索引

数字

サード・パーティ・パッケージ 6.3
サード・パーティ・パッケージ 6.2

A

ADMIN 6.2
アルゴリズム
- Apriori 9.8
- 属性評価 9.7
- 自動化された機械学習 10.1
- 自動選択 10.5
- 自動データ準備 9.5
- デシジョン・ツリー 9.9
- 期待値最大化 9.10
- 明示的セマンティック分析 9.11
- 指数平滑法 9.20
- 一般化線形モデル 9.12
- k-Means 9.13
- 機械学習 9.1
- 最小記述長 9.7
- Naive Bayes 9.14
- ニューラル・ネットワーク 9.15
- Non-Negative Matrix Factorization 9.19
- ランダム・フォレスト 9.16
- すべてに共通の設定 9.3
- 特異値分解 9.17
- サポート・ベクター・マシン 9.18
- XGBoost 9.21
アルゴリズム選択クラス 10.2
ALL_PYQ_DATASTORE_CONTENTSビュー 11.3.1
ALL_PYQ_DATASTORES ビュー 11.3.2
ALL_PYQ_SCRIPTSビュー 11.4.1
異常検出モデル 9.18
Aprioriアルゴリズム 9.8
属性評価 9.7
自動化された機械学習
- 概要 10.1
自動データ準備アルゴリズム 9.5
自動機械学習
- 接続パラメータ 7.2.1
Autonomous Database 7.1

C

クラス
- 自動化された機械学習 10.1
- GlobalFeatureImportance 9.6
- 機械学習 9.1
- oml.ai 9.7
- oml.ar 9.8
- oml.automl.AlgorithmSelection 10.2
- oml.automl.FeatureSelection 10.3
- oml.automl.ModelSelection 10.5
- oml.automl.ModelTuning 10.4
- oml.dt 9.5, 9.9
- oml.em 9.10
- oml.esa 9.11
- oml.esm 9.20
- oml.glm 9.12
- oml.graphics 8.3
- oml.km 9.13
- oml.nb 9.14
- oml.nn 9.15
- oml.rf 9.16
- oml.svd 9.17
- oml.svm 9.18
- oml.xgb 9.21
分類アルゴリズム 9.16
分類および回帰アルゴリズム 9.21
分類モデルと回帰モデル 9.21
分類モデル 9.5, 9.9, 9.12, 9.14, 9.15, 9.16, 9.18
クライアント
- Autonomous DatabaseのLinux向けインストール 3
- オンプレミスのLinux向けインストール 4.5.1.2
クラスタリング・アルゴリズム 9.20
クラスタリング・モデル 9.10, 9.11, 9.13
クラスタリング・モデル 9.20
conda環境 6.2
接続
- オンプレミス・データベースの作成 7.2.3
- 関数 7.2.1
制御引数 11.5.1
SQLへのPythonの変換 2.3
作成
- プロキシ・オブジェクト 7.3.4, 7.3.5
cx_Oracle.connect関数 7.2.1
cx_Oracleパッケージ 7.2.1

D

データ
- 移動について 7.3.1
- 探索 8.2.1
- フィルタリング 8.1.4
- 準備 8.1.1
- 選択 8.1.2
データベース
- オンプレミスへの接続 7.2.3
データ・パラレル処理 11.5.1
データストア
- 概要 7.4.1
- データベース・ビュー 11.3.1, 11.3.2, 11.3.3
- オブジェクトの削除 7.4.6
- オブジェクトの記述 7.4.5
- 情報の取得 7.4.4
- アクセス権の付与または取消し 7.4.7
- オブジェクトのロード 7.4.3
- オブジェクトの保存 7.4.2
日付型 8.2.7
DCLI
- Exadata 5.2.2
- python 5.2
デシジョン・ツリー・アルゴリズム 9.9
分散コマンドライン・インタフェース 5.2
オブジェクト・ストレージからの環境のダウンロード 6.3
削除
- 表 7.3.5

