O machine learning revela padrões e insights ocultos em dados empresariais, gerando novo valor para os negócios. O Oracle Machine Learning acelera a criação e implementação de modelos de machine learning para cientistas de dados usando movimentação de dados reduzida, a tecnologia AutoML e uma implementação simplificada.
Quarta-feira, 20 de outubro, meio-dia ET/13h BRT/18h CEST
Aumente a produtividade do cientista de dados e do desenvolvedor e reduza sua curva de aprendizado com a conhecida tecnologia de notebooks Apache Zeppelin baseada em código aberto. Notebooks oferecem suporte a interpretadores SQL, PL/SQL, Python e markdown para o Oracle Autonomous Database para que os usuários possam trabalhar com a linguagem de sua escolha ao desenvolver modelos.
Reduza o tempo para implementar e gerenciar modelos nativos no banco de dados e modelos de classificação e regressão no formato ONNX fora do Oracle Autonomous Database. Os desenvolvedores de aplicativos têm terminais REST fáceis de integrar. Os cientistas de dados obtêm implementação de modelo integrado da interface do usuário AutoML do Oracle Machine Learning.
Simplifique e acelere a criação de modelos de machine learning para cientistas de dados especialistas ou não, usando SQL familiar e PL/SQL para preparação de dados, criação de modelos, avaliação e implementação.
Uma interface de usuário sem código que oferece suporte ao AutoML no Autonomous Database para melhorar a produtividade do cientista de dados e o acesso do usuário não especialista a algoritmos poderosos no banco de dados para classificação e regressão.
Os cientistas de dados e outros usuários de Python aceleram a criação e execução de modelos aproveitando o ambiente Python integrado do Oracle Autonomous Database como uma plataforma de processamento de alto desempenho. O AutoML integrado fornece seleção automatizada de recursos e algoritmos, bem como ajuste e seleção de modelo. Juntos, esses recursos aprimoram a produtividade do usuário, a precisão do modelo e o desempenho.
Simplifique e acelere a criação de modelos de machine learning para cientistas de dados especialistas ou não, usando SQL familiar e PL/SQL para preparação de dados, criação de modelos, avaliação e implementação.
Cientistas e analistas de dados podem usar essa interface do usuário de arrastar e soltar para criar fluxos de trabalho analíticos rapidamente. O desenvolvimento e o refinamento rápidos do modelo permitem que os usuários descubram padrões ocultos, relacionamentos e insights em seus dados.
Os usuários do R obtêm o desempenho e a escalabilidade do Oracle Database para exploração de dados, preparação e machine learning usando sua linguagem de escolha. Uma interface R integrada fornece fácil implementação de funções R definidas pelo usuário usando SQL, tornando mais fácil usar bibliotecas e pacotes CRAN.
Simplifique e acelere a criação de modelos de machine learning para cientistas de dados e cientistas de dados do cidadão, usando SQL familiar e PL/SQL para preparação de dados, criação de modelos, avaliação e implementação.
Cientistas e analistas de dados podem usar essa interface do usuário de arrastar e soltar para criar fluxos de trabalho analíticos rapidamente. O desenvolvimento e o refinamento rápidos do modelo permitem que os usuários descubram padrões ocultos, relacionamentos e insights em seus dados.
Os usuários do R obtêm o desempenho e a escalabilidade do Oracle Database para exploração de dados, preparação e machine learning usando sua linguagem de escolha. Uma interface R integrada fornece fácil implementação de funções R definidas pelo usuário usando SQL, tornando mais fácil usar bibliotecas e pacotes CRAN.
Os cientistas de dados podem usar API de R com algoritmos nativos escaláveis baseados em MLlib Spark em dados de Hive, Impala e HDFS para construção de modelo e pontuação de dados em ambientes de big data.
Uma interface de usuário sem código que oferece suporte ao AutoML no Autonomous Database para melhorar a produtividade do cientista de dados e o acesso do usuário não especialista a algoritmos poderosos no banco de dados para classificação e regressão.
