索引

A

精度 5.3.1.1 5.3.2
アクティブなサンプリング 23.1.2
ADP
- 「自動データ準備」を参照
集計
- パフォーマンス 11.4.7
アルゴリズム
- ESA 15.1.1, 15.1.2, 15.3
- 明示的セマンティック分析
  - データ準備
    - ESA 15.3
  - スコアリング 15.1.1
- 大規模なESA 15.1.2
- ニューラル・ネットワーク 21.4
  - スコアリング 21.4
- ランダム・フォレスト 25.3
  - スコアリング 25.3
- スコアリング 15.1.1, 21.4, 25.3
  - 大規模なESA 15.1.2
アルゴリズム 3.2.1, 3.2.2
- Apriori 3.2.2, 8.3, 11, 11.3.4, 11.3.4.1
- 相関 11.1
- ディシジョン・ツリー 3.2.1, 13
- 定義 3.2
- 期待値最大化 3.2.2, 14
- 指数平滑法 3.2.1, 10.4
- 一般化線形モデル 17
- 一般化線形モデル 3.2.1
- k-Means 3.2.2, 7.3, 18
- 最小記述長 3.2.1, 19
- Naive Bayes 3.2.1, 20
- ニューラル・ネットワーク 3.2.1
  - 正則化 21.1.5
- Non-Negative Matrix Factorization 3.2.2, 22
- O-Cluster 3.2.2, 7.3, 23
- 1クラス・サポート・ベクター・マシン 3.2.2, 27.5
- 主要コンポーネント分析 3.2.2, 26.1
- ランダム・フォレスト 3.2.1
- 特異値分解 3.2.2 26
- 教師あり 3.2.1
- サポート・ベクター・マシン 3.2.1
- 教師なし 3.2.2
アルゴリズム
- アルゴリズムのメタデータの登録について 24.3
- ESAについて 15.1
- 指数平滑法について 16.1
- ニューラル・ネットワークについて 21.1
- ランダム・フォレストについて 25.1
- 累積 16.2.2
- アルゴリズムのメタデータの登録 24, 24.3
- ランダム・フォレストの構築 25.2
- 列選択、属性選択および行選択 12.4
- CUR行列分解 12, 12.3
- CUR行列分解 12.1, 12.2, 12.4
- データ準備 16.2
- 二重指数平滑法 16.1.3
- ESA 15.1, 15.2
- 明示的セマンティック分析 15.1, 15.4
  - テキスト・マイニング 15.2
- 指数平滑法 16.2.4
- 指数平滑法 12.1, 12.2, 16, 16.1, 16.1.1, 16.1.2, 16.1.3, 16.1.4, 16.1.5, 16.1.6, 16.2, 16.2.1, 16.2.2, 16.2.3, 16.2.5
- 指数平滑法モデル 16.2.4
- 指数平滑法モデル 16.2.2
- 指数平滑法モデル 16.1.1, 16.2.1, 16.2.3, 16.2.5
- 入力データ 16.2.1
- 欠損値 16.2.3
- ニューラル・ネットワーク 21, 21.1
  - 収束チェック 21.1.6
  - 順伝播と逆伝播 21.1.3
  - LBFGS_SCALE_HESSIAN 21.1.7
  - 損失関数またはコスト関数 21.1.2
  - ニューロンと活性化関数 21.1.1
  - NNET_HELDASIDE_MAX_FAIL 21.1.8
  - 最適化ソルバー 21.1.4
- パーティションによる並列性 16.2.4, 16.2.5
- 予測間隔 16.1.6
- ランダム・フォレスト 25, 25.1, 25.2
- 季節性 16.1.4
- 単純指数平滑法 16.1.2
- 特異ベクトル 12.2
- 統計的レバレッジ・スコア 12.3
- 明示的セマンティック分析の用語 15.4
- テキスト・マイニング 15.2
- 傾向 16.1.3
- 傾向と季節性 16.1.5
異常検出 3.1.2.1, 3.2.2, 5.3.2, 6, 7.1
適用
- 「スコアリング」を参照
Apriori 3.2.2, 8.3, 11
- 集計 11.4.4
- 例: 集計の計算 11.4.5
- 除外ルール 11.4.6
- 包含ルール 11.4.6
- 最小サポート数 11.5.2
- 逆確信度 11.5.4
人工知能 3.1
相関ルール 3.1.2.1, 3.2.2, 8, 11
属性評価 3.1.1.2, 3.2.1, 3.2.2, 9, 19.1
- CUR行列分解 9.4
- 最小記述長 9.4
属性 3.1.2.1
自動データ準備 1.2.2, 1.3.2, 1.3.3, 3.3.1

