5 различных способов построения моделей машинного обучения!

Мы сталкивались с платформами для анализа данных и предложениями машинного обучения, ориентированными на экспертную аудиторию, имеющую навыки Python / R / Matlab… и т. Д. И понимающие алгоритмы / ядра… и т. Д.

Но что, если люди, которые очень хорошо разбираются в данных, но не обладают экспертными навыками, также должны исследовать мир AI / ML?

5 способов построения моделей машинного обучения в Oracle World:

Поток данных Oracle Cloud Infrastructure - https://www.oracle.com/big-data/data-flow/
Oracle Analytics Cloud (OAC) - https://www.oracle.com/au/business-analytics/analytics-cloud.html
Машинное обучение Oracle (OML) - https://www.oracle.com/database/technologies/datawarehouse-bigdata/machine-learning.html
Автономная база данных Oracle - https://www.oracle.com/au/database/autonomous-database.html
Oracle Cloud Infrastructure Data Science - https://www.oracle.com/data-science/cloud-infrastructure-data-science-product.html

В этой статье мы увидим, как построить модель двоичной классификации тремя разными способами, используя один и тот же источник данных. Исходя из интереса (средний аплодисмент), я расширю эту статью, включив в нее другие 2 способа.

Источник данных - автономная база данных Oracle

Модель машинного обучения двоичной классификации с использованием:

Использование SQL / PLSQL в базе данных Oracle (сборка в базе данных и выполнение в базе данных - перемещайте код, а не данные)
Использование Oracle Analytics Cloud (сборка, в которой данные анализируются и визуализируются - BI / Viz)
Использование Oracle Cloud Infrastructure Data Science (встроенная в специальную среду обработки данных)

Использование записных книжек Apache Zeppelin с использованием SQL / PLSQL в автономной базе данных Oracle