Machine Learning in Oracle Database unterstützt mithilfe von SQL-, R-, Python-, REST-, AutoML- und No-Code-Schnittstellen die Datenexploration, -vorbereitung und ML-Modellierung in großem Maßstab. Es enthält mehr als 30 leistungsstarke datenbankinterne Algorithmen, die Modelle für den sofortigen Einsatz in Anwendungen erstellen. Dadurch, dass die Daten in der Datenbank verbleiben, können Unternehmen ihre Gesamtarchitektur vereinfachen und die Datensynchronisierung und -sicherheit gewährleisten. Außerdem können Data Scientists und anderen Datenexperten Modelle schnell erstellen, indem Schlüsselelemente des Machine Learning-Lebenszyklus vereinfacht und automatisiert werden.
Verhindern Sie Datenabweichungen und überwachen Sie die Leistung Ihrer maschinellen Lernmodelle. Neue Überwachungsfunktionen in Oracle Database-Services für maschinelles Lernen warnen Sie vor Problemen mit der Qualität der Daten und des datenbankeigenen Modells.
Nutzen Sie umfassendere Python-und R-Package-Ökosysteme auf Oracle Autonomous Database in Oracle Machine Learning Notebooks. Führen Sie benutzerdefinierte Funktionen mit Paketfunktionen von Drittanbietern in Engines aus, die von der Oracle Database-Umgebung erzeugt und verwaltet werden.
Erforschen, transformieren und analysieren Sie Daten schneller und in größerem Umfang, während Sie die vertraute R-Syntax und -Semantik verwenden und die Vorteile der Oracle Database als Hochleistungs-Rechenumgebung nutzen.
Der Einsatz und die Skalierung von Modellen für maschinelles Lernen und umfassenderen Python- und R-basierten Lösungen in der Produktion ist oft eine Herausforderung. Erfahren Sie, wie Sie die Einbettung von KI und ML in Anwendungen mit maschinellem Lernen in Oracle Database vereinfachen können.
Steigern Sie die Produktivität von Data Scientists und Entwicklern und verkürzen Sie ihre Lernkurve mit vertrauter, Open-Source-basierter Apache Zeppelin-Notebook-Technologie. Notebooks unterstützen SQL-, PL-/SQL-, Python-, R- und Markdown-Interpreter für Oracle Autonomous Database, sodass Benutzer bei der Entwicklung von Analyselösungen in der Sprache ihrer Wahl arbeiten können.
Reduzieren Sie die Zeit für die Bereitstellung und Verwaltung nativer In-Database-Modelle und Modelle im ONNX-Format in der Oracle Autonomous Database-Umgebung. Anwendungsentwickler verwenden Modelle über einfach zu integrierende REST-Endpunkte. Stellen Sie Modelle schnell und einfach über die AutoML-Benutzeroberfläche von Oracle Machine Learning bereit.
Vereinfachen und beschleunigen Sie die Erstellung von Machine Learning-Modellen für professionelle und nicht professionelle Datenwissenschaftler unter Verwendung von SQL und PL/SQL für die Datenaufbereitung sowie die Entwicklung, Bewertung und Bereitstellung.
Eine No-Code-Benutzeroberfläche, die AutoML auf Oracle Autonomous Database unterstützt, um sowohl die Produktivität von Data Scientists als auch den Zugriff von Laien auf leistungsstarke datenbankinterne Algorithmen zur Klassifizierung und Regression zu verbessern.
Beschleunigen Sie die Modellierung des maschinellen Lernens mit Oracle Autonomous Database als High Performance Computing-Plattform mit einer R-Schnittstelle. Verwenden Sie Oracle Machine Learning Notebooks mit R-, Python- und SQL-Interpretern, um auf maschinellem Lernen basierende Lösungen zu entwickeln. Stellen Sie problemlos benutzerdefinierte R-Funktionen aus SQL und REST-APIs mit daten- und aufgabenparallelen Optionen bereit.
Data Scientists und andere Python-Benutzer beschleunigen die Modellierung von maschinellem Lernen und die Bereitstellung von Lösungen, indem sie Oracle Autonomous Database als Hochleistungs-Computing-Plattform mit einer Python-Schnittstelle einsetzen. Das integrierte automatisierte maschinelle Lernen (AutoML) empfiehlt relevante Algorithmen und Funktionen für jedes Modell und führt eine automatische Modelloptimierung durch. Zusammen verbessern diese Funktionen die Nutzerproduktivität, Modellgenauigkeit und Skalierbarkeit.
Datenwissenschaftler und Datenanalysten können diese Drag-and-Drop-Nutzeroberfläche nutzen, um schnell analytische Workflows zu erstellen. Durch die schnelle Modellentwicklung und -verfeinerung können Nutzer verborgene Muster, Beziehungen und Daten in ihren Daten entdecken.
Vereinfachen und beschleunigen Sie die Erstellung von Machine Learning-Modellen für Datenwissenschaftler und Citizen Data Scientists unter Verwendung von SQL und PL/SQL für die Datenaufbereitung sowie die Entwicklung, Bewertung und Bereitstellung.
Datenwissenschaftler und Datenanalysten können diese Drag-and-Drop-Nutzeroberfläche nutzen, um schnell analytische Workflows zu erstellen. Durch die schnelle Modellentwicklung und -verfeinerung können Nutzer verborgene Muster, Beziehungen und Daten in ihren Daten entdecken.
