目次

• タイトルおよび著作権情報
• はじめに
  • 技術のリブランド
  • 対象読者
  • ドキュメントのアクセシビリティについて
  • ダイバーシティ&インクルージョン
  • 関連リソース
    • Oracle Technology Network上のOracle Machine Learning for SQLリソース
    • アプリケーション開発およびデータベース管理ドキュメント
  • 表記規則
• 『Oracle Machine Learning for SQL概要』のこのリリースでの変更点
  • Oracle Machine Learning for SQL 21cでの変更点
    • 21cの新機能
    • その他の変更点
• 第I部 概要
  • 1 機械学習とは
    • 1.1 機械学習とは
      • 1.1.1 自動検出
      • 1.1.2 予測
      • 1.1.3 グループ化
      • 1.1.4 実用的な情報
      • 1.1.5 機械学習と統計
      • 1.1.6 Oracle Machine LearningとOLAP
      • 1.1.7 Oracle Machine Learningとデータ・ウェアハウス
    • 1.2 機械学習で実行可能なことと不可能なこと
      • 1.2.1 適切な問題の設定
      • 1.2.2 データの理解
    • 1.3 Oracle Machine Learningのプロセス
      • 1.3.1 ビジネス目標の定義
      • 1.3.2 データの理解
      • 1.3.3 データの準備
      • 1.3.4 モデルの開発
      • 1.3.5 評価
      • 1.3.6 デプロイ
  • 2 Oracle Machine Learning for SQLの概要
    • 2.1 Oracle Machine Learning for SQLについて
    • 2.2 データベース・カーネルにおけるOracle Machine Learning for SQL
    • 2.3 Oracle ExadataにおけるOracle Machine Learning for SQL
    • 2.4 パーティション化モデルについて
    • 2.5 Oracle Machine Learning for SQLへのインタフェース
      • 2.5.1 PL/SQL API
      • 2.5.2 SQL関数
      • 2.5.3 Oracle Data Miner
      • 2.5.4 予測分析
    • 2.6 データベース分析の概要
  • 3 Oracle Machine Learningの基礎
    • 3.1 機械学習手法
      • 3.1.1 教師あり機械学習
        • 3.1.1.1 教師あり学習: トレーニング
        • 3.1.1.2 教師あり学習: テスト
        • 3.1.1.3 教師あり学習: スコアリング
      • 3.1.2 教師なし機械学習
        • 3.1.2.1 教師なし学習: スコアリング
    • 3.2 アルゴリズム
      • 3.2.1 Oracle Machine Learningの教師ありアルゴリズム
      • 3.2.2 Oracle Machine Learningの教師なしアルゴリズム
    • 3.3 データ準備
      • 3.3.1 Oracle Machine Learning for SQLによるデータ準備の簡略化
      • 3.3.2 ケース・データ
        • 3.3.2.1 ネストしたデータ
      • 3.3.3 テキスト・データ
    • 3.4 データベース内スコアリング
      • 3.4.1 パラレル実行と管理の簡易化
      • 3.4.2 モデル適用と動的スコアリングのためのSQL関数
• 第II部 機械学習手法
  • 4 回帰
    • 4.1 回帰とは
      • 4.1.1 回帰の仕組み
        • 4.1.1.1 線形回帰
        • 4.1.1.2 多変量線形回帰
        • 4.1.1.3 回帰係数
        • 4.1.1.4 非線形回帰
        • 4.1.1.5 多変量非線形回帰
        • 4.1.1.6 信頼限界
    • 4.2 回帰モデルのテスト
      • 4.2.1 回帰統計量
        • 4.2.1.1 2乗平均平方根誤差
        • 4.2.1.2 平均絶対誤差
    • 4.3 回帰のアルゴリズム
  • 5 分類
    • 5.1 分類とは
    • 5.2 分類モデルのテスト
      • 5.2.1 混同マトリックス
