1. Uso dell'interfaccia utente di Oracle Machine Learning su Autonomous Database
  2. Usa modelli per collaborare con gli utenti

10 Utilizzare i modelli per collaborare con gli utenti

Utilizzando i modelli notebook di Oracle Machine Learning , è possibile collaborare con altri utenti condividendo il proprio lavoro, pubblicando il lavoro come report e creando blocchi note da modelli. È possibile memorizzare i notebook come modelli, condividere i notebook e fornire modelli di esempio ad altri utenti.

Nota

È inoltre possibile collaborare con altri utenti di Oracle Machine Learning Notebooks fornendo l'accesso all'area di lavoro. L'utente autenticato può quindi accedere ai progetti nell'area di lavoro e ai notebook. Il livello di accesso dipende dal tipo di autorizzazione concesso: Manager, Developer o Viewer. Per ulteriori informazioni sulla collaborazione tra utenti, vedere Come collaborare in Oracle Machine Learning Notebooks.
  • Utilizzare i modelli personali
    Modelli personali elenca i modelli di blocco appunti creati dall'utente.
  • Utilizzare i modelli condivisi
    In Modelli condivisi è possibile condividere i modelli di blocco appunti con tutti gli utenti autenticati con i modelli di blocco appunti creati dai blocchi appunti esistenti disponibili in Modelli.
  • Utilizzare i modelli di esempio
    Nella pagina Modelli di esempio sono elencati i modelli di blocco appunti precompilati di Oracle Machine Learning. È possibile visualizzare e utilizzare questi modelli per creare i notebook.

10.1 Utilizzo dei modelli personali

In Modelli personali sono elencati i modelli di blocco note creati dall'utente.

È possibile eseguire i task riportati di seguito.

  • Visualizza i modelli selezionati in modalità di sola lettura.

  • Creare nuovi notebook dai modelli selezionati.

  • Modificare i modelli selezionati.

  • Condividere i modelli di blocco note selezionati in Modelli condivisi.

  • Elimina i modelli di blocco note selezionati.

Argomento padre: Utilizzare i modelli per collaborare con gli utenti

10.1.1 Creazione di blocchi note dai modelli

È possibile creare nuovi notebook da un modello esistente e memorizzarli in Modelli personali per utilizzarli in un secondo momento.

Selezionare un modello di notebook.
Per creare un nuovo blocco appunti da un modello:
  1. Nella pagina Modelli personali, selezionare il modello in base al quale si desidera creare il blocco note e fare clic su Nuovo blocco note.
    Si apre la finestra di dialogo Crea blocco note.
  2. Nel campo Nome fornire un nome per il notebook.
  3. In Commenti, immettere eventuali commenti.
  4. Nel campo Progetto selezionare il progetto in cui si desidera salvare il blocco note.
  5. Nel campo Connessione viene selezionata la connessione predefinita.
  6. Fare clic su OK.
Il blocco appunti viene creato ed è disponibile nella pagina Notebook.

Argomento padre: Utilizzare i modelli personali

10.1.2 Condividi modelli blocco note

È possibile condividere i modelli da Modelli personali.È inoltre possibile condividere modelli per la modifica

Per condividere un modello, effettuare le operazioni riportate di seguito.
  1. Selezionare il modello di blocco note in Modelli personali e fare clic su Condividi.
    Viene visualizzata la finestra di dialogo Salva in modelli condivisi.
  2. Nel campo Nome immettere un nuovo nome per il modello.
  3. Nel campo Commenti fornire eventuali commenti.
  4. Nel campo Tag immettere tag separate da virgole. Per facilitare la ricerca, utilizzare i tag descrittivi.
  5. Fare clic su OK.
Dopo la creazione e la condivisione del modello, viene visualizzato un messaggio che indica che il modello viene creato in Condiviso.

Argomento padre: Utilizzare i modelli personali

10.1.3 Modifica delle impostazioni dei modelli di notebook

È possibile modificare le impostazioni di un modello di blocco note esistente in Modelli personali.

Per modificare le impostazioni del modello di blocco note:
  1. Selezionare il modello di blocco note nei modelli personali e fare clic su Modifica impostazioni.
    Viene visualizzata la finestra di dialogo Modifica modello.
  2. Nel campo Nome, modificare il nome, se applicabile.
  3. Nel campo Commenti, modificare gli eventuali commenti.
  4. Nel campo Tag, modificare le tag in base alle esigenze.
  5. Fare clic su OK.

Argomento padre: Utilizzare i modelli personali

10.2 Utilizzare i modelli condivisi

In Modelli condivisi è possibile condividere i modelli di blocco appunti con tutti gli utenti autenticati con i modelli di blocco appunti creati dai blocchi appunti esistenti disponibili in Modelli.

La pagina Modelli condivisi tiene traccia dei modelli di blocco appunti quando si eseguono le operazioni riportate di seguito.

  • Simili modelli

  • Crea blocchi appunti da modelli

  • Visualizza modelli

Nella pagina Modelli condivisi vengono visualizzate le informazioni sui modelli riportate di seguito.

  • Nome modello

  • Descrizione

  • Numero di Mi piace

  • Numero di creazioni

  • Numero di viste statiche

È possibile eseguire i task riportati di seguito.

  • Creare i modelli facendo clic su Nuovo blocco appunti

  • modificare le impostazioni del modello facendo clic su Modifica impostazioni.

  • Eliminare qualsiasi modello selezionato facendo clic su Elimina.

  • Cerca modelli per nome, tag, autore

  • Ordina i modelli per Nome, Data, Autore, Mi piace, Visualizzato, Usato

  • Per visualizzare i modelli, fare clic su Mostra solo elementi preferiti o su Mostra solo elementi personali

Argomento padre: Utilizzare i modelli per collaborare con gli utenti

10.2.1 Creazione di notebook dai modelli

È possibile creare nuovi notebook da un modello esistente e memorizzarli in Modelli personali per utilizzarli in un secondo momento.

Selezionare un modello di notebook.
Per creare un nuovo blocco appunti da un modello:
  1. Nella pagina Modelli personali, selezionare il modello in base al quale si desidera creare il blocco note e fare clic su Nuovo blocco note.
    Si apre la finestra di dialogo Crea blocco note.
  2. Nel campo Nome fornire un nome per il notebook.
  3. In Commenti, immettere eventuali commenti.
  4. Nel campo Progetto selezionare il progetto in cui si desidera salvare il blocco note.
  5. Nel campo Connessione viene selezionata la connessione predefinita.
  6. Fare clic su OK.
Il blocco appunti viene creato ed è disponibile nella pagina Notebook.

