in

Ciencia de datos | Oráculo

  • AutoML

    El aprendizaje automático automatizado (AutoML) ayuda a los científicos de datos a automatizar la selección de algoritmos, la selección de funciones y el ajuste del modelo. Esto permite obtener resultados más rápidos y precisos que requieren menos tiempo de cálculo. AutoML también permite a los no expertos aprovechar potentes algoritmos de aprendizaje automático para crear modelos de mejor calidad.

  • Algoritmos optimizados en la base de datos

    oracleDatabase incluye más de 30 algoritmos de alto rendimiento totalmente escalables que cubren las técnicas de aprendizaje automático de uso común, como la detección de anomalías, regresión, clasificación, agrupación en clústeres y más. Los datos que ya se encuentran en oracleDatabase no necesitan moverse, lo que reduce la carga de trabajo de administración de datos para los científicos de datos y les permite enfocarse en construir modelos de producción.

  • Bibliotecas y frameworks de código abierto

    Utilice e importe bibliotecas y marcos de código abierto desde Python y R para permitir la exploración, transformación, visualización y aprendizaje automático de datos. Estos incluyen, entre otros: pandas, Dask, NumPy, dplyr para la transformación, Seaborn, Plotly, Matplotlib y ggplot2 para la visualización, y TensorFlow, Keras y PyTorch para la construcción de modelos.

  • Elección de implementación

    Implemente rápidamente modelos para el acceso de aplicaciones y analistas comerciales. Los modelos se pueden implementar con una API REST en una arquitectura de nube escalable y sin servidor como oracleFunctions o directamente en la base de datos.

  • Explicación del modelo

    La explicación del modelo permite que tanto los expertos como los no expertos comprendan el comportamiento general de un modelo, así como las predicciones de modelos individuales. Con la explicación del modelo y los detalles de la predicción, es fácil comprender la importancia de las características y lo que más influye en las predicciones.

  • Acceda a cualquier información de forma flexible y sencilla

    Acceda a datos en múltiples formatos (incluidos CSV, Excel y JSON), múltiples fuentes (incluido el almacenamiento de objetos, oracleDatabase, MongoDB, PostgreSQL y Hadoop) y múltiples ubicaciones (en las instalaciones, oracleCloud y otras nubes).

  • Soporte para múltiples lenguajes de secuencias de comandos

    Los científicos de datos pueden desarrollar soluciones de ciencia de datos y aprendizaje automático utilizando los lenguajes más populares, incluidos Python, R y SQL. Las organizaciones logran resultados mejores y más rápidos cuando los científicos de datos tienen la flexibilidad de utilizar los lenguajes que mejor se adaptan a tareas específicas.

  • Deja una respuesta

    Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

    0dOJI5 6VCxnF4V V

    Entender los valores de Shapley

    Cómo invertir una cadena en Python