1. Oracle Schweiz - Deutsch
  2. Cloud
  3. Künstliche Intelligenz
  4. Machine Learning in Oracle Database

Features von Machine Learning in Oracle Database

Themen

Maschinelles Lernen in Oracle Autonomous Database

Machine Learning Notebooks

Verbessern Sie Ihre Produktivität, ganz gleich, ob Sie nun ein Data Scientist, Data Engineer oder Entwickler sind. Oracle Machine Learning (OML) Notebooks unterstützt SQL, PL/SQL, Python, R, Conda und Markdown-Interpreter. So können Sie bei der Entwicklung analytischer Lösungen mit der Sprache Ihrer Wahl sowie mit datenbankinternem maschinellen Lernen und benutzerdefinierten Paketen von Drittanbietern arbeiten. Arbeiten Sie mithilfe dieser integrierten Notizbuchumgebung mit Ihrem breiteren Data Science-Team zusammen, planen Sie die automatische Ausführung von Notizbüchern, visualisieren Sie Ihre Daten und Versionen, und vergleichen Sie Notizbücher.

Machine Learning-Services

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. Überwachen Sie Ihre Daten und datenbankinternen Modelle, um fortlaufende Korrektheit und Genauigkeit sicherzustellen. Stellen Sie Modelle schnell und einfach über die AutoML-Benutzeroberfläche von Oracle Machine Learning bereit.

Machine Learning Monitoring

Erhalten Sie Einblicke in die Entwicklung Ihrer Unternehmensdaten über einen längeren Zeitraum und ergreifen Sie Korrekturmaßnahmen, bevor Datenprobleme erhebliche negative Auswirkungen auf das Unternehmen haben. Mithilfe der Datenüberwachung können Sie die Datenintegrität für Ihre Unternehmensanwendungen und Dashboards sicherstellen. Identifizieren Sie Datendrift schnell und zuverlässig und verstehen Sie einzelne Datenspalten und deren Wechselwirkungen. Mit der Modellüberwachung können Sie erkennen, wann sich Ihre Modellmetrik, wie beispielsweise die Genauigkeit oder R zum Quadrat, erheblich ändert – oder, ob die Verteilung der prognostizierten Werte zu stark von den Ausgangswerten abweicht. Dies kann darauf hindeuten, dass Sie Ihr Modell neu erstellen oder auslegen müssen. Die Benutzeroberfläche für die No-Code-Daten- und Modellüberwachung bietet mehrere Visualisierungen und Metriken, um Benutzer bei der Bewertung von Qualitätsproblemen zu unterstützen.

Maschinelles Lernen für SQL

Vereinfachen und beschleunigen Sie die Erstellung von datenbankinternen Machine Learning-Modellen sowohl für erfahrene Data Scientists als auch für Laien mithilfe von SQL und PL/SQL für die Datenaufbereitung, Modellerstellung, Bewertung und Bereitstellung.

Machine Learning AutoML-Benutzeroberfläche

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. Experimentieren Sie zügig mit Daten, Algorithmen und Hyperparametern, um das Erkunden und Entdecken zu beschleunigen. Stellen Sie Modelle sofort über SQL-Abfragen oder an OML Services als REST-Endpunkte bereit, um eine nahtlose Integration mit Anwendungen und Echtzeitbewertung zu ermöglichen. Generieren Sie Notizbücher für ausgewählte Modelle, damit Benutzer Modelle in OML Notebooks weiter verfeinern und anpassen können.

Maschinelles Lernen für R

Oracle Machine Learning für R (1:38)

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 oder das R-IDE Ihrer Wahl, um skalierbare, auf maschinellem Lernen basierende Lösungen in R zu entwickeln und Conda-Umgebungen mit Paketen von Drittanbietern zu erstellen. Anschließend können Sie die benutzerdefinierten R-Funktionen einfach über SQL- und REST-APIs mit vom System bereitgestellter Daten- und Aufgabenparallelität bereitstellen.

Maschinelles Lernen für Python

Erstellen Sie eine autonome Datenbank und lernen Sie den Service kennen (1:37)

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. Verwenden Sie Oracle Machine Learning Notebooks oder Ihre bevorzugte Python-IDE, um skalierbare, auf Machine Learning basierende Lösungen in Python zu entwickeln. Das integrierte AutoML empfiehlt relevante datenbankinterne Algorithmen und Features und führt eine automatisierte Modelloptimierung und -auswahl durch.

Data Miner

Data Scientists und Datenanalysten können diese Drag-and-drop-Benutzeroberfläche verwenden, um schnell analytische Workflows in SQL Developer zu erstellen. Durch die schnelle Modellentwicklung und -verfeinerung können Nutzer verborgene Muster und Beziehungen entdecken sowie Einblicke in ihre Daten gewinnen.