Argomento padre: Utilizzare i modelli condivisi

10.2.2 Modifica delle impostazioni dei modelli di notebook

È possibile modificare le impostazioni di un modello di blocco note esistente in Modelli personali.

Per modificare le impostazioni del modello di blocco note:
  1. Selezionare il modello di blocco note nei modelli personali e fare clic su Modifica impostazioni.
    Viene visualizzata la finestra di dialogo Modifica modello.
  2. Nel campo Nome, modificare il nome, se applicabile.
  3. Nel campo Commenti, modificare gli eventuali commenti.
  4. Nel campo Tag, modificare le tag in base alle esigenze.
  5. Fare clic su OK.

Argomento padre: Utilizzare i modelli condivisi

10.3 Utilizzare i modelli di esempio

Nella pagina Modelli di esempio sono elencati i modelli di blocco appunti precompilati di Oracle Machine Learning. È possibile visualizzare e utilizzare questi modelli per creare i notebook.

Nella pagina Modelli di esempio vengono visualizzate le informazioni sui modelli riportate di seguito.

  • Nome modello

  • Descrizione

  • Numero di Mi piace. Fare clic su Mi piace per contrassegnarlo come Mi piace.

  • Numero di viste statiche

  • Numero di utilizzi

Non è possibile modificare alcun modello nella pagina Modelli di esempio. Le opzioni di ricerca sono:

  • Cerca modelli per nome, tag, autore

  • Ordina i modelli per Nome, Data, Autore, Mi piace, Visualizzato, Usato

  • Visualizzare i modelli preferiti facendo clic su Mostra solo i modelli preferiti

  • Creare un blocco note dai modelli di esempio
    Utilizzando i modelli di esempio di Oracle Machine Learning è possibile creare un blocco note dai modelli disponibili.
  • Modelli di esempio
    Oracle Machine Learning Notebooks fornisce modelli di esempio notebook basati su algoritmi e linguaggi di apprendimento automatico diversi, ad esempio Python, R e SQL. I modelli di esempio vengono elaborati in Oracle Autonomous Database.

Argomento padre: Utilizzare i modelli per collaborare con gli utenti

10.3.1 Creare un blocco note dai modelli di esempio

Utilizzando i modelli di esempio di Oracle Machine Learning è possibile creare un blocco appunti dai modelli disponibili.

Per creare un notebook, effettuare le operazioni riportate di seguito.
  1. Nella pagina Modelli di esempio selezionare il modello in base al quale si desidera creare un blocco note.
  2. Fare clic su Nuovo notebook.
    Si apre la finestra di dialogo Crea blocco note.
  3. Nella finestra di dialogo Crea blocco note viene visualizzato il nome del modello selezionato. Nel campo Nome è possibile modificare il nome del blocco appunti.
    Finestra di dialogo Crea notebook
  4. Nel campo Commento, se è disponibile un commento per il modello, viene visualizzato. È possibile modificare il commento.
  5. Nel campo Progetto fare clic sull'icona di modifica modifica.
  6. Selezionare il progetto in cui si desidera salvare il blocco appunti.
  7. Nel campo Connessione viene selezionata la connessione predefinita.
  8. Fare clic su OK.
Il blocco note viene creato ed è disponibile nella pagina Notebook.

Argomento padre: utilizzare i modelli di esempio

10.3.2 Modelli di esempio

Oracle Machine Learning Notebooks fornisce modelli di esempio di notebook basati su algoritmi e linguaggi di apprendimento automatico diversi, ad esempio Python, R e SQL. I modelli di esempio vengono elaborati in Oracle Autonomous Database.

È possibile creare blocchi appunti Oracle Machine Learning modificabili ed eseguibili in base a uno dei seguenti blocchi appunti modello di esempio di Oracle Machine Learning for R:
  • OML: Esporta e importa modelli serializzati: utilizzare questo blocco note per esportare e importare modelli serializzati nativi utilizzando le procedure DBMS_DATA_MINING.EXPORT_SERMODEL e DBMS_DATA_MINING.IMPORT_SERMODEL. Oracle Machine Learning fornisce API per semplificare il processo di migrazione dei modelli tra database e piattaforme.
  • Modello OML Wiki ESA: utilizzare questo blocco note per la categorizzazione dei documenti di testo calcolando la correlazione semantica (simile nel significato tra due parole o parti di testo) tra i documenti e un set di argomenti definiti e descritti in modo esplicito dagli esseri umani. La funzione ESA di Oracle Machine Learning for SQL, la funzione oml.esa di Oracle Machine Learning for Python e la funzione ore.odmESA di Oracle Machine Learning for R estraggono le funzioni basate sul testo da un corpus di documenti ed eseguono confronti di somiglianza dei documenti. In questo notebook, il modello ESA wiki viene importato in Autonomous Database per l'uso con i seguenti esempi di notebook modello OML:
    • OML4SQL Modello wiki ESA estrazione funzioni
    • OML4Py Modello wiki ESA estrazione funzioni
    • OML4R Modello wiki ESA estrazione funzioni
  • Punteggio batch OML Services: utilizzare questo blocco note per eseguire i job di assegnazione punteggio batch tramite un'interfaccia REST tramite i servizi OML. I servizi OML supportano l'assegnazione di punteggi in batch per regressione, classificazione, clustering ed estrazione di funzioni.
    • Autenticare l'utente del database e ottenere un token
    • Crea un job di assegnazione punteggio batch
    • Visualizzare i dettagli e l'output del job di assegnazione punteggio batch
    • Aggiornare, disabilitare ed eliminare un job di assegnazione punteggio batch
  • Monitoraggio dei dati dei servizi OML: utilizzare questo notebook per eseguire il monitoraggio dei dati. Questa esecuzione del blocco note fornisce i passi del flusso di lavoro di monitoraggio dei dati tramite l'interfaccia REST che include:
    • Autenticare l'utente del database e ottenere un token
    • Creare un job di monitoraggio dei dati
    • Visualizzare i dettagli e l'output del job di monitoraggio dei dati
    • Aggiornare, disabilitare ed eliminare un job di monitoraggio dei dati
  • OML Services Model Monitoring: utilizzare questo notebook per comprendere ed eseguire il monitoraggio dei modelli. Questa esecuzione del blocco appunti fornisce i passi del flusso di lavoro di monitoraggio del modello tramite l'interfaccia REST che include:
    • Autenticare l'utente del database e ottenere un token
    • Creare un job di monitoraggio modello
    • Visualizzare i dettagli e l'output del job di monitoraggio del modello
    • Aggiornare, disabilitare ed eliminare un job di monitoraggio del modello
  • Pacchetti di terze parti OML - Creazione dell'ambiente: utilizzare questo notebook per scaricare e attivare l'ambiente Conda e utilizzare le librerie nelle sessioni notebook. Oracle Machine Learning Notebooks fornisce un interprete Conda per installare librerie Python e R di terze parti in un ambiente Conda da utilizzare all'interno di Oracle Machine Learning Notebooks sessioni, nonché all'interno di Oracle Machine Learning for Python e Oracle Machine Learning for R chiamate di esecuzione incorporate.