      • 5.2.2 リフト
        • 5.2.2.1 リフト統計量
      • 5.2.3 受信者操作特性(ROC)
        • 5.2.3.1 ROC曲線
        • 5.2.3.2 曲線下面積
        • 5.2.3.3 ROCとモデルのバイアス
        • 5.2.3.4 ROC統計量
    • 5.3 分類モデルのバイアス
      • 5.3.1 コスト
        • 5.3.1.1 コストと精度
        • 5.3.1.2 ポジティブ・クラスとネガティブ・クラス
        • 5.3.1.3 コストと利益の割当て
      • 5.3.2 事前確率およびクラスの重み
    • 5.4 分類のアルゴリズム
  • 6 異常検出
    • 6.1 異常検出とは
      • 6.1.1 1クラス分類としての異常検出
      • 6.1.2 時系列データの異常検出
    • 6.2 異常検出アルゴリズム
  • 7 ランキング
    • 7.1 ランキングについて
    • 7.2 ランキングの方式
    • 7.3 ランキングのアルゴリズム
  • 8 クラスタリング
    • 8.1 クラスタリングについて
      • 8.1.1 クラスタの計算方法
      • 8.1.2 新しいデータのスコアリング
      • 8.1.3 階層クラスタリング
        • 8.1.3.1 ルール
        • 8.1.3.2 支持度と信頼度
    • 8.2 クラスタリング・モデルの評価
    • 8.3 クラスタリングのアルゴリズム
  • 9 相関
    • 9.1 相関とは
      • 9.1.1 相関ルール
      • 9.1.2 マーケット・バスケット分析
      • 9.1.3 相関ルールとE-Commerce
    • 9.2 トランザクショナル・データ
    • 9.3 相関のアルゴリズム
  • 10 特徴選択
    • 10.1 属性の検出
    • 10.2 特徴選択および属性評価とは
      • 10.2.1 属性評価およびスコアリング
    • 10.3 属性評価のアルゴリズム
  • 11 特徴抽出
    • 11.1 特徴抽出について
      • 11.1.1 特徴抽出とスコアリング
    • 11.2 特徴抽出のアルゴリズム
  • 12 行重要度
    • 12.1 行重要度について
    • 12.2 行重要度のアルゴリズム
  • 13 時系列
    • 13.1 時系列について
    • 13.2 時系列モデルの選択
    • 13.3 時系列の統計
      • 13.3.1 条件付き対数尤度
      • 13.3.2 平均二乗誤差(MSE)とその他の誤差の測定
      • 13.3.3 不規則な時系列
      • 13.3.4 構築および適用
    • 13.4 時系列のアルゴリズム
• 第III部 アルゴリズム
  • 14 Apriori
    • 14.1 Aprioriとは
    • 14.2 相関ルールと高頻度項目セット
      • 14.2.1 前件と後件
      • 14.2.2 信頼度
    • 14.3 Apriori用のデータ準備
      • 14.3.1 ネイティブ・トランザクショナル・データとスター・スキーマ
      • 14.3.2 項目と集合
      • 14.3.3 スパース・データ
      • 14.3.4 サンプリングの向上
        • 14.3.4.1 サンプリングの実装
    • 14.4 相関ルールの計算
      • 14.4.1 項目セット
      • 14.4.2 高頻度項目セット
      • 14.4.3 例: 高頻度項目セットからのルールの計算
      • 14.4.4 集計
      • 14.4.5 例: 集計の計算
      • 14.4.6 包含ルールと除外ルール
      • 14.4.7 集計のパフォーマンスへの影響
    • 14.5 相関ルールの評価
      • 14.5.1 支持度
      • 14.5.2 最小支持度数
      • 14.5.3 信頼度
      • 14.5.4 逆確信度
      • 14.5.5 リフト
  • 15 CUR行列分解
    • 15.1 CUR行列分解について
    • 15.2 特異ベクトル
    • 15.3 統計的レバレッジ・スコア
    • 15.4 列(属性)選択と行選択
    • 15.5 CUR行列分解アルゴリズムの構成
  • 16 ディシジョン・ツリー
    • 16.1 ディシジョン・ツリーとは
      • 16.1.1 ディシジョン・ツリーのルール
        • 16.1.1.1 信頼度と支持度