E

Embedded Python Execution
- 概要 11.5.1
- SQLインタフェースについて 11.6.1
- SQLインタフェース 11.6, 11.7
EMモデル 9.10
ESAモデル 9.11
Exadata 5.1
- コンピュート・ノード 5.2
- DCLI 5.2.2
期待値最大化アルゴリズム 9.10
説明可能性 9.6
明示的セマンティック分析アルゴリズム 9.11
指数平滑法モデル 9.20
モデルのエクスポート 9.4

F

特徴抽出アルゴリズム 9.11
特徴抽出クラス 9.17
特徴選択クラス 10.3
ファンクション
- pyqGrant 11.6.6, 11.7.2.7
関数
- cx_Oracle.connect 7.2.1
- Embedded Python Execution 11.5.1
- グラフィック 8.3
- ユーザー定義Python関数の管理 11.5.7.1
- oml.boxplot 8.3
- oml.check_embed 7.2.1, 7.2.3
- oml.connect 7.2.1, 7.2.3
- oml.create 7.3.5
- oml.cursor 7.3.1, 7.3.5
- oml.dir 7.3.1, 7.3.4
- oml.disconnect 7.2.1, 7.2.3
- oml.do_eval 11.5.2
- oml.drop 7.3.5
- oml.ds.delete 7.4.6
- oml.ds.describe 7.4.5
- oml.ds.dir 7.4.4
- oml.ds.load 7.4.3
- oml.ds.save 7.4.2
- oml.grant 7.4.7
- oml.group_apply 11.5.4
- oml.hist 8.3
- oml.index_apply 11.5.6
- oml.isconnected 7.2.1, 7.2.3
- oml.row_apply 11.5.5
- oml.script.create 11.5.7.2
- oml.script.dir 11.5.7.3
- oml.script.drop 11.5.7.5
- oml.script.load 11.5.7.4
- oml.set_connection 7.2.1
- oml.sync 7.3.4
- oml.table_apply 11.5.3
- pyqEval 11.6.2
- pyqGroupEval 11.6.5
- pyqRowEval 11.6.4
- pyqTableEval 11.6.3

G

GLMモデル 9.12
付与
- スクリプトおよびデータストアへのアクセス権 7.4.7
- ユーザー権限 4.4.4
グラフィック
- レンダリング 8.3

I

モデルのインポート 9.4
インストール
- Autonomous DatabaseのLinux向けクライアント 3
- オンプレミスのLinux向けクライアント 4.5.1.2
- オンプレミスのLinux向けサーバー 4.4.2
Instant Client
- オンプレミスのLinux向けインストール 4.5.1.1

K

KMモデル 9.13

L

OML4Pyのライブラリ 2.4
Linux
- Pythonのインストール 4.2
- 要件 4.1
- オンプレミス・クライアントのアンインストール 4.5.3
- オンプレミス・サーバーのアンインストール 4.4.6
Autonomous DatabaseのLinux
- クライアントのインストール 3
オンプレミスのLinux
- クライアントのインストール 4.5.1.2
- Oracle Instant Clientのインストール 4.5.1.1
- サーバーのインストール 4.4.2
- サポート・パッケージ 4.3

M

機械学習
- クラス 9.1
メソッド
- drop 8.1.4
- drop_duplicates 8.1.4
- dropna 8.1.4
- データの探索 8.2.1
- データの準備 8.1.1
- プル 7.3.3
最小記述長アルゴリズム 9.7
モデル
- 相関ルール 9.8
- 属性評価 9.7
- クラスタリング 9.20
- デシジョン・ツリー 9.5, 9.9
- 期待値最大化 9.10
- 説明可能性 9.6
- 明示的セマンティック分析 9.11
- エクスポートとインポート 9.4
- 異常検出 9.18
- 分類 9.5, 9.9, 9.12, 9.14, 9.15, 9.16, 9.18
- 分類および回帰 9.21
- クラスタリング 9.10, 9.13
- クラスタリング 9.20
- 特徴抽出 9.11, 9.17
- 回帰 9.12, 9.15, 9.18
- 一般化線形モデル 9.12
- k-Means 9.13
- Naive Bayes 9.14
- ニューラル・ネットワーク 9.15
- Non-Negative Matrix Factorization 9.19
- パラメトリック 9.12
- 永続 9.1
- ランダム・フォレスト 9.16
- 特異値分解 9.17
- サポート・ベクター・マシン 9.18
- XGBoost 9.21
モデルの選択 10.5
モデルのチューニング 10.4
データの移動
- 概要 7.3.1
- ローカルPythonセッションへ 7.3.3
- データベースへ 7.3.2