    Le librerie di terze parti installate in Oracle Machine Learning Notebooks possono essere utilizzate in:

    • Python standard
    • Valore retail standard
    • Esecuzione Python incorporata in Oracle Machine Learning for Python dalle API Python, SQL e REST
    • Esecuzione R incorporata in Oracle Machine Learning for R dalle API R, SQL e REST

    Nota

    L'ambiente Conda viene installato e gestito dall'utente ADMIN con ruolo OML_SYS_ADMIN. L'amministratore può creare un ambiente condiviso e aggiungere o eliminare pacchetti da esso. Gli ambienti Conda vengono memorizzati nel bucket di storage degli oggetti associato ad Autonomous Database.

    Conda è un sistema di gestione di pacchetti e ambienti open source che consente l'utilizzo di ambienti virtuali contenenti pacchetti R e Python di terze parti. Gli ambienti conda consentono di installare e aggiornare i pacchetti e le relative dipendenze, nonché di passare da un ambiente all'altro per utilizzare pacchetti specifici del progetto.

    Questo notebook modello Pacchetti di terze parti OML - Creazione ambiente contiene un workflow standard per la creazione di ambienti di terze parti e l'installazione di package in Oracle Machine Learning Notebooks.

    • La sezione 1 contiene i comandi per creare e testare gli ambienti Conda.
    • La sezione 2 contiene i comandi per creare un ambiente Conda, installare i pacchetti e i comandi per caricare l'ambiente Conda in un bucket di storage degli oggetti associato a Oracle Autonomous Database.

    Figura 10-1 Modelli di esempio Conda

    Modelli di esempio Conda
  • Pacchetti di terze parti OML - Uso dell'ambiente Python: utilizzare questo notebook modello per comprendere il workflow tipico per l'uso dell'ambiente di terze parti in Oracle Machine Learning Notebooks utilizzando Python e Oracle Machine Learning for Python. Puoi scaricare e utilizzare le librerie negli ambienti Conda create e salvate in precedenza in una cartella del bucket di storage degli oggetti associata ad Autonomous Database.
    Questo blocco note contiene comandi per:
    • Elenca tutti gli ambienti memorizzati nello storage degli oggetti
    • Elenca un ambiente denominato memorizzato nello storage degli oggetti
    • Scaricare e attivare l'ambiente mypyenv
    • Elenca i pacchetti disponibili nell'ambiente Conda
    • Importa librerie Python
    • Carica data set
    • Crea modelli
    • Modelli di punteggio
    • Crea funzioni definite dall'utente (UDF) Python
    • Eseguire le funzioni definite dall'utente (UDF) in Python
    • Crea ed esegue funzioni definite dall'utente nelle API SQL e REST per l'esecuzione Python incorporata
    • Creare ed eseguire funzioni definite dall'utente Python utilizzando l'API SQL per l'esecuzione incorporata di Python - modalità asincrona
  • Pacchetti di terze parti OML - Uso dell'ambiente R: utilizzare questo notebook modello per comprendere il workflow tipico per l'uso dell'ambiente di terze parti in Oracle Machine Learning for R.
    Questo blocco note contiene comandi per:
    • Elenca tutti gli ambienti memorizzati nello storage degli oggetti
    • Elenca un ambiente denominato memorizzato nello storage degli oggetti
    • Scaricare e attivare l'ambiente myrenv
    • Mostra la lista degli ambienti OML4R Conda disponibili
    • Importa librerie R
    • Caricare e preparare i dati
    • Crea modelli
    • Modelli di punteggio
    • Crea funzioni definite dall'utente R (UDF)
    • Esegui funzioni definite dall'utente (UDF) in R
    • Salvare le funzioni definite dall'utente (UDF) nel repository di script
    • Eseguire la funzione definita dall'utente R nelle API SQL e REST per l'esecuzione R incorporata
    • Aggiungere l'utente OML alla lista di controllo dell'accesso
    • Esegue le funzioni definite dall'utente R utilizzando l'API REST per l'esecuzione R incorporata in modalità sincrona
  • OML4R-1: Introduzione: utilizzare questo blocco note per comprendere come:
    • Carica la libreria ORE
    • Crea tabelle di database
    • Utilizza il livello di trasparenza
    • Classifica gli attributi per il valore predittivo utilizzando l'algoritmo di importanza degli attributi nel database
    • Crea modelli predittivi e
    • Valutare i dati utilizzando questi modelli

    Figura 10-2 Modelli di esempio di Oracle Machine Learning for R

    OML4R Modelli di esempio
  • OML4R-2: Selezione e manipolazione dei dati: utilizzare questo blocco note per comprendere le funzioni del livello di trasparenza relative alla selezione e alla manipolazione dei dati.
  • OML4R-3: Datastore e repository di script: utilizzare questo notebook per comprendere le funzioni del datastore e del repository di script di OML4R.
  • OML4R-4: Esecuzione R incorporata: utilizzare questo blocco note per comprendere l'esecuzione R incorporata OML4R. In primo luogo, un modello lineare viene creato direttamente in R, quindi viene creata una funzione R definita dall'utente per creare il modello lineare, la funzione viene quindi salvata nel repository di script e ai dati viene assegnato un punteggio in parallelo utilizzando i motori R generati dall'ambiente Oracle Autonomous Database. Il notebook illustra inoltre come chiamare questi script utilizzando l'interfaccia SQL e l'API REST per R con esecuzione R incorporata.

