Oracle Machine Learning

机器学习可揭示企业数据中的隐藏模式和洞察，从而为企业创造新的价值。Oracle 机器学习通过减少数据移动、简化部署以及利用 AutoML 技术，帮助数据科学家加速创建和部署机器学习模型。

了解如何利用 Python、R 和 SQL 更快地构建机器学习模型。

在 Oracle 数据库中构建高性能机器学习模型

Oracle 机器学习在自治数据库中的应用

Oracle Machine Learning Notebooks

利用熟悉的开源 Apache Zeppelin 笔记本技术提高数据科学家和开发人员的工作效率并降低学习难度。Notebooks 支持 Oracle 自治数据库的 SQL、PL/SQL、Python 和 markdown 解释器，因此用户可以在开发模型时使用自己的首选语言。

Oracle 机器学习服务

减少在 Oracle 自治数据库外部署和管理原生数据库中模型以及 ONNX 格式分类与回归模型的时间。应用开发人员可以使用易于集成的 REST 端点。数据科学家可以在 Oracle Machine Learning AutoML 用户界面中实现集成的模型部署。

Oracle Machine Learning for SQL

使用熟悉的 SQL 和 PL/SQL 来准备数据以及构建、评估和部署模型，从而帮助专业和非专业数据科学家简化机器学习模型的创建，加快创建速度。

Oracle Machine Learning AutoML 用户界面

无代码用户界面支持基于自治数据库的 AutoML，因此可提高数据科学家的工作效率，并使非专业用户也能够利用强大的数据库内算法来进行分类和回归。

人工智能如何消除繁琐的机器学习模型调优工作

Oracle Machine Learning for Python

数据科学家和其他 Python 用户可利用 Oracle 自治数据库的内置 Python 环境作为高性能计算平台，从而加快模型构建和执行。内置 AutoML 提供自动化的算法和特性选择以及模型调优和选择。这些功能可共同提高用户工作效率、模型准确性和性能。

GitHub 仓库

Oracle 机器学习在 Exadata 云服务和数据库云服务中的应用

Oracle Machine Learning for SQL

使用熟悉的 SQL 和 PL/SQL 来准备数据以及构建、评估和部署模型，从而帮助专业和非专业数据科学家简化机器学习模型的创建，加快创建速度。

Oracle Data Miner

数据科学家和数据分析人员可以利用这个拖放式用户界面来快速构建分析工作流。快速模型开发和完善可帮助用户发现数据中的隐藏模式、关系和洞察。

Oracle Machine Learning for R

R 用户可以使用其首选语言来发挥 Oracle 数据库的性能和可扩展性，进行数据探索、准备和机器学习。集成的 R 接口可使用 SQL 轻松部署用户定义的 R 函数，因此用户可轻松使用 CRAN 库和程序包。

Oracle 机器学习在 Oracle Exadata 和 Oracle 数据库中的应用

Oracle Machine Learning for SQL

专业和非专业数据科学家可使用熟悉的 SQL 和 PL/SQL 来准备数据以及构建、评估和部署模型，从而简化并加快机器学习模型的创建。

Oracle Data Miner

Oracle Machine Learning for R

Oracle 机器学习在大数据中的应用

Oracle Machine Learning for Spark

数据科学家可以通过 R API 对来自 Hive、Impala 和 HDFS 的数据应用基于 MLlib Spark 的可扩展原生算法，从而在大数据环境中加速模型构建和数据评分。

Oracle 机器学习无代码用户界面

Oracle Machine Learning AutoML 用户界面

无代码用户界面支持基于自治数据库的 AutoML，因此可提高数据科学家的工作效率，并使非专业用户也能够利用强大的数据库内算法来进行分类和回归。

人工智能如何消除繁琐的机器学习模型调优工作

Oracle Data Miner

数据科学家和数据分析人员可以利用这个拖放式用户界面来快速构建分析工作流。快速开发和完善可帮助用户发现数据中的隐藏模式、关系和洞察。

正如一些数据仓库云正在尝试弄清楚如何充分利用机器学习，Oracle 的方向也有所调整。”DS Consulting 总裁兼 Wikibon 分析师 Marc Staimer 表示，“Oracle ADW 业务数据平台现已包含 Auto-ML。ADW 自诞生以来就一直内置有机器学习功能。但是现在这些功能已经实现了自动化，任何 ADW 客户都可以在没有任何专业知识的情况下使用它。相比之下，其他产品就显得笨拙而原始了。
Marc Staimer DS Consulting 总裁兼 Wikibon 分析师

Oracle 针对 ADW 业务数据平台的增强有三个重要意义。首先，它提供点击式用户界面和机器学习自动化功能，可支持非专业人员生成切实可行的洞察。其次，借助这种易用性，即使是 IT 人员较少的 SMB 也可以受益于 Oracle 的高级云数据仓库。第三，利用 ADW 业务数据平台，用户可以从部门级系统到企业数据仓库、数据湖甚至是其他云（AWS、Azure 和 Google）的任何来源提取数据，并运行各种分析负载。总而言之，Oracle 从实质上扩大了 ADW 业务数据平台的跨用户、组织访问以及对多云的数据访问。AWS Redshift、Snowflake 等其他云数据仓库目前还无法做到这些。
Richard Winter 首席执行官兼首席架构师

查看所有客户成功案例