N

Naive Bayesモデル 9.14
ニューラル・ネットワーク・モデル 9.15
NMFモデル 9.19

O

oml_input_type引数 11.5.1
oml_na_omit引数 11.5.1
oml.aiクラス 9.7
oml.arクラス 9.8
oml.automl.AlgorithmSelectionクラス 10.2
oml.automl.FeatureSelectionクラス 10.3
oml.automl.ModelSelectionクラス 10.5
oml.automl.ModelTuningクラス 10.4
oml.boxplot関数 8.3
oml.check_embed関数 7.2.1, 7.2.3
oml.connect関数 7.2.1, 7.2.3
oml.create関数 7.3.5
oml.cursor関数 7.3.1, 7.3.5
oml.Datetime 8.2.7
oml.dir関数 7.3.1, 7.3.4
oml.disconnect関数 7.2.1, 7.2.3
oml.do_eval関数 11.5.2
oml.drop関数 7.3.5
oml.ds.delete関数 7.4.6
oml.ds.describe関数 7.4.5
oml.ds.dir関数 7.4.4
oml.ds.load関数 7.4.3
oml.ds.save関数 7.4.2
oml.dtクラス 9.5, 9.9
oml.emクラス 9.10
oml.esaクラス 9.11
oml.esmクラス 9.20
oml.glmクラス 9.12
oml.grant関数 7.4.7
oml.graphicsクラス 8.3
oml.group_apply関数 11.5.4
oml.hist関数 8.3
oml.index_apply関数 11.5.6
oml.Integer 8.2.7
oml.isconnected関数 7.2.1, 7.2.3
oml.kmクラス 9.13
oml.nbクラス 9.14
oml.nnクラス 9.15
oml.push関数 7.3.2
oml.revoke関数 7.4.7
oml.rfクラス 9.16
oml.row_apply関数 11.5.5
oml.script.create関数 11.5.7.2
oml.script.dir関数 11.5.7.3
oml.script.drop関数 11.5.7.5
oml.script.load関数 11.5.7.4
oml.set_connection関数 7.2.1, 7.2.3
oml.svdクラス 9.17
oml.svmクラス 9.18
oml.sync関数 7.3.4
oml.table_apply関数 11.5.3
oml.Timedelta 8.2.7
oml.Timezone 8.2.7
oml.xgbクラス 9.21
OML4Py 2, 5.1
- Exadata 5.2.2
オンプレミス・クライアント
- インストール 4.5
- アンインストール 4.5.3
オンプレミス・サーバー
- インストール 4.4
- アンインストール 4.4.6
オンプレミス・システム要件 4.1
Oracle Machine Learning Notebooks 7.1
Oracle Machine Learning Pythonインタプリタ 7.1
Oracleウォレット
- 概要 7.2.2
ore.nmf関数 9.19