    Nota

    Per utilizzare l'API SQL per l'esecuzione R incorporata, è necessario che una funzione R definita dall'utente risieda nel repository di script OML4R e che per ottenere un token di autenticazione siano forniti un account cloud Oracle Machine Learning (OML).
  • OML4R Support Vector Machine (SVM) per il rilevamento delle anomalie: utilizzare questo notebook per creare un modello SVM di una sola classe, quindi utilizzarlo per contrassegnare record insoliti o sospetti.
  • OML4R Regole di associazione Apriori: utilizzare questo blocco note per creare modelli di regole di associazione utilizzando l'algoritmo A Priori con i dati dello schema SH (SH.SALES). Tutti i calcoli si verificano all'interno di Oracle Autonomous Database.
  • OML4R Lunghezza minima descrizione importanza attributo (MDL): utilizzare questo blocco note per calcolare l'importanza dell'attributo, che utilizza l'algoritmo Lunghezza minima descrizione, sui dati dello schema SH. Tutte le funzionalità vengono eseguite all'interno di Oracle Autonomous Database. Oracle Machine Learning supporta l'importanza degli attributi per identificare fattori chiave quali attributi, predittori, variabili che hanno la maggiore influenza su un attributo di destinazione.
  • OML4R Modello lineare generalizzato classificazione (GLM): utilizzare questo blocco note per prevedere che i clienti con maggiori probabilità siano rispondenti positivi a un programma fedeltà Affinity Card. Questo notebook crea e applica un modello lineare generalizzato di classificazione utilizzando i dati dello schema SH (Sales History). Tutta l'elaborazione avviene all'interno di Oracle Autonomous Database.
  • OML4R Classificazione Naive Bayes (NB): utilizzare questo blocco appunti per prevedere le probabilità che i clienti rispondano positivamente a un programma fedeltà Affinity Card. Questo blocco note crea e applica un modello ad albero delle decisioni di classificazione utilizzando i dati dello schema Cronologia vendite (SH). Tutta l'elaborazione avviene all'interno di Oracle Autonomous Database.
  • OML4R Classificazione Random Forest (RF): utilizzare questo blocco note per utilizzare l'algoritmo Random Forest per la classificazione in OML4R e prevedere che i clienti siano più propensi a rispondere positivamente a un programma fedeltà Affinity Card.
  • OML4R Modellazione della classificazione per prevedere i clienti target utilizzando Support Vector Machine (SVM): utilizzare questo notebook per utilizzare la modellazione della classificazione per prevedere i clienti target utilizzando il modello Support Vector Machine.
  • OML4R Clustering - Identificazione dei segmenti cliente mediante il cluster di massimizzazione delle aspettative: utilizzare questo blocco note per comprendere come identificare i cluster naturali di clienti utilizzando il set di dati CLIENTI dello schema SH utilizzando l'algoritmo EM (Expectation Maximization) di apprendimento non supervisionato. L'esplorazione, la preparazione e il machine learning dei dati vengono eseguiti all'interno di Oracle Autonomous Database.
  • OML4R Clustering - Identificazione dei segmenti cliente mediante la configurazione cluster K-Means: utilizzare questo blocco note per comprendere come identificare i cluster naturali di clienti utilizzando il set di dati CUSTOMERS dallo schema SH utilizzando l'algoritmo K-Means (KM) di apprendimento non supervisionato. L'esplorazione, la preparazione e il machine learning dei dati vengono eseguiti all'interno di Oracle Autonomous Database.
  • OML4R Clustering - Orthogonal Partitioning Clustering (OC): utilizzare questo blocco note per comprendere come identificare i cluster naturali di clienti utilizzando il set di dati CLIENTI dello schema SH utilizzando l'algoritmo k-Means di apprendimento non supervisionato. L'esplorazione, la preparazione e il machine learning dei dati vengono eseguiti all'interno di Oracle Autonomous Database.
  • OML4R Valore anomalo pulizia dati: utilizzare questo blocco note per comprendere ed escludere i record con valori anomali utilizzando OML4R.
  • OML4R Pulizia dati - Ricodifica valori sinonimi: utilizzare questo blocco note per codificare il valore sinonimo utilizzando OML4R.
  • OML4R Creazione set di dati: utilizzare questo notebook per caricare i data set di esempio MTCARS e IRIS e per importarli nell'istanza di Oracle Autonomous Database utilizzando la funzione ore.create().

Nota

I seguenti blocchi appunti modello di esempio con il prefisso asterisco (*), utilizzano il set di dati CUSTOMER_INSURANCE_LTV. Questo data set viene generato dal notebook OML Run-me-first. È pertanto necessario eseguire il blocco appunti OML Run-me-first disponibile nei modelli di esempio.
  • * OML4R Dati mancanti di pulizia dei dati: utilizzare questo blocco note per eseguire la sostituzione dei valori mancanti utilizzando OML4R.
  • * OML4R Rimozione duplicati pulizia dati: utilizzare questo blocco note per rimuovere i record duplicati utilizzando OML4R.
  • * Binning di trasformazione dati OML4R: utilizzare questo blocco note per raggruppare le colonne numeriche mediante OML4R.
  • * OML4R Data Transformation Categorical Record: utilizzare questo blocco note per ricodificare una variabile stringa categorica in una variabile numerica e ricodificare da stringa a stringa utilizzando OML4R.
  • * OML4R Trasformazione dei dati: normalizzazione e ridimensionamento: utilizzare questo blocco note per normalizzare e ridimensionare i dati utilizzando OML4R.
  • * OML4R Trasformazione dei dati: codifica a caldo: utilizzare questo notebook per eseguire la codifica a caldo utilizzando OML4R.
  • * OML4R Selezione funzione - Algoritmo supervisionato: utilizzare questo blocco note per eseguire la selezione delle funzioni utilizzando algoritmi supervisionati nel database utilizzando OML4R. Questo notebook mostra come creare un modello Random Forest per prevedere se il cliente acquisterà o meno un'assicurazione e quindi utilizzare l'importanza delle funzioni per eseguire la selezione delle funzioni.
  • * OML4R Selezione delle funzioni mediante le statistiche di riepilogo: utilizzare questo blocco note per eseguire la selezione delle funzioni utilizzando le statistiche di riepilogo mediante OML4R. Questo blocco appunti illustra come utilizzare OML4R per selezionare le funzioni in base al numero di valori distinti, ai valori nulli e alla proporzione di valori costanti.
  • OML4R Aggregazione tecnica funzioni: utilizzare questo blocco note per eseguire l'aggregazione per min, max, media e conteggio utilizzando OML4R. Questo modello utilizza la tabella SALES presente nello schema SH e mostra come creare funzioni aggregando l'importo venduto per ogni coppia di clienti e prodotti.
  • OML4R Modello wiki ESA (Feature Extraction Explicit Semantic Analysis): questo blocco note utilizza come esempio il modello Wikipedia. Utilizzare questo blocco appunti per utilizzare la funzione Oracle Machine Learning for R ore.odmESA per estrarre le funzioni basate su testo da un insieme di documenti ed eseguire confronti di somiglianza dei documenti. Tutta l'elaborazione avviene all'interno di Oracle Autonomous Database.