      • 16.1.2 ディシジョン・ツリーの利点
      • 16.1.3 ディシジョン・ツリー・モデルのXML
    • 16.2 ディシジョン・ツリーの拡大
      • 16.2.1 分岐
      • 16.2.2 コスト・マトリックス
      • 16.2.3 オーバーフィットの回避
    • 16.3 ディシジョン・ツリー・アルゴリズムのチューニング
    • 16.4 ディシジョン・ツリー用のデータ準備
  • 17 期待値最大化
    • 17.1 期待値最大化とは
      • 17.1.1 期待値ステップと最大化ステップ
      • 17.1.2 確率密度推定
    • 17.2 アルゴリズムの拡張
      • 17.2.1 スケーラビリティ
      • 17.2.2 高いディメンション性
      • 17.2.3 成分数
      • 17.2.4 パラメータ初期化
      • 17.2.5 成分からクラスタへ
    • 17.3 アルゴリズムの構成
    • 17.4 期待値最大化用のデータ準備
  • 18 明示的セマンティック分析
    • 18.1 明示的セマンティック分析とは
      • 18.1.1 テキスト分析用のESA
    • 18.2 ESA用のデータ準備
    • 18.3 ESAによるスコアリング
      • 18.3.1 大きいESAモデルのスコアリング
    • 18.4 明示的セマンティック分析の用語
  • 19 指数平滑法
    • 19.1 指数平滑法について
      • 19.1.1 指数平滑化モデル
      • 19.1.2 単純指数平滑法
      • 19.1.3 傾向はあるが季節性はないモデル
      • 19.1.4 季節性はあるが傾向はないモデル
      • 19.1.5 傾向と季節性のあるモデル
      • 19.1.6 予測間隔
    • 19.2 指数平滑法モデルのデータの準備
      • 19.2.1 入力データ
      • 19.2.2 累積
      • 19.2.3 欠損値
      • 19.2.4 予測
      • 19.2.5 パーティションによる並列性
  • 20 一般化線形モデル
    • 20.1 一般化線形モデルとは
    • 20.2 Oracle Machine Learning for SQLにおけるGLM
      • 20.2.1 解釈性と透明性
      • 20.2.2 ワイド・データ
      • 20.2.3 信頼限界
      • 20.2.4 リッジ回帰
        • 20.2.4.1 リッジ回帰の構成
        • 20.2.4.2 リッジと信頼限界
        • 20.2.4.3 リッジとデータ準備
    • 20.3 スケーラブルな特徴選択
      • 20.3.1 特徴選択
        • 20.3.1.1 特徴選択の構成
        • 20.3.1.2 特徴選択とリッジ回帰
      • 20.3.2 特徴生成
        • 20.3.2.1 特徴生成の構成
    • 20.4 GLM用のチューニングと診断
      • 20.4.1 構築設定
      • 20.4.2 診断
        • 20.4.2.1 係数統計情報
        • 20.4.2.2 グローバルなモデルの統計情報
        • 20.4.2.3 行の診断情報
    • 20.5 GLMのソルバー
    • 20.6 GLM用のデータ準備
      • 20.6.1 線形回帰用のデータ準備
      • 20.6.2 ロジスティック回帰用のデータ準備
      • 20.6.3 欠損値
    • 20.7 線形回帰
      • 20.7.1 線形回帰の係数統計情報
      • 20.7.2 線形回帰のグローバルなモデルの統計情報
      • 20.7.3 線形回帰の行の診断情報
    • 20.8 ロジスティック回帰
      • 20.8.1 参照クラス
      • 20.8.2 クラスの重み
      • 20.8.3 ロジスティック回帰の係数統計情報
      • 20.8.4 ロジスティック回帰のグローバルなモデルの統計情報
      • 20.8.5 ロジスティック回帰の行の診断情報
  • 21 k-Means
    • 21.1 k-Meansとは
      • 21.1.1 Oracle Machine Learning for SQLの拡張k-Means
      • 21.1.2 重心
    • 21.2 k-Meansアルゴリズム構成
    • 21.3 k-Means用のデータの準備
  • 22 最小記述長
    • 22.1 MDLとは