P

パッケージ
- オンプレミスのLinux向けサポート 4.3
パラレル処理 11.5.1
パラメトリック・モデル 9.12
PL/SQLプロシージャ
- sys.pyqScriptCreate 11.6.8
- sys.pyqScriptDrop 11.6.9
predict.probaメソッド 9.14
predictメソッド 9.14
権限
- 必須 4.4.4
プロキシ・オブジェクト 2.3
- データベース表 7.3.4, 7.3.5
- 格納 7.4.1
pullメソッド 7.3.3
PYQADMINロール 4.4.4
pyqEvalファンクション 11.6.2
pyqGrantファンクション 11.6.6, 11.7.2.7
pyqGroupEvalファンクション 11.6.5
pyqRowEvalファンクション 11.6.4
pyqTableEvalファンクション 11.6.3
pyquser.sqlスクリプト 4.4.5
Python 5.1
- Linux版のインストール 4.2
- OML4Pyのライブラリ 2.4
- 要件 4.1
- 使用されているバージョン 2.4
Pythonインタプリタ 7.1
Pythonオブジェクト
- 格納 7.4.1
pythonパッケージ 6.2
PythonからSQLへの変換 2.3

R

ランダム・フォレスト・アルゴリズム 9.16
ランキング
- 属性評価 9.7
読取り権限
- 付与または取消し 7.4.7
回帰モデル 9.12, 9.15
要件
- オンプレミスのシステム 4.1
リソース
- 管理 12
取消し
- スクリプトおよびデータストアへのアクセス権 7.4.7
ロール
- PYQADMIN 4.4.4

S

新しいデータのスコアリング 2.2, 9.1
スクリプト・リポジトリ
- アクセス権の付与または取消し 7.4.7
- ユーザー定義Python関数の管理 11.5.7.1
- ユーザー定義関数の登録 11.5.7.1
スクリプト
- pyquser 4.4.5
サーバー
- オンプレミスのLinux向けインストール 4.4.2
設定
- モデルについて 9.2
- Aprioriアルゴリズム 9.8
- 相関ルール 9.8
- 自動データ準備アルゴリズム 9.5
- デシジョン・ツリー・アルゴリズム 9.9
- 期待値最大化モデル 9.10
- 明示的セマンティック分析アルゴリズム 9.11
- 指数平滑法モデル 9.20
- 一般化線形モデル・アルゴリズム 9.12
- k-Meansアルゴリズム 9.13
- 最小記述長アルゴリズム 9.7
- Naive Bayesアルゴリズム 9.14
- ニューラル・ネットワーク・アルゴリズム 9.15
- ランダム・フォレスト・アルゴリズム 9.16
- 共有アルゴリズム 9.3
- 特異値分解アルゴリズム 9.17
- 属性評価 9.7
- サポート・ベクター・マシン・アルゴリズム 9.18
- XGBoostアルゴリズム 9.21
特殊な制御引数 11.5.1
SQLのAPI
- pyqEvalファンクション 11.6.2
- pyqGrantファンクション 11.6.6, 11.7.2.7
- pyqGroupEvalファンクション 11.6.5
- pyqRowEvalファンクション 11.6.4
- pyqTableEvalファンクション 11.6.3
SQLからPythonへの変換 2.3
サポート・パッケージ
- オンプレミスのLinux向け 4.3
SVDモデル 9.17
SVMモデル 9.18
データベース表の同期 7.3.4
sys.pyqScriptCreateプロシージャ 11.6.8
sys.pyqScriptDropプロシージャ 11.6.9

T

表
- 作成 7.3.5
- 削除 7.3.4, 7.3.5
- プロキシ・オブジェクト 7.3.4, 7.3.5
タスク・パラレル処理 11.5.1
透過層 2.3

U

アンインストール
- オンプレミス・クライアント 4.5.3
- オンプレミス・サーバー 4.4.6
USER_PYQ_DATASTORESビュー 11.3.3
USER_PYQ_SCRIPTSビュー 11.4.2
ユーザー定義Python関数
- Embedded Python Execution 11.5.1
ユーザー
- 新規作成 4.4.5

V

ビュー
- ALL_PYQ_DATASTORE_CONTENTS 11.3.1
- ALL_PYQ_DATASTORES 11.3.2
- ALL_PYQ_SCRIPTS 11.4.1
- USER_PYQ_DATASTORES 11.3.3
- USER_PYQ_SCRIPTS 11.4.2

W

ウォレット
- Oracleについて 7.2.2

X

XGBoostアルゴリズム 9.21