B

Bayesの定理 20.1
ビニング 2.6, 22.3
- 等幅 19.2, 23.3
- 教師あり 19.2, 20.3

C

ケース表 1.3.2
質的ターゲット 5
重心 7.1.1 18.1.2
分類 3.1.1.2, 3.2.1, 5
- バイアス 5.3
- バイナリ 5.1, 17.8
- ディシジョン・ツリー 5.4, 13
- デフォルト・アルゴリズム 5.4
- 一般化線形モデル 17
- 一般化線形モデル 5.4
- ロジスティック回帰 17.8
- 多クラス 5.1
- Naive Bayes 5.4, 20
- 1クラス 6.1.1
- サポート・ベクター・マシン 27.4
- サポート・ベクター・マシン 5.4
クラスの重み 5.3.2
クラスタリング 3.1.2.1, 3.2.2, 7
- 期待値最大化 14
- 階層 3.2.2, 7.1.3, 7.2
- k-Means 18.1
- O-Cluster 23
- スコアリング 3.1.2.1
係数
- GLM 17.2.1
- Non-Negative Matrix Factorization 3.2.2, 22.1
- 回帰 4.1.1, 4.1.1.3
計算論的学習 1.1.6
信頼度 1.1.2
- Apriori 3.2.2, 11.2.2
- 相関ルール 8.1.1, 11.5.3
- クラスタリング 7.1.3.2
- 定義 1.1.2
信頼限界 3.2.1, 4.1.1.6, 17.2.3
混同マトリックス 1.3.3, 5.2.1, 5.3.1.1
コスト・マトリックス 5.3.1, 13.2.2
コスト 1.3.3, 5.3.1
CUR行列分解
- 構成 12.5

D

データ・マイニング
- 定義 1.1
- Oracle 2
データ・マイニング手法
- 相関ルール 8
- 属性評価 9, 19.1
- 構築適用 10.3.4
- クラスタリング 7
- 時系列 10
- 時系列 10.3.4
データ準備 1.2.2, 1.3.2
- Apriori 11.3
- 期待値最大化 14.4
- 一般化線形モデル 17.6
- k-Means 18.3
- 最小記述長 19.2
- Naive Bayes 20.3
- ニューラル・ネットワーク 21.2
- O-Cluster 23.3
- SVD 26.3
データ・ウェアハウス 1.1.7
DBMS_DATA_MINING 2.5.1
DBMS_STAT_FUNCS 2.6
ディシジョン・ツリー 3.2.1, 13
デプロイメント 1.3.4
記述モデル 3.1.2
指示あり学習 3.1.1

E

組込みのデータ準備 1.2.2
エントロピ 13.2.1, 19.1.1, 19.1.1.3
Exadata 2.3
期待値最大化 3.2.2
明示的セマンティック分析 3.2.1, 3.2.2
指数平滑法 3.2.1, 10.4

F

特徴抽出 3.1.2.1, 3.2.2, 22, 26
特徴生成 17.3, 17.3.2
特徴選択 9, 17.3, 17.3.1
高頻度項目セット 11.1, 11.4.2
関数 24.1

G

一般化線形モデル 17
- 分類 17.8.1
一般化線形モデル 3.2.1
- 特徴の選択と作成 17.3
- 回帰 17.7
GLM
- 「一般化線形モデル」を参照
- ソルバー 17.5
グラフィカル・ユーザー・インタフェース 2.5.3

H

階層 3.2.2, 7.1.3, 7.2

I

帰納的推論 1.1.6
内点法 27.1.1
項目セット 11.4

K

カーネル 2.2
k-Means 3.2.2, 7.3, 18

L

リフト 1.3.3
- 相関ルール 11.5.5
- 分類 5.2.2
線形回帰 3.2.1, 4.1.1.1, 17.7
ロジスティック回帰 3.2.1, 17.8

M

機械学習 3.1, 3.2.1
- Oracle 3
- プロセス 1.3
マーケット・バスケット・データ 1.3.3
マーケット・バスケット・データ 8.2
MDL 3.2.1
- 「最小記述長」を参照
最小記述長 19
マイニング機能 9
マイニング機能
- 時系列
  - 統計 10.3
マイニング機能
- 条件付き対数尤度10.3.1
- 時系列 10.3.1
マイニング手法
- 分類 15.1
マイニング手法 3.1, 3.1.1.2
- 異常検出 3.1.2.1, 3.2.2, 6
- 相関ルール 3.1.2.1, 3.2.2
- 属性評価 3.2.1, 3.2.2
- 分類 3.1.1.2, 3.2.1, 5
- クラスタリング 3.1.2.1, 3.2.2
- 特徴抽出 3.1.2.1, 3.2.2, 9.3
- 回帰 3.1.1.2, 3.2.1, 4
- 時系列 3.2.1
マイニング手法
- 不規則な時系列 10.3.3
- MSE 10.3.2
- 予測 10.3.2
- 時系列 10.3.2, 10.3.3
欠損値の処理 3.3.1
モデルの詳細 1.3.4, 13.1.1
多重共線性 17.2.4
多次元分析 1.1.6, 2.6
多変量線形回帰 4.1.1.2