      • 22.1.1 圧縮とエントロピ
        • 22.1.1.1 確率変数の値: 統計的分布
        • 22.1.1.2 確率変数の値: 重要な予測子
        • 22.1.1.3 合計エントロピ
      • 22.1.2 モデル・サイズ
      • 22.1.3 モデル選択
      • 22.1.4 MDLメトリック
    • 22.2 MDL用のデータ準備
  • 23 多変量状態推定技術 - 逐次確率比検定
    • 23.1 多変量状態推定技術 - 逐次確率比検定について
    • 23.2 MSET-SPRTのスコアリング
  • 24 Naive Bayes
    • 24.1 Naive Bayesとは
      • 24.1.1 Naive Bayesの利点
    • 24.2 Naive Bayesモデルのチューニング
    • 24.3 Naive Bayes用のデータ準備
  • 25 ニューラル・ネットワーク
    • 25.1 ニューラル・ネットワークについて
      • 25.1.1 ニューロンと活性化関数
      • 25.1.2 損失関数またはコスト関数
      • 25.1.3 順伝播と逆伝播
      • 25.1.4 最適化ソルバー
      • 25.1.5 正則化
      • 25.1.6 収束判定
      • 25.1.7 LBFGS_SCALE_HESSIAN
      • 25.1.8 NNET_HELDASIDE_MAX_FAIL
    • 25.2 ニューラル・ネットワーク用のデータの準備
    • 25.3 ニューラル・ネットワーク・アルゴリズムの構成
    • 25.4 ニューラル・ネットワークを使用したスコアリング
  • 26 Non-Negative Matrix Factorization
    • 26.1 NMFとは
      • 26.1.1 行列因数分解
      • 26.1.2 NMFによるスコアリング
      • 26.1.3 NMFでのテキスト分析
    • 26.2 NMFアルゴリズムのチューニング
    • 26.3 NMF用のデータ準備
  • 27 O-Cluster
    • 27.1 O-Clusterとは
      • 27.1.1 パーティショニング方針
        • 27.1.1.1 量的属性のパーティショニング
        • 27.1.1.2 質的属性のパーティショニング
      • 27.1.2 アクティブなサンプリング
      • 27.1.3 プロセス・フロー
      • 27.1.4 スコアリング
    • 27.2 O-Clusterアルゴリズムのチューニング
    • 27.3 O-Cluster用のデータ準備
      • 27.3.1 O-Cluster用のユーザー定義のデータ準備
  • 28 R拡張性
    • 28.1 R拡張性を備えたOracle Machine Learning for SQL
    • 28.2 アルゴリズムのメタデータの登録について
    • 28.3 Rを使用したスコアリング
  • 29 ランダム・フォレスト
    • 29.1 ランダム・フォレストについて
    • 29.2 ランダム・フォレストの構築
    • 29.3 ランダム・フォレストを使用したスコアリング
  • 30 特異値分解
    • 30.1 特異値分解とは
      • 30.1.1 行列操作
      • 30.1.2 低ランクの分解
      • 30.1.3 スケーラビリティ
    • 30.2 アルゴリズムの構成
      • 30.2.1 モデル・サイズ
      • 30.2.2 パフォーマンス
      • 30.2.3 PCAスコアリング
    • 30.3 SVD用のデータ準備
  • 31 サポート・ベクター・マシン
    • 31.1 サポート・ベクター・マシンとは
      • 31.1.1 SVMの利点
      • 31.1.2 Oracle Machine Learning for SQLのSVMの利点
        • 31.1.2.1 利用性
        • 31.1.2.2 スケーラビリティ
      • 31.1.3 カーネルベースの学習
    • 31.2 SVMモデルのチューニング
    • 31.3 SVM用のデータ準備
      • 31.3.1 正規化
      • 31.3.2 SVMと自動データ準備
    • 31.4 SVM分類
      • 31.4.1 クラスの重み
    • 31.5 1クラスSVM
    • 31.6 SVM回帰
  • 32 XGBoost
    • 32.1 XGBoostについて
    • 32.2 XGBoostによるスコアリング
• 用語集
• 索引