Cientistas e analistas de dados podem usar essa interface do usuário de arrastar e soltar para criar fluxos de trabalho analíticos rapidamente. O desenvolvimento e o refinamento rápidos permitem que os usuários descubram padrões ocultos, relacionamentos e insights em seus dados.
Veja como criar modelos de machine learning mais rápido com Python, R e SQL.
Assim como algumas nuvens de data warehouse estão tentando descobrir como funcionam bem com o machine learning, a Oracle mudou bastante as metas", disse Marc Staimer, presidente da DS Consulting e analista da Wikibon. "Agora, o Autonomous Data Warehouse da Oracle inclui Auto-ML. O ADW incluiu o machine learning integrado desde o seu início. Mas agora ele foi automatizado para que qualquer cliente ADW possa usá-lo sem qualquer conhecimento específico. Isso faz com que outras ofertas pareçam rudimentares em comparação.Marc Staimer Presidente da DS Consulting e analista da Wikibon
Os aprimoramentos da Oracle para o Autonomous Data Warehouse são significativos de três maneiras. Primeiro, ele fornece interfaces de usuário de apontar e clicar e automação de machine learning, permitindo que usuários não profissionais gerem insights acionáveis. Em segundo lugar, com essa facilidade de uso, até mesmo PMEs com pequenos departamentos de TI podem obter benefícios do sofisticado data warehouse em nuvem da Oracle. E, em terceiro lugar, com o Autonomous Data Warehouse, os usuários podem ingerir dados de qualquer fonte, de sistemas departamentais a data warehouses empresariais, data lakes e até mesmo de outras nuvens (AWS, Azure e Google) e executar diversas cargas de trabalho analíticas. Em resumo, a Oracle está estendendo materialmente o alcance do Autonomous Data Warehouse entre usuários, organizações e acesso de dados a várias nuvens. Isso transcende as barreiras do que é possível hoje com o AWS Redshift e Snowflake e qualquer outro data warehouse em nuvem do planeta.Richard Winter CEO e Arquiteto Principal
Clientes em todo o mundo aproveitam as vantagens dos recursos de machine learning no banco de dados da Oracle para resolver problemas complexos e importantes baseados em dados.
Cientistas e desenvolvedores de dados criam modelos e pontuam dados com mais rapidez e escala, sem a necessidade de extrair dados para mecanismos de análise avançada separados. A arquitetura de dimensionamento horizontal do Oracle Exadata e a tecnologia Smart Scan oferecem resultados rápidos.
Os cientistas e desenvolvedores de dados que usam o Oracle Machine Learning estão protegidos com segurança integrada do Oracle Database, criptografia e acesso baseado em funções aos dados do usuário e modelos no banco de dados do Oracle Machine Learning.
Os desenvolvedores e a equipe de ciência de dados obtêm disponibilidade imediata do modelo de machine learning com opções fáceis de implementação usando interfaces SQL e REST.
Os cientistas e desenvolvedores de dados são capazes de processar os dados onde eles residem no Oracle Database, o que ajuda a simplificar a construção e implementação de modelos, reduzindo o tempo de desenvolvimento de aplicativos e melhorando a segurança dos dados.
Os cientistas de dados evitam problemas de desempenho durante a preparação de dados, construção de modelo e pontuação de dados usando o paralelismo integrado e a escalabilidade do Oracle Database, com otimizações únicas para o Oracle Exadata.
Cientistas e desenvolvedores de dados sabem do poder do Python, e a ampla adoção do Python é uma prova de seu sucesso. Agora, os usuários de Python podem estender esse poder ao analisar dados no Oracle Autonomous Database. O Oracle Machine Learning for Python (OML4Py) torna o ambiente e a linguagem de script Python de código aberto prontos para a empresa e Big Data.
Leia a publicação completaComece com a Oracle Cloud e acesse o Oracle Machine Learning no Autonomous Database - gratuitamente.
Inscreva-se hoje para participar dos TechCasts da comunidade de usuários de Análise Avançada e Dados da Oracle.
Obtenha suporte e aprenda junto com a comunidade Oracle no banco de dados Machine Learning Groundbreakers.