Beschleunigen Sie die Modellierung und Bereitstellung von Lösungen für das maschinelle Lernen, indem Sie Oracle Database als Hochleistungs-Computing-Plattform mit einer R-Schnittstelle einsetzen. Stellen Sie problemlos benutzerdefinierte R-Funktionen aus SQL und R-APIs mit daten- und aufgabenparallelen Optionen bereit. Benutzerdefinierte R-Funktionen können Funktionen aus dem R-Paket-Ökosystem enthalten.
Data Scientists und andere Python-Benutzer beschleunigen die Modellierung von maschinellem Lernen und die Bereitstellung von Lösungen, indem sie Oracle Autonomous Database als Hochleistungs-Computing-Plattform mit einer Python-Schnittstelle einsetzen. Das integrierte automatisierte maschinelle Lernen (AutoML) empfiehlt relevante Algorithmen und Funktionen für jedes Modell und führt eine automatische Modelloptimierung durch. Zusammen verbessern diese Funktionen die Nutzerproduktivität, Modellgenauigkeit und Skalierbarkeit.
Eine No-Code-Benutzeroberfläche, die AutoML auf Oracle Autonomous Database unterstützt, um sowohl die Produktivität von Data Scientists als auch den Zugriff von Laien auf leistungsstarke datenbankinterne Algorithmen zur Klassifizierung und Regression zu verbessern.
Data Scientists und andere Python-Benutzer beschleunigen die Modellierung von maschinellem Lernen und die Bereitstellung von Lösungen, indem sie Oracle Autonomous Database als Hochleistungs-Computing-Plattform mit einer Python-Schnittstelle einsetzen. Das integrierte automatisierte maschinelle Lernen (AutoML) empfiehlt relevante Algorithmen und Funktionen für jedes Modell und führt eine automatische Modelloptimierung durch. Zusammen verbessern diese Funktionen die Nutzerproduktivität, Modellgenauigkeit und Skalierbarkeit.
Eine No-Code-Benutzeroberfläche, die AutoML auf Oracle Autonomous Database unterstützt, um sowohl die Produktivität von Data Scientists als auch den Zugriff von Laien auf leistungsstarke datenbankinterne Algorithmen zur Klassifizierung und Regression zu verbessern.
Datenwissenschaftler und Datenanalysten können diese Drag-and-Drop-Nutzeroberfläche nutzen, um schnell analytische Workflows zu erstellen. Durch die schnelle Entwicklung und Verfeinerung können Nutzer verborgene Muster, Beziehungen und Daten in ihren Daten entdecken.
Erfahren Sie, wie Sie mit Python, R, und SQL schneller Machine Learning-Modelle erstellen können.
Die Enterprise Strategy Group findet, dass die Autonomous Data Warehouse-Verbesserungen von Oracle „die Einfachheit demokratisieren“
Enterprise Strategy Group-Blog lesenOMDIA: Oracle ist der einzige Anbieter, bei dem Kunden wählen können, welche Cloud-Services On-Premises und in der Public Cloud ausgeführt werden sollen
OMDIA-Bericht lesen (PDF)Kunden auf der ganzen Welt nutzen die datenbankinternen Machine Learning-Funktionen von Oracle, um komplexe und wichtige datengesteuerte Probleme zu lösen.
Datenwissenschaftler und -entwickler erstellen Modelle und bewerten Daten schneller und in großem Maßstab, ohne die Daten in separate Analyse-Engines extrahieren zu müssen. Die Scale-Out-Architektur und die Smart Scan-Technologie von Oracle Exadata liefern schnelle Ergebnisse.
Data Scientists und Entwickler, die maschinelles Lernen in Oracle Database verwenden, sind durch integrierte Sicherheit, Verschlüsselung und rollenbasierten Zugriff auf Benutzerdaten und -modelle geschützt.
Entwickler und das Datenanalyseteam erreichen eine sofortige Verfügbarkeit des Machine Learning-Modells mit einfachen Bereitstellungsoptionen mithilfe der SQL- und Representational State Transfer (REST)-Schnittstellen.
Data Scientists und Entwickler verarbeiten Daten dort, wo sie sich in der Oracle Database befinden. Dies vereinfacht die Modellerstellung und -bereitstellung, verkürzt die Zeit der Anwendungsentwicklung und verbessert die Datensicherheit.
Datenwissenschaftler können Probleme mit Performance während der Datenaufbereitung, Modellentwicklung und Datenbewertung mithilfe der integrierten Parallelität und Skalierbarkeit von Oracle Database vermeiden und besondere Optimierungen für Oracle Exadata vornehmen.
Mark Hornick, Senior Director, Data Science and Machine Learning, Oracle
Wir freuen uns, die neue Oracle Machine Learning Notebooks-Schnittstelle auf Autonomous Database – Oracle Machine Learning Notebooks EA – ankündigen zu können, die jetzt in allen Regionen verfügbar ist. Neue Features umfassen schnellere Notebook-Ladezeiten, ein neues Oracle Redwood-Look-and-Feel, Jupyter- und Zeppelin-Layouts, umfangreichere Diagrammvisualisierungen sowie individuelle Absatzkommentare und Abhängigkeiten.
Vollständigen Beitrag lesenBeginnen Sie mit Oracle Cloud und greifen Sie innerhalb von Autonomous Database kostenlos auf Machine Learning zu.
Holen Sie sich Unterstützung und erfahren Sie in der Oracle Database Groundbreakers-Community mehr über Machine Learning .