建立和評估更高品質的機器學習 (ML) 模式。透過將企業信任的資料快速投入使用來提高業務靈活性,並透過更輕鬆地部署 ML 模式來支援資料導向的業務目標。
資料科學是什麼?
建立機器學習模型是一個反覆的過程。在此電子書中,我們將分解過程並描述如何建置機器學習模型。
探索筆記本並建置或測試機器學習演算法。嘗試使用 AutoML 並查看資料科學結果。
更快、更輕鬆地建構高品質的模式。自動化的機器學習功能可快速檢查數據並推薦最佳數據功能和最佳算法。此外,自動機器學習可以調整模式並解釋模式的結果。
資料科學家需要從不同資料源 (本機或雲端) 以不同形式存取資料。使用拖放式資料整合和準備工具將資料移動到資料湖或資料倉儲中,進而簡化資料科學家的存取流程。
當多個貢獻者有效地協作並有機器學習工具提供模式的解釋和評估時,人工智慧將更受信任。Oracle Security Tools 和使用者介面使多個角色可以參與專案和共享模式。不可知模式的解釋有助於資料科學家、業務分析人員和高階主管對結果充滿信心。
使資料科學家能夠使用 Oracle 強化的開放原始碼 Python 生態系統在 Oracle Cloud 上建構、訓練和管理機器學習模式,以實現自動機器學習(AutoML)、模式評估和模式解釋。
使用可擴展且經過最佳化的資料庫算法,在 Oracle Autonomous Database 中建構和部署機器學習模式。
使用 GPU 型環境、預先配置的熱門 IDE、備忘錄和機器學習框架快速上手和執行。根據您選擇的運算型態,從 Oracle Cloud Marketplace 輕鬆部署。
資料科學平台不僅僅是用於建構機器學習模式的一組優良工具。Oracle 的資料科學平台包括一套完整的功能,以支持端到端資料科學管道。
自動化機器學習 (AutoML) 透過自動化算法選擇、資料、特徵挑選以及模式調整來幫助所有資料科學家。這樣可以實現更快,更準確的結果,而所需的運算時間更少。AutoML 還使非專家能夠利用強大的機器學習演算法來建構更高品質的模型。
Oracle Database 包含 30 多種高效能且可完全擴展的演算法,涵蓋了常用的機器學習技術,例如異常偵測、迴歸、分類、叢集化等等。您無需移動 Oracle Database 中已經存在的資料,這減輕了資料科學家的資料管理工作量,並使他們可以專注於建構生產模式。
使用和導入 Python 和 R 中的開放原始碼資料庫和框架,以進行資料探索、轉換、視覺化和機器學習。其中包括但不限於:pandas、Dask、NumPy、dplyr 轉換、Seaborn、Plotly、Matplotlib 及 ggplot2 視覺化項目,而 TensorFlow、Keras 以及 PyTorch 則適用於模型建置。
快速部署模式以供應用程式和業務分析人員存取。可以使用 REST API 將模式部署在無伺服器的可擴展雲端架構中,例如 Oracle Functions 或直接部署在資料庫中。
模型解釋使專家和非專家都可以理解模型的整體行為以及個別模型的預測。借助模型說明和預測詳細資訊,很容易理解功能的重要性以及最能影響預測的因素。
以多種格式 (包括 CSV、Excel 和 JSON),多種來源 (包括物件儲存、Oracle Database、MongoDB、PostgreSQL 和 Hadoop) 和多個位置(在內部部署、Oracle Cloud 和其他雲端) 存取資料。
資料科學家可以使用最受歡迎的語言 (包括 Python、R 和 SQL) 開發資料科學和機器學習解決方案。當資料科學家可以靈活地使用最適合特定任務的語言時,組織將獲得更佳更快的結果。
試用建構機器學習模式的工具。無需註冊雲端帳戶。