近年來，機器學習在各行各業的應用越來越廣泛，人們也越來越感受到機器學習的強大威力和巨大的潛力。
從定義來看，機器學習是對能通過經驗自動改進的計算機演算法的研究。換言之，經驗就是資料，演算法就是模型，機器學習做的就是用模型從資料中提取規律。雖然現在有很多軟體包可以解決底層模型的呼叫，但是全流程的資料清洗，特徵轉換，提取，降維，模型的選擇，引數的調整等等端到端的問題當前並沒有乙個很好的解決方案。一方面，資料科學家和資料探勘工程師們需要花費大量的時間在資料的清洗，預處理以及模型的調參上，而且建模步驟與整個產品的解決方案是分離脫節的，在模型落地上往往需要大量的工作。另一方面，由於資料清洗，特徵工程，模型調參等需要大量的專業知識和經驗，這限制了更多的人來應用機器學習，對許多擁有業務背景知識，但是對於機器學習不甚熟悉的人來講，也迫切需要一款產品來幫助他們使用機器學習來為自己的業務賦能。因此，對自動化建模和資料模型全生命週期管理的需求呼之欲出，這也是r2 learn產品的優勢所在。
r2 learn的整個流程包括了資料探索，資料預處理，特徵工程，演算法選擇，模型訓練，模型驗證，結果分析，部署驗證等步驟。除了個別需要手動選擇的地方以外，絕大部分都可以全自動的完成，使用者要做的只是需要給出資料，之後就靜待花開，獲取最優的模型。
大資料應用通常和複雜系統聯絡到一起，這些系統擁有巨量使用者、大量複雜性軟體系統和大規模異構計算與儲存架構。構建這樣的系統通常也面臨著分布式的設計選擇，因此最終產品（如推薦系統、藥物分析工具、實時遊戲引擎和語音識別等）涉及到許多可調整的配置引數。這些引數通常很難由各種開發者或團隊具體地編入軟體中。如果我們能聯合優化這些超引數，那麼系統的效能將得到極大的提公升。
r2 learn的自動建模框架本身是基於人工智慧技術開發的，由三大技術引擎相輔相成:
r2 learn的人工智慧專家引擎整合了最先進的機器學習知識及經驗並自動的應用到建模過程中；而它獨一無二的優化引擎融合了貝葉斯優化，遺傳演算法等理論，用較少的計算資源，最快的速度，找到最好的模型；最值得矚目的是r2 learn的強大的有無窮潛力的自我學習引擎，它會自動學習總結建模過程中的規律，不斷優化提公升自己，變的越快越好。
我們支援當前市面上絕大部分機器學習演算法，包括但不限於adaboost，樸素貝葉斯，決策樹，高斯過程，梯度提公升，knn，隨機森林，邏輯回歸，xgboost等等。另外，我們自主開發的新的演算法包，可以充分發揮gpu的算力優勢，不但可以提公升模型的準確率，減少模型過擬合，而且可以把r2 learn已經超高的建模效率進一步提高幾十倍。
r2 learn產品由演算法模組層，核心優化層，流程排程層，業務對映層依次由低到高組成。演算法模組層提供各個基礎的演算法功能，包括預處理模組組，特徵工程模組組，機器學習演算法模組組，指標驗證模組組，視覺化模組組，部署**模組組等等。核心優化層包括智慧型知識庫，建模優化，及自我學習模組。流程排程層在核心優化層和演算法模組層提供的能力之上提供靈活的流程排程，按照業務的具體需求來組織各個功能模組。業務對映層接受具體任務，將任務對映轉化為流程管道交給流程排程層。整個系統將強大的計算能力和靈活的業務流程統一在一起，可以在給定資源的條件下，最大限度的進行優化。
r2 learn的交付使用docker進行封裝，免除了繁複的環境配置工作，使用者只要提供ip位址和埠號就可以使用，啟動docker後訪問產品的web介面就可以使用產品的全部功能。部署部分還提供有api介面，可以方便使用者在自己的軟體系統中直接呼叫r2 learn的結果。後面還會有saas版本的r2-learn上線，可以進一步減輕使用者的運維負擔，隨時隨地的進行機器學習建模。在多、快、好、省的機器學習探索道路上，r2.ai會越走越遠。
關於r2.ai
2023年4月，r2.ai由一群在ai和資料科學領域內最傑出，最富有想象力的團隊在矽谷建立。他們致力於將大膽的創意轉化為複雜現實中的實際應用。其核心管理團隊擁有合計60多年的ai行業經驗。
用R語言DIY機器學習演算法 KNN
knn演算法又稱為k最鄰近演算法 k nearest neighbour 是一種出現較早且原理比較簡單的機器學習演算法。其基本思想就是根據距離待分類資料a最近的k個樣本資料的分類來 a可能屬於的類別。基本的計算步驟如下 knn演算法的優點是原理簡單，易於實現，在多分類問題中能取得較好的結果 缺點是計...
機器學習 R實現k means演算法做畫像
1.k means應用場景 k means演算法通常可以應用於維數 數值都很小且連續的資料集，比如 從隨機分布的事物集合中將相同事物進行分組。具體可參考 2.k means演算法原理 k means演算法是根據資料點之間的歐氏距離進行聚類的，是一種無監督學習演算法，步驟要點是 選擇乙個聚類數k，迭代...
機器學習與R語言 5 規則學習演算法
目錄2.規則學習應用示例 過程 對於每乙個特徵，基於相似的特徵值1r對資料分組，然後對於每個書分組，該演算法的 類為占多數的類。比如動物分類中若以行走途徑為規則錯誤率為2 15，若以是否有皮毛為規則錯誤率為3 15，因此1r演算法基於以行走途徑為規則返回結果。注意 如果分類水平分布很不均勻，規則學習...