    Nota

    Per eseguire questo notebook, è necessario installare il modello Wikipedia predefinito nell'istanza di Autonomous Database.
  • OML4R Tipi di dati data trasformazione dati: utilizzare questo blocco note per eseguire varie operazioni sui dati di data e ora utilizzando gli oggetti proxy delle tabelle di database utilizzando Oracle Machine Learning for R.
  • OML4R Scomposizione valore singolare estrazione funzione (SVD): utilizzare questo notebook per utilizzare SVD nel database per l'estrazione delle funzioni. Questo blocco note utilizza la funzione ore.odmSVD di Oracle Machine Learning for R per creare un modello che utilizza l'algoritmo SVD (Singular Value Decomposition) per l'estrazione delle funzioni.
  • OML4R Partitioned Model Support Vector Machine (SVM): utilizzare questo notebook per creare un modello SVM e prevedere il numero di anni di residenza di un cliente, ma partizionato in base al sesso del cliente. Il modello viene quindi utilizzato per prevedere la destinazione, quindi prevedere la destinazione con i dettagli di previsione.
  • OML4R Modello lineare generalizzato regressione (GLM): utilizzare questo blocco note per capire come prevedere i valori numerici utilizzando la regressione multipla. Questo notebook utilizza l'algoritmo del modello lineare generato.
  • OML4R Rete neurale di regressione (NN): utilizzare questo blocco note per capire come prevedere i valori numerici utilizzando la regressione multipla. Questo notebook utilizza l'algoritmo della rete neurale.
  • OML4R Regression Support Vector Machine (SVM): utilizzare questo blocco note per capire come prevedere i valori numerici utilizzando la regressione multipla. Questo notebook utilizza l'algoritmo Support Vector Machine.
  • OML4R API REST: utilizzare questo blocco note per comprendere come utilizzare l'API REST OML4R per chiamare le funzioni R definite dall'utente e per elencare quelle disponibili nel repository degli script R.

    Nota

    Per eseguire uno script, deve risiedere nel repository degli script R. Per l'autenticazione è necessario fornire un nome utente e una password dell'account del servizio cloud Oracle Machine Learning.
  • OML4R Funzione statistica: utilizzare questo blocco note per comprendere e utilizzare varie funzioni statistiche. Il notebook utilizza i dati dello schema SH tramite il livello di trasparenza OML4R.
  • OML4R Text Mining Support Vector Machine (SVM): utilizzare questo blocco appunti per capire come utilizzare dati di testo non strutturati per creare modelli di apprendimento automatico, utilizzare Oracle Text, utilizzare funzioni predittive degli algoritmi del database Oracle Machine Learning ed estrarre funzioni dalle colonne di testo.

    Questo notebook crea un modello Support Vector Machine (SVM) per prevedere i clienti che hanno maggiori probabilità di essere rispondenti positivi a un programma fedeltà Affinity Card. I dati provengono da una colonna di testo contenente commenti generati dall'utente.

Modelli di esempio di Oracle Machine Learning for Python

È possibile creare i notebook Oracle Machine Learning in base a uno dei seguenti modelli di esempio di Oracle Machine Learning for Python:

Figura 10-3 Modelli di esempio di Oracle Machine Learning for Python

OML4Py Modelli di esempio
  • Il mio primo blocco appunti: utilizzare il blocco appunti Il mio primo blocco appunti per funzioni di apprendimento automatico di base, selezione dei dati e visualizzazione dei dati. Questo modello utilizza i dati dello schema SH.
  • OML4Py -0- Esercitazione: questo blocco appunti è il primo di una serie da 0 a 5 destinata a presentare la gamma di funzionalità OML4Py tramite brevi esempi.
  • OML4Py -1- Introduzione: questo blocco note fornisce una panoramica su come caricare la libreria OML, creare tabelle di database, utilizzare il livello di trasparenza, classificare gli attributi per il valore predittivo utilizzando l'algoritmo di importanza degli attributi nel database, creare modelli predittivi e assegnare un punteggio ai dati utilizzando questi modelli.
  • OML4Py -2- Selezione e manipolazione dei dati: utilizzare questo blocco note per imparare a utilizzare il livello di trasparenza che prevede la selezione e la manipolazione dei dati.
  • OML4Py -3- Datastore: utilizzare questo notebook per imparare a utilizzare i datastore, spostare gli oggetti tra un datastore e una sessione Python, gestire i privilegi del datastore, salvare gli oggetti modello e gli oggetti Python in un datastore, eliminare i datastore e così via.
  • OML4Py -4- Esecuzione di Python incorporato: utilizzare questo notebook per comprendere l'esecuzione di Python incorporato. In questo notebook viene creato direttamente un modello lineare in Python, quindi viene creata una funzione che utilizza i motori Python generati dall'ambiente Autonomous Database.
  • OML4Py -5- AutoML: utilizzare questo blocco note per comprendere il workflow AutoML in OML4Py. In questo notebook viene utilizzato il set di dati WINE di scikit-learn. In questo caso, AutoML viene utilizzato per la classificazione nella colonna target e per la regressione nella colonna alcohol.

