Ihre Suche ergab keine Treffer.
Beachten Sie die folgenden Tipps, um das Gesuchte zu finden:
Eine Data Science-Plattform, die die Produktivität mit beispiellosen Fähigkeiten verbessert. Erstellen und bewerten Sie qualitativ hochwertigere Modelle für maschinelles Lernen (ML). Erhöhen Sie die Geschäftsflexibilität, indem Sie vertrauenswürdige Unternehmensdaten schnell einsetzen und datengesteuerte Geschäftsziele mit einer einfacheren Bereitstellung von ML-Modellen unterstützen.
Das Erstellen eines Machine Learning-Modells ist ein iterativer Prozess. In diesem E-Book erklären wir diesen Prozess detailliert und beschreiben, wie Machine Learning-Modelle erstellt werden.
Cloud-basiertes maschinelles Lernen kann Unternehmen Daten liefern, die Veränderungen bewirken. Finden Sie heraus, wie es geht – mit diesem neuen O'Reilly-eBook.
Erstellen Sie hochwertige Modelle schneller und einfacher. Automatisierte Funktionen für maschinelles Lernen untersuchen die Daten schnell und empfehlen die optimalen Datenmerkmale und besten Algorithmen. Darüber hinaus optimiert automatisiertes maschinelles Lernen das Modell und erklärt die Ergebnisse des Modells.
Lesen Sie das E-Book zum maschinellen Lernen (PDF)Datenwissenschaftler müssen auf Daten in verschiedenen Formaten aus verschiedenen Datenquellen zugreifen, egal ob On-Premises oder in der Cloud. Verwenden Sie Drag-and-Drop-Tools zur Datenintegration und ‑vorbereitung, um Daten in einen Data Lake oder ein Data Warehouse zu verschieben, und vereinfachen Sie so den Zugriff für Datenwissenschaftler.
Lesen Sie das E-Book zu Data DiscoveryKI ist vertrauenswürdiger, wenn mehrere Mitwirkende effektiv zusammenarbeiten und Tools für maschinelles Lernen Erklärungen und Bewertungen für Modelle liefern. Durch Oracle-Sicherheits-Tools und Nutzerschnittstellen können mehrere Rollen an Projekten teilnehmen und Modelle gemeinsam nutzen. Die modellunabhängige Erklärung hilft Datenwissenschaftlern, Geschäftsanalysten und Führungskräften, Vertrauen in die Ergebnisse zu haben.
Lesen Sie mehr über beschleunigte DatenwissenschaftErmöglicht Datenwissenschaftlern das Erstellen, Trainieren und Verwalten von Modellen für maschinelles Lernen auf Oracle Cloud mithilfe eines Open-Source-Python-Ökosystems, das durch Oracle für automatisiertes maschinelles Lernen (AutoML), Modellbewertung und Modellerklärung erweitert wurde.
Erstellen und Bereitstellen von Modellen für maschinelles Lernen in Oracle Autonomous Database mithilfe skalierbarer und optimierter datenbankinterner Algorithmen.
Machen Sie sich schnell mit GPU-basierten Umgebungen vertraut, die mit gängigen IDEs, Notebooks und Frameworks für maschinelles Lernen vorkonfiguriert sind. Einfache Bereitstellung von Oracle Cloud Marketplace nach Wahl der Rechenform.
Eine Data Science Plattform ist mehr als nur eine Ansammlung von nützlichen Tools zum Erstellen von Modellen für maschinelles Lernen. Die Data Science-Plattform von Oracle enthält eine Reihe von Funktionen zur Unterstützung einer end-to-end Data Science-Pipeline.
Modelle des maschinellen Lernens werden zunehmend verwendet, um kritische Entscheidungen in verschiedenen regulierten Bereichen zu treffen, wie z. B. Einstellungs- oder Kreditentscheidungen. Es wurde jedoch mehrfach berichtet, dass solche Modelle ein diskriminierendes Verhalten in Bezug auf verschiedene gesetzlich anerkannte geschützte Gruppen aufweisen.
Das automatisierte maschinelle Lernen (AutoML) hilft Datenwissenschaftlern, indem es die Auswahl von Algorithmen und Funktionen sowie die Modelloptimierung automatisiert. Dies ermöglicht schnellere und genauere Ergebnisse, die weniger Rechenzeit erfordern. Mit AutoML können auch Nicht-Fachleute leistungsstarke Algorithmen für maschinelles Lernen nutzen, um hochwertigere Modelle zu erstellen.
Oracle Database enthält mehr als 30 leistungsstarke, vollständig skalierbare Algorithmen, die häufig verwendete maschinelle Lerntechniken wie Anomalieerkennung, Regression, Klassifizierung, Clustering und mehr abdecken. Daten, die bereits in Oracle Database enthalten sind, müssen nicht verschoben werden. Dies reduziert den Arbeitsaufwand für die Datenverwaltung für Datenwissenschaftler und ermöglicht es ihnen, sich auf die Erstellung von Produktionsmodellen zu konzentrieren.
Verwenden und importieren Sie Open Source-Bibliotheken und Frameworks aus Python und R, um Datenexploration, Transformationen, Visualisierung und maschinelles Lernen zu ermöglichen. Dazu gehören unter anderem: Pandas, Dask, NumPy, dplyr für Transformation, Seaborn, Plotly, Matplotlib und ggplot2 zur Visualisierung sowie TensorFlow, Keras und PyTorch für die Modellbildung.
Stellen Sie schnell Modelle für den Zugriff von Anwendungen und Geschäftsanalysten bereit. Modelle können mit einer REST-API in einer serverlosen, skalierbaren Cloud-Architektur als Oracle Functions oder direkt in der Datenbank bereitgestellt werden.
Mithilfe der Modellerklärung sowohl Experten als auch Nicht-Fachleute das Gesamtverhalten eines Modells sowie einzelne Modellvorhersagen nachvollziehen. Mit Modellerklärungen und Vorhersagedetails ist es leicht zu verstehen, wie wichtig Features sind und was Vorhersagen am meisten beeinflusst.
Greifen Sie auf Daten in mehreren Formaten (einschließlich CSV, Excel und JSON), aus mehreren Quellen (einschließlich Objekt-Storage, Oracle Database, MongoDB, PostgreSQL und Hadoop) und von mehreren Standorten (lokal, Oracle Cloud und anderen Clouds) zu.
Datenanalysten können Lösungen für Data Science und maschinelles Lernen mithilfe der beliebtesten Sprachen entwickeln, einschließlich Python, R und SQL. Wenn Datenanalysten die Flexibilität haben, die für bestimmte Aufgaben am besten geeigneten Sprachen zu verwenden, erzielen Unternehmen bessere und schnellere Ergebnisse.
Probieren Sie Tools zum Erstellen von Modellen für maschinelles Lernen aus. Sie müssen sich nicht für ein Cloud-Konto anmelden.
Sehen Sie sich den offiziellen Twitter-Feed zu von Oracle Datenwissenschaften an.
Erhalten Sie die neuesten Nachrichten und Tipps von Oracle Data Science.
Wenden Sie sich an das globale Verkaufsteam von Oracle, um mehr über Oracle Data Science und maschinelles Lernen zu erfahren.