如何使用阿里云机器学习PAI的离线周期性调度功能

离线调度功能是机器学习的常见场景，用户需要通过离线调度功能，周期性的更新模型。阿里云机器学习PAI可以帮助用户构建模型训练的pipline，大数据开发套件是一套阿里云飞天系统的管理运维平台，目前PAI和大数据开发套件已经打通，可以实现机器学习实验的周期性调度。

第一步.建立PAI实验

首先建立一个机器学习实验，在本案例中我们以一个深度学习实验为例。需要记住实验名以便在调度的时候进行选择，如图红框所示。

第二步.进入大数据开发套件工作空间

进入数加大数据开发套件，如图:

大数据开发套件与机器学习PAI共用一套项目，选择需要调度的实验所在的项目，点击进入工作空间。

第三步.新建节点调度任务

点击新建，选择任务。

在新建任务的配置中，选择节点任务，类型选择机器学习。

第四步.配置调度任务

建立了节点任务之后，可以选择对应的需要调度的机器学习实验，并且可以在右边的配置栏进行配置和相关参数的设定。

点击提交即可，注意：提交的作业从第二天开始生效。

第五步.任务日志查询

提交调度任务之后，可以点击前往运维进行日志查看。

在运维中心可以全方位的观察机器学习任务的运行情况以及系统日志。

使用阿里云机器学习PAI做回归预测 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。
阿里云机器学习 PAI 年度发布：持续锻造云原生的 AI 工程平台 刚刚结束的 2022 云栖大会上，阿里云机器学习平台 PAI 发布了在开发者服务、企业级能力、工程性能优化三个方向的一系列新特性和功能。从支撑达摩院上云，到服务金融、汽车、互联网、制造等多个行业的创新实践，机器学习 PAI 不断夯实云原生的 AI 工程平台能力。
傲海 著有《机器学习实践应用》，阿里云机器学习PAI产品经理，个人微信公众号 ldquo;凡人机器学习 rdquo;。