Nota

I seguenti blocchi appunti modello di esempio con il prefisso asterisco (*), utilizzano il set di dati CUSTOMER_INSURANCE_LTV_PY. Questo data set contiene valori duplicati generati artificialmente dal notebook OML4SQL Noise. È pertanto necessario eseguire OML4SQL Noise prima di eseguire il notebook.
  • * Rimozione duplicati pulizia dati OML4Py: utilizzare questo blocco note per capire come rimuovere i record duplicati utilizzando OML4Py. Questo notebook utilizza il set di dati sul valore della vita utile dell'assicurazione cliente che contiene informazioni finanziarie, il valore della vita utile e l'eventuale acquisto dell'assicurazione da parte del cliente.
  • * OML4Py Pulizia dati mancanti: utilizzare questo blocco note per capire come inserire i valori mancanti utilizzando OML4Py. Questo notebook utilizza il set di dati sul valore della vita utile dell'assicurazione cliente che contiene informazioni finanziarie, il valore della vita utile e l'eventuale acquisto dell'assicurazione da parte del cliente.
  • * OML4Py Data Cleaning Recode Synonymous Values: Utilizzare questo blocco note per comprendere come ricodificare un valore sinonimo utilizzando OML4Py. Questo notebook utilizza il set di dati sul valore della vita utile dell'assicurazione cliente che contiene informazioni finanziarie, il valore della vita utile e l'eventuale acquisto dell'assicurazione da parte del cliente.
  • OML4Py Rimozione dei valori erratici di pulizia dei dati: utilizzare questo blocco note per capire come pulire i dati per rimuovere i valori erratici. Questo blocco note utilizza il set di dati CUSTOMER_INSURANCE_LTV che contiene informazioni finanziarie del cliente, il valore della vita utile e l'eventuale acquisto dell'assicurazione da parte del cliente. Nel set di dati CUSTOMER_INSURANCE_LTV, l'attenzione si concentra sui valori numerici e sulla rimozione dei record con valori nella parte superiore e inferiore del 5%.
  • OML4Py Binning di trasformazione dati: utilizzare questo blocco note per comprendere come raggruppare una colonna numerica e visualizzare la distribuzione.
  • OML4Py Trasformazione dei dati in categorie - Converti variabili di categoria in variabili numeriche: utilizzare questo blocco note per capire come convertire le variabili di categoria in variabili numeriche utilizzando OML4Py. I notebook mostrano come convertire una variabile categorica con ogni livello/valore distinto codificato in un tipo di dati intero.
  • OML4Py Normalizzazione e ridimensionamento della trasformazione dei dati: utilizzare questo notebook per capire come normalizzare e ridimensionare i dati utilizzando lo z-score (deviazione media e standard), il ridimensionamento minimo massimo e il ridimensionamento dei log.

    Nota

    Quando si crea o si applica un modello utilizzando algoritmi Oracle Machine Learning nel database, la preparazione automatica dei dati normalizzerà automaticamente i dati in base alle esigenze, mediante algoritmi specifici.
  • OML4Py Trasformazione dati - Codifica a caldo: utilizzare questo notebook per capire come eseguire una codifica a caldo utilizzando OML4Py. Gli algoritmi di machine learning non possono funzionare direttamente con i dati categorici. I dati di categoria devono essere convertiti in numeri. Questo notebook utilizza il set di dati sul valore della vita utile dell'assicurazione cliente che contiene informazioni finanziarie, il valore della vita utile e l'eventuale acquisto dell'assicurazione da parte del cliente.

    Nota

    Se si prevede di utilizzare gli algoritmi nel database, viene applicata automaticamente una codifica a caldo per gli algoritmi che la richiedono. Gli algoritmi in-databae esplodono automaticamente le colonne categoriche e si adattano al modello sui dati preparati internamente.
  • OML4Py Rilevamento anomalie: utilizzare questo blocco note per rilevare record, clienti o transazioni anomali nei dati. Questo modello utilizza l'algoritmo di apprendimento non supervisionato Support Vector Machine di classe 1. Il modello di notebook crea un modello Support Vector Machine (SVM) di 1 classe.
  • OML4Py Regole di associazione: utilizzare questo blocco note per l'analisi di market basket dei dati o per rilevare elementi, errori o eventi concomitanti nei dati. Questo modello utilizza il modello regole di associazione apriori utilizzando i dati dello schema SH (SH.SALES).
  • OML4Py Importanza attributo: utilizzare questo blocco note per identificare gli attributi chiave che hanno la massima influenza sull'attributo di destinazione. L'attributo di destinazione nei dati di build di un modello supervisionato è l'attributo che si desidera prevedere. Il modello crea un modello Importanza attributo utilizzando i dati dello schema SH.
  • OML4Py Classificazione: utilizzare questo blocco note per prevedere il comportamento del cliente e previsioni simili. Il modello crea e applica l'algoritmo di classificazione Albero decisionale per creare un modello di classificazione basato sulle relazioni tra i valori di previsione e i valori di destinazione. Il modello utilizza i dati dello schema SH.
  • OML4Py Configurazione cluster: utilizzare questo blocco note per identificare i cluster naturali nei dati. Il modello blocco note utilizza l'algoritmo di apprendimento k-Means non supervisionato nei dati dello schema SH .
  • OML4Py Trasformazione dati: utilizzare questo blocco note per convertire le variabili di categoria in variabili numeriche utilizzando OML4Py. Questo modello mostra come convertire una variabile categorica con ogni livello/valore distinto codificato in un tipo di dati intero.
  • OML4Py Creazione set di dati: utilizzare questo blocco note per creare un set di dati dal package sklearn al frame di dati OML utilizzando OML4Py.
  • OML4Py Aggregazione tecnica funzioni: utilizzare questo modello blocco note per inserire i valori mancanti utilizzando OML4Py. Questo blocco note utilizza la tabella VENDITE dello schema SH, che contiene i record transazione per ogni cliente e prodotto acquistato. Le funzioni vengono create aggregando l'importo venduto per ogni coppia di clienti e prodotti.
  • OML4Py Selezione funzione basata su algoritmi supervisionati: utilizzare questo blocco note per eseguire la selezione delle funzioni utilizzando algoritmi supervisionati nel database utilizzando OML4Py.
  • OML4Py Statistiche di riepilogo della selezione delle funzioni: utilizzare questo modello di blocco note per eseguire la selezione delle funzioni utilizzando le statistiche di riepilogo mediante OML4Py. Il blocco appunti mostra come utilizzare OML4Py per selezionare le funzioni in base al numero di valori distinti, ai valori nulli e alla proporzione di valori costanti. Il data set utilizzato in CUSTOMER_INSURANCE_LTV_PY contiene valori nulli generati artificialmente dal notebook OML4SQL Noise. È necessario eseguire prima il notebook OML4SQL Noise prima di eseguire il notebook OML4Py Feature Selection Summary Statistics.
  • OML4Py Modello partizionato: utilizzare questo notebook per creare modelli partizionati. Questo notebook crea un modello SVM per prevedere il numero di anni di residenza di un cliente presso la propria residenza, ma partizionato in base al sesso del cliente. Utilizza il modello per prevedere la destinazione, quindi prevede la destinazione con i dettagli di previsione.