N

Naive Bayes 3.2.1, 20
ネストしたデータ 11.3.1
ニューラル・ネットワーク 3.2.1
- 構成 21.3
NMF
- 「Non-Negative Matrix Factorization」を参照
非線形回帰 4.1.1.4
Non-Negative Matrix Factorization 3.2.2, 22
非トランザクショナル・データ 8.2
量的ターゲット 5.1

O

O-Cluster 3.2.2, 7.3, 23
OLAP 1.1.6, 2.6
1クラス・サポート・ベクター・マシン 3.2.2, 27.5
最適化ソルバー 21.1.4
Oracle Business Intelligence Suite Enterprise Edition 2.6
Oracle Database
- カーネル 2.1
- 統計関数 2.6
Oracle Data Miner 2.5.3
Oracle OLAP 2.6
Oracle Spatial 2.6
Oracle Text 2.6
外れ値 1.2.2, 6.1.3, 23.3.1
オーバーフィット 3.1.1.1, 13.2.3

P

パラレル実行 3.4.1, 11.1, 13.1.2, 19.1, 20.1.1
パーティション化モデル 2.4
PCA
- 「主成分分析」を参照
PL/SQL API 2.5, 2.5.1
PREDICTION_PROBABILITY関数 2.6
PREDICTION関数 2.5.2
予測分析 2.5.4
予測モデル 3.1.1
主要コンポーネント分析 3.2.2, 26.1
事前確率 5.3.2, 20.1

R

ランダム・フォレスト 3.2.1
受信者操作特性 5.2.3
登録 24.1
回帰 3.1.1.2, 3.2.1, 4
- 係数 4.1.1, 4.1.1.3
- デフォルト・アルゴリズム 4.3
- 定義 4.1.1
- 一般化線形モデル 17
- 一般化線形モデル 4.3
- 線形 4.1.1.1, 17.7
- 非線形 4.1.1.4
- リッジ 17.2.4
- 統計 4.2.1
- サポート・ベクター・マシン 4.3, 27.6
Rの拡張性 24.1
R 拡張可能
- Rでの作成とスコアリング 24.2とスコア
リッジ回帰 17.2.4
ROC
- 「受信者操作特性」を参照
Rスクリプト登録 24.1
ルール 1.3.4
- Apriori 11.1
- 相関ルール 8.1.1
- クラスタリング 7.1.3.1
- ディシジョン・ツリー 13.1.1
- 定義 1.1.2

S

サンプリング 11.3.4
サンプリングの実装 11.3.4.1
スコアリング 3.1.2.1
- 異常検出 3.1.2.1
- 分類 3.1.1.2
- クラスタリング 3.1.2.1
- 定義 1.1.1
- 動的 3.4.2
- Exadata 2.3
- 知識の配置 1.3.4
- モデルの詳細 1.3.4
- Non-Negative Matrix Factorization 22.1.2
- O-Cluster 23.1.4
- パラレル実行 3.4.1
- リアルタイム 1.3.4
- 教師ありモデル 3.1.1.2
- 教師なしモデル 3.1.2.1
単一性 17.2.4
特異値分解 26
スパース・データ 3.3.1, 11.3
SQLデータ・マイニング関数 2.5 2.5.2
SQL統計関数 2.6
スター・スキーマ 11.3.1
統計関数 2.6
統計 1.1.5
層別サンプリング 5.3.2, 6.1.1
劣勾配降下 27.1.1
教師あり学習 3.1.1
サポート 1.1.2
- Apriori 3.2.2, 11.4.2
- 相関ルール 8.1.1, 11.5.1
- クラスタリング 7.1.3.2
- 定義 1.1.2
サポート・ベクター・マシン 3.2.1, 27
- 分類 3.2.1, 27.4
- ガウス・カーネル 3.2.1
- 線形カーネル 3.2.1
- 1クラス 3.2.2, 27.5
- 回帰 3.2.1, 27.6
SVD
- 「特異値分解」を参照
SVM
- サポート・ベクター・マシンを参照

T

ターゲット 3.1.1, 3.1.2.1
テキスト分析 22.1.3
テキスト・マイニング 3.3.3
時系列 3.2.1
トランザクショナル・データ 1.3.3, 8.2, 11.3
変換 3.3.1
透明性 3.3.1, 7.2, 13.1.1, 17.2.1

U

非構造化データ 3.3.3
教師なし学習 3.1.2
UTL_NLA 2.6

W

ワイド・データ 9.1, 17.2.2