ドキュメントごとに異なるトピックを抽象化できます。
	Word2Vec	Word2Vecコンポーネントは、ニューラルネットワークを使用して、広範なトレーニングに基づいて単語をK次元空間内のベクトルにマッピングします。コンポーネントは、ベクトルのセマンティクスを示すためにベクトルに対する演算をサポートする。入力は単語列または語彙であり、出力はベクトルテーブルと語彙です。
ネットワーク分析	ツリーの深さ	このコンポーネントは、ツリー内の各ノードの深さとツリーIDを生成します。
	kコア	このコンポーネントは、指定されたコアネスを持つサブグラフを識別します。最大のコアネスは、グラフのコアネスであると考えられる。
	単一ソース最短パス	このコンポーネントは、ダイクストラアルゴリズムを使用して、所与のノードと他のすべてのノードとの間の最短経路を生成する。
	PageRank	このコンポーネントは、リンクソースに基づいてwebページのランキングを計算およびソートするアルゴリズムです。
	ラベル伝播クラスタリング	このコンポーネントは、半教師付き機械学習アルゴリズムです。ノード (コミュニティ) のラベルは、隣接ノードのラベルに依存する。依存度は、ノード間の類似性によって決定される。データは、反復伝搬更新を通じて安定する。
	ラベル伝播分類	このコンポーネントは、半教師付き分類アルゴリズムである。ラベル付きノードのラベル情報を使用して、ラベルなしノードのラベル情報を予測します。
	モジュール性	このコンポーネントは、ネットワーク内のコミュニティの構造を評価するために使用されるメトリックです。コミュニティに分割されたネットワークの強度を測定するように設計されています。 0.3を超える値は、強力なコミュニティ構造を示します。
	最大接続サブグラフ	このコンポーネントは、最大接続サブグラフを生成します。無向グラフGでは、2つの頂点間にパスが存在する場合、頂点Aは頂点Bに接続されます。無向グラフGは、いくつかのサブグラフを含む。各頂点は、同じサブグラフ内の他の頂点に接続される。異なるサブグラフの頂点は接続されていません。無向グラフGのサブグラフは、最大接続サブグラフと呼ばれます。
	頂点クラスタリング係数	このコンポーネントは、無向グラフGの頂点の周辺密度を計算します。スターネットワークの密度は0であり、完全メッシュネットワークの密度は1です。
	エッジクラスタリング係数	このコンポーネントは、無向グラフGのエッジ密度を計算します。
	カウント三角形	このコンポーネントは、無向グラフGのすべての三角形を生成します。
ファイナンス	データ変換モジュール	このコンポーネントは、データに対して正規化、離散化、インデックス化、または証拠の重み (WOE) 変換を実行します。
	Scorecardトレーニング	このコンポーネントは、信用リスク評価の分野で使用される一般的なモデリングツールです。このコンポーネントは、変数の離散化を実装するためにビニングを実行し、線形回帰モデルやロジスティック回帰モデルなどの線形モデルを使用してモデルをトレーニングします。モデルトレーニングプロセスは、特徴選択およびスコア変換を含む。
	スコアカード予測	このコンポーネントは、スコアカードトレーニングコンポーネントによって生成されたモデルを使用してスコアを予測します。
	ビニング	このコンポーネントは、フィーチャの離散化に使用されます。特徴離散化は、連続データを複数の離散区間に変換するプロセスである。このコンポーネントは、等周波数ビニング、等幅ビニング、および自動ビニングをサポートします。
	人口安定指数	この成分は、母集団の2つのサンプルにおけるシフトを識別するために使用される。このコンポーネントを使用して、サンプルの安定性を測定できます。
視覚アルゴリズム	画像分類 (トーチ)	ビジネスに画像分類が含まれる場合は、画像分類 (トーチ) コンポーネントを使用して、推論用の画像分類モデルを構築できます。
	ビデオ分類	このコンポーネントを使用して、生のビデオデータをトレーニングし、推論用のビデオ分類モデルを取得できます。
	オブジェクト検出 (easycv)	このコンポーネントを使用して、画像にリスクがあるエンティティを検出するオブジェクト検出モデルをトレーニングできます。
	イメージ自己监督学习	このコンポーネントを使用して、ラベルなし画像をトレーニングし、画像特徴を抽出するモデルを取得できます。
	画像メトリック学習 (raw)	このコンポーネントを使用して、推論用のメトリック学習モデルを構築できます。
	ポーズ検出	このコンポーネントを使用して、推論用のポーズモデルを構築できます。このコンポーネントは、人体検出を伴うシナリオに最適です。
	モデルquantize	このコンポーネントは、モデルを圧縮および加速するための主流モデル量子化アルゴリズムを提供します。このようにして、高性能推論を実施することができる。
	モデルプルーン	このコンポーネントは、Taylor First orderプルーニング (TaylorFO) に基づくモデルプルーンコンポーネントを提供します。 TaylorFOは、主流の適応成長および剪定アルゴリズム (AGP) です。モデルプルーンコンポーネントを使用して、高いトレーニングと推論パフォーマンスのためにモデルを圧縮できます。
ツール	OfflineModelコンポーネント	OfflineModelは、MaxComputeで使用されるデータ形式です。 PAICommandフレームワークに基づく従来の機械学習アルゴリズムによって生成されたモデルは、MaxComputeプロジェクトでOfflineModel形式で保存されます。これらのコンポーネントを使用して、オフラインモデルを取得し、オフラインモデルを使用してオフライン予測ジョブを実行できます。
ツール	モデルのエクスポート	このコンポーネントを使用して、MaxComputeでトレーニングされたモデルを指定されたOSSパスにエクスポートできます。
カスタムスクリプト	SQLスクリプト	このコンポーネントを使用すると、SQLスクリプトエディターでカスタムSQLステートメントを記述できます。ステートメントをMaxComputeに送信して実行できます。
	Pythonスクリプト	このコンポーネントを使用すると、カスタム依存関係をインストールし、カスタムPython関数を実行できます。
	PyAlinkスクリプト	このコンポーネントを使用すると、分類アルゴリズム、回帰アルゴリズム、推奨アルゴリズムなど、Alinkのすべてのアルゴリズムを呼び出すことができます。このコンポーネントをMachine Learning Designerの他のアルゴリズムコンポーネントと一緒に使用して、パイプラインを作成し、その効果を検証することもできます。
	タイムウィンドウSQL	このコンポーネントを使用すると、複数日のループ実行機能を使用して、一定期間内に複数の日レベルのSQLタスクを実行できます。
ベータ版コンポーネント	Lasso Regressionトレーニング	このコンポーネントは、圧縮推定アルゴリズムを提供する。
	なげなわ回帰予測	このコンポーネントは、疎データと密データの両方をサポートします。このコンポーネントを使用して、ローンの限度額や温度などの数値変数の値を推定できます。
	リッジ回帰予測	このコンポーネントは、住宅価格、販売量、気温などの数値変数の値を推定するために使用できます。
	リッジ回帰トレーニング	このコンポーネントは、不良設定問題に対処するために使用される最も一般的な正則化方法を提供します。