    Oracle Machine Learning consente la creazione automatica di un modello di ensemble composto da più modelli secondari, uno per ogni partizione di dati. I modelli secondari esistono e vengono utilizzati come un unico modello, il che si traduce in un punteggio semplificato che utilizza solo il modello di livello superiore. Il modello secondario appropriato viene scelto dal sistema in base ai valori di partizione nella riga di dati a cui assegnare un punteggio. I modelli partizionati ottengono una precisione potenzialmente migliore attraverso più modelli mirati.

  • OMP4Py API REST: utilizzare questo notebook per richiamare l'esecuzione Python incorporata. OML4Py contiene un'interfaccia API REST per eseguire funzioni Python definite dall'utente salvate nel repository degli script. L'API REST viene utilizzata quando la separazione tra il client e il database server è vantaggiosa. Utilizza l'API REST OML4Py per creare, addestrare, distribuire e gestire script.

    Nota

    Per eseguire uno script, deve risiedere nel repository di script OML4Py. Per l'autenticazione è necessario fornire un nome utente e una password dell'account del servizio cloud Oracle Machine Learning.
  • OML4Py Modellazione regressione per prevedere i valori numerici: utilizzare questo blocco note per prevedere i valori numerici utilizzando più regressioni.
  • OML4Py Funzioni statistiche: utilizzare questo blocco note per utilizzare varie funzioni statistiche. Le funzioni statistiche utilizzano i dati dello schema SH fino al livello di trasparenza OML4Py.
  • OML4Py Text Mining: utilizzare questo blocco appunti per creare modelli utilizzando la funzionalità di text mining in Oracle Machine Learning.

    In questo notebook, un modello SVM è progettato per prevedere che i clienti siano più propensi a rispondere positivamente a un programma fedeltà Affinity Card. I dati vengono forniti con una colonna di testo contenente commenti generati dall'utente. Con alcune specifiche aggiuntive, l'algoritmo utilizza automaticamente la colonna di testo e crea il modello sia sui dati strutturati che sul testo non strutturato.

Modelli di esempio di Oracle Machine Learning for SQL

È possibile creare i notebook Oracle Machine Learning in base a uno dei seguenti modelli di esempio di Oracle Machine Learning for SQL:

Figura 10-4 Modelli di esempio di Oracle Machine Learning for SQL

OML4SQL Modelli di esempio
  • OML4SQL Rilevamento anomalie: utilizzare questo notebook per rilevare occorrenze insolite o rare. Oracle Machine Learning supporta il rilevamento delle anomalie per identificare record rari o insoliti (clienti, transazioni e così via) nei dati utilizzando l'algoritmo di apprendimento semi-supervisionato One-Class Support Vector Machine. Questo notebook crea un modello 1Class-SVM e lo utilizza per contrassegnare record insoliti o sospetti. L'intera metodologia di Machine Learning viene eseguita all'interno di Oracle Autonomous Database.
  • OML4SQL Regole di associazione: utilizzare questo blocco note per applicare la tecnica di apprendimento automatico delle regole di associazione, nota anche come Analisi paniere di mercato, per individuare elementi concomitanti, stati che causano errori o eventi non ovvi. Questo notebook crea modelli di regole di associazione utilizzando l'algoritmo A Priori con i dati SH.SALES dello schema SH. Tutti i calcoli si verificano all'interno di Oracle Autonomous Database.
  • OML4SQL Importanza attributo - Identifica fattori chiave: utilizzare questo blocco note per identificare i fattori chiave, noti anche come attributi, predittori, variabili che hanno la maggiore influenza su un attributo di destinazione. Questo notebook crea un modello di importanza degli attributi che utilizza l'algoritmo Lunghezza minima descrizione utilizzando i dati dello schema SH. Tutte le funzionalità vengono eseguite all'interno di Oracle Autonomous Database.
  • OML4SQL Classificazione - Previsione dei clienti target: utilizzare questo blocco note per prevedere i clienti che hanno maggiori probabilità di essere rispondenti positivi a un programma fedeltà Affinity Card. Questo notebook crea e applica i modelli di struttura delle decisioni di classificazione utilizzando i dati dello schema SH. Tutta l'elaborazione avviene all'interno di Oracle Autonomous Database.
  • OML4SQL Configurazione cluster - Identificazione segmenti clienti: utilizzare questo blocco note per identificare i cluster naturali di clienti. Oracle Machine Learning supporta il clustering utilizzando diversi algoritmi, tra cui k-Means, O-Cluster e Expectation Maximization. Questo blocco note utilizza il set di dati CLIENTI dello schema SH utilizzando l'algoritmo k-Means di apprendimento non supervisionato. L'esplorazione, la preparazione e il machine learning dei dati vengono eseguiti all'interno di Oracle Autonomous Database.
  • OML4SQL Pulizia dati - Rimozione di duplicati: utilizzare questo blocco note per rimuovere i record duplicati utilizzando Oracle SQL. Il notebook utilizza il set di dati sul valore della vita utile dell'assicurazione cliente che contiene le informazioni finanziarie del cliente, il valore della vita utile e l'eventuale acquisto dell'assicurazione da parte del cliente. Il set di dati CUSTOMER_INSURANCE_LTV_SQL contiene valori duplicati generati dal notebook OML4SQL Noise.

