第III部 アルゴリズム

Oracle Machine Learning for SQLでは、第III部にリストされているアルゴリズムがサポートされています。第III部では、それらのアルゴリズムについて基本概念を説明します。それぞれの機械学習手法には、少なくとも1つのアルゴリズムがあります。

第III部は次の章で構成されています。

• Apriori
  Aprioriアルゴリズムを使用して相関ルールを計算する方法を学習します。
• CUR行列分解
  CUR行列分解アルゴリズムを使用して重要な属性を特定する方法について学習します。
• デシジョン・ツリー
  Oracle Machine Learningでは、分類アルゴリズムの1つとしてデシジョン・ツリーがサポートされています。
• 期待値最大化
  期待値最大化クラスタリング・アルゴリズムの使用方法を学習します。
• 明示的セマンティック分析
  明示的セマンティック分析(ESA)を特徴抽出機能用の教師なしアルゴリズムとして使用する方法、および分類用の教師ありアルゴリズムとして使用する方法を学習します。
• 指数平滑法
  指数平滑法アルゴリズムについて学習します。
• 一般化線形モデル
  線形モデリング用の一般化線形モデル(GLM)統計的手法の使用方法を学習します。
• k-Means
  Oracle Machine Learningでは、拡張されたk-Meansクラスタリング・アルゴリズムがサポートされています。そのアルゴリズムの使用方法を学習します。
• 最小記述長
  属性評価を計算するための教師あり手法である、最小記述長の使用方法を学習します。
• 多変量状態推定技術 - 逐次確率比検定
  多変量状態推定技術 - 逐次確率比検定(MSET-SPRT)アルゴリズムでは、重要なプロセスが監視され、微妙な異常が検出されます。
• Naive Bayes
  Naive Bayes分類アルゴリズムの使用方法を学習します。
• ニューラル・ネットワーク
  回帰および分類の機械学習手法のニューラル・ネットワーク・アルゴリズムについて学習します。
• Non-Negative Matrix Factorization
  特徴抽出用に教師なしアルゴリズムであるNon-Negative Matrix Factorization (NMF)を使用する方法を学習します。
• O-Cluster
  Oracle独自のクラスタリング・アルゴリズムである直行パーティショニング・クラスタリング(O-Cluster)の使用方法を学習します。
• R拡張性
  分析モデルの作成とRでのスコアリングの方法を学習します。Rの拡張可能アルゴリズムが拡張され、SQLおよびグラフィカル・ユーザー・インタフェースを使用するユーザー用に追加のアルゴリズムがサポートおよび登録されています。
• ランダム・フォレスト
  分類アルゴリズムとしてランダム・フォレストを使用する方法を学習します。
• 特異値分解
  特徴抽出用の教師なしアルゴリズムである特異値分解アルゴリズムの使用方法を学習します。
• サポート・ベクター・マシン
  統計的学習理論に基づいた強力なアルゴリズムであるサポート・ベクター・マシン(SVM)の使用方法を学習します。
• XGBoost
  XGBoostは、XGBoost Gradient Boostingオープン・ソース・パッケージを利用可能にする、非常に効率的でスケーラブルな、回帰および分類の機械学習アルゴリズムです。