Maschinelles Lernen in Oracle Database

Maschinelles Lernen für SQL

Vereinfachen und beschleunigen Sie die Erstellung von datenbankinternen Machine Learning-Modellen sowohl durch erfahrene Data Scientists als auch durch Laien mithilfe von SQL und PL/SQL für die Datenaufbereitung, Modellerstellung, Bewertung und Bereitstellung.

Data Miner

Data Scientists und Datenanalysten können diese Drag-and-drop-Benutzeroberfläche verwenden, um schnell analytische Workflows zu erstellen. Durch die schnelle Modellentwicklung und -verfeinerung können Nutzer verborgene Muster und Beziehungen entdecken sowie Einblicke in ihre Daten gewinnen.

Maschinelles Lernen für R

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 benutzerdefinierte R-Funktionen einfach über SQL- und R-APIs mit vom System bereitgestellter Daten- und Aufgabenparallelität bereit. Benutzerdefinierte R-Funktionen können Funktionen aus dem R-Paket-Ökosystem enthalten.

Maschinelles Lernen für Python

Data Scientists und andere Python-Benutzer beschleunigen die ML-Modellierung und die Bereitstellung von Lösungen, indem sie Oracle Database als Hochleistungs-Computing-Plattform mit einer Python-Schnittstelle einsetzen. Das integrierte AutoML empfiehlt relevante datenbankinterne Algorithmen und Features und führt eine automatisierte Modelloptimierung und -auswahl durch.

AutoML

Machine Learning AutoML-Benutzeroberfläche

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. Experimentieren Sie zügig mit Daten, Algorithmen und Hyperparametern, um das Erkunden und Entdecken zu beschleunigen. Stellen Sie Modelle sofort über SQL-Abfragen oder an OML Services als REST-Endpunkte bereit, um eine nahtlose Integration mit Anwendungen und Echtzeitbewertung zu ermöglichen. Generieren Sie Notizbücher für ausgewählte Modelle, damit Benutzer Modelle in OML Notebooks weiter verfeinern und anpassen können.

Maschinelles Lernen für Python

Data Scientists und andere Python-Benutzer beschleunigen die Modellierung von maschinellem Lernen und die Bereitstellung von Lösungen, indem sie Oracle Autonomous Database und Oracle Database als Hochleistungs-Computing-Plattform mit einer Python-Schnittstelle einsetzen. Das integrierte AutoML empfiehlt relevante datenbankinterne Algorithmen und Features und führt eine automatisierte Modelloptimierung und -auswahl durch. Zusammen verbessern diese Funktionen die Nutzerproduktivität, Modellgenauigkeit und Skalierbarkeit.

No-Code-Benutzeroberflächen

Machine Learning AutoML-Benutzeroberfläche

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. Experimentieren Sie zügig mit Daten, Algorithmen und Hyperparametern, um das Erkunden und Entdecken zu beschleunigen. Stellen Sie Modelle sofort über SQL-Abfragen oder an OML Services als REST-Endpunkte bereit, um eine nahtlose Integration mit Anwendungen und Echtzeitbewertung zu ermöglichen. Generieren Sie Notizbücher für ausgewählte Modelle, damit Benutzer Modelle in OML Notebooks weiter verfeinern und anpassen können.

Machine Learning Monitoring

Erhalten Sie Einblicke in die Entwicklung Ihrer Unternehmensdaten über einen längeren Zeitraum und ergreifen Sie Korrekturmaßnahmen, bevor Datenprobleme erhebliche negative Auswirkungen auf das Unternehmen haben. Mithilfe der Datenüberwachung können Sie die Datenintegrität für Ihre Unternehmensanwendungen und Dashboards sicherstellen. Identifizieren Sie Datendrift schnell und zuverlässig und verstehen Sie einzelne Datenspalten und deren Wechselwirkungen. Mit der Modellüberwachung können Sie erkennen, wann sich Ihre Modellmetrik, wie beispielsweise die Genauigkeit oder R zum Quadrat, erheblich ändert – oder, ob die Verteilung der prognostizierten Werte zu stark von den Ausgangswerten abweicht. Dies kann darauf hindeuten, dass Sie Ihr Modell neu erstellen oder auslegen müssen. Die Benutzeroberfläche für die No-Code-Daten- und Modellüberwachung bietet mehrere Visualisierungen und Metriken, um Benutzer bei der Bewertung von Qualitätsproblemen zu unterstützen.

Data Miner

Data Scientists und Datenanalysten können diese Drag-and-drop-Benutzeroberfläche verwenden, um schnell analytische Workflows zu erstellen. Durch die schnelle Modellentwicklung und -verfeinerung können Nutzer verborgene Muster und Beziehungen entdecken sowie Einblicke in ihre Daten gewinnen.