    Nota

    È necessario eseguire prima il notebook OML4SQL Noise prima di eseguire il notebook OML4SQL Data Cleaning.
  • OML4SQL Pulizia dati - Dati mancanti: utilizzare questo modello per sostituire i valori mancanti utilizzando Oracle SQL e il pacchetto DBMS_DATA_MINING_TRANSFORM. Valori mancanti nel set di dati CUSTOMER_INSURANCE_LTV_SQL generati artificialmente dal notebook OML4SQL Noise. È necessario eseguire prima il notebook OML4SQL Noise prima di eseguire il notebook OML4SQL Data Cleaning.

    Nota

    Quando si crea o si applica un modello utilizzando algoritmi Oracle Machine Learning nel database, questa operazione potrebbe non essere necessaria separatamente se è abilitata la preparazione automatica dei dati. La preparazione automatica dei dati sostituisce automaticamente i valori mancanti degli attributi numerici con i valori medi e mancanti degli attributi di categoria con la modalità.
  • OML4SQL Rimozione dei valori erratici di pulizia dei dati: utilizzare questo blocco note per rimuovere i valori erratici utilizzando Oracle SQL e il pacchetto DBMS_DATA_MINING_TRANSFORM. Il notebook utilizza il set di dati sul valore della vita utile dell'assicurazione cliente, che contiene le informazioni finanziarie del cliente, il valore della vita utile e l'eventuale acquisto dell'assicurazione da parte del cliente. Nel set di dati CUSTOMER_INSURANCE_LTV, l'operazione si concentra sui valori numerici e rimuove i record con valori nella parte superiore e inferiore del 5%.
  • OML4SQL Valori sinonimi della codifica della pulizia dei dati: utilizzare questo blocco note per codificare il valore sinonimo di una colonna utilizzando Oracle SQL. Il notebook utilizza il set di dati sul valore della vita utile dell'assicurazione cliente, che contiene le informazioni finanziarie del cliente, il valore della vita utile e l'eventuale acquisto dell'assicurazione da parte del cliente. Il set di dati CUSTOMER_INSURANCE_LTV_SQL contiene valori ricodificati generati dal notebook OML4SQL Noise. È necessario eseguire prima il notebook OML4SQL Noise prima di eseguire il notebook OML4SQL Data Cleaning - Recode Synonymous Values.
  • OML4SQL Binning di trasformazione dati: utilizzare questo blocco note per raggruppare le colonne numeriche mediante Oracle SQL e il package DBMS_DATA_MINING_TRANSFORM. Questo blocco appunti mostra come raggruppare una colonna numerica e visualizzare la distribuzione.
  • OML4SQL Trasformazione dei dati in categorie: utilizzare questo blocco note per convertire una variabile categorica in una variabile numerica utilizzando Oracle SQL. Il blocco appunti mostra come convertire una variabile categorica con ogni livello/valore distinto codificato in un numero intero e come creare una variabile indicatore basata su un predicato semplice.
  • OML4SQL Normalizzazione e scalabilità della trasformazione dei dati: utilizzare questo notebook per normalizzare e ridimensionare i dati utilizzando Oracle SQL e il package DBMS_DATA_MINING_TRANSFORM. Il notebook mostra come normalizzare i dati utilizzando il punteggio z (deviazione media e standard), il ridimensionamento minimo massimo e il ridimensionamento dei log. Quando si crea o si applica un modello utilizzando algoritmi Oracle Machine Learning nel database, la preparazione automatica dei dati normalizza automaticamente i dati, in base alle esigenze, mediante algoritmi specifici.
  • OML4SQL Riduzione dimensionalità - Fattorizzazione matrice non negativa: utilizzare questo blocco note per eseguire la riduzione della dimensionalità utilizzando l'algoritmo di fattorizzazione della matrice non negativa nel database. Questo blocco appunti mostra come convertire una tabella con molte colonne in un set di funzioni ridotto. La fattorizzazione della matrice non negativa produce coefficienti non negativi.
  • OML4SQL Riduzione dimensionalità - Decomposizione valore singolare: utilizzare questo blocco note per eseguire la riduzione della dimensionalità utilizzando l'algoritmo SVD (Singular Value Decomposition) nel database.
  • OML4SQL: Esportazione dei modelli serializzati: utilizzare questo blocco note per esportare i modelli serializzati nello storage degli oggetti Oracle Cloud. Questo blocco note crea modelli di regressione e classificazione Oracle Machine Learning ed esporta i modelli in formato serializzato in modo che possano essere valutati utilizzando l'API REST dei servizi Oracle Machine Learning (OML). I servizi OML forniscono endpoint API REST ospitati su Oracle Autonomous Database. Questi endpoint consentono di memorizzare i modelli di Oracle Machine Learning insieme ai relativi metadati e di creare endpoint di punteggio per il modello. L'API REST per i servizi OML supporta sia i modelli Oracle Machine Learning che i modelli in formato ONNX e abilita la funzionalità di testo cognitivo.
  • OML4SQL Aggregazione e ora progettazione funzioni: utilizzare questo blocco note per generare funzioni aggregate ed estrarre le funzioni di data e ora utilizzando Oracle SQL. Il blocco appunti mostra inoltre come estrarre le funzioni di data e ora dal campo TIME_ID.
  • OML4SQL Basato su algoritmi di selezione delle funzioni: utilizzare questo blocco note per eseguire la selezione delle funzioni utilizzando algoritmi supervisionati nel database. Il notebook crea prima un modello di foresta casuale per prevedere se il cliente acquisterà un'assicurazione, quindi utilizza i valori di importanza delle funzioni per la selezione delle funzioni. Quindi crea un modello di albero delle decisioni per lo stesso task di classificazione e ottiene nodi divisi. Per i nodi di divisione superiori con il supporto più elevato, vengono selezionate le funzioni associate a tali nodi.
  • OML4SQL Importanza attributo non supervisionato selezione funzione: utilizzare questo blocco note per eseguire la selezione delle funzioni utilizzando l'algoritmo EM (Expectation Maximization) non supervisionato nel database. Questo blocco appunti illustra l'utilizzo della funzione CREATE_MODEL, che utilizza la tabella delle impostazioni in contrasto con la funzione CREATE_MODEL2 utilizzata in altri blocchi appunti.
  • OML4SQL Selezione funzione mediante statistiche di riepilogo: utilizzare questo blocco note per eseguire la selezione delle funzioni utilizzando le statistiche di riepilogo mediante Oracle SQL. Il set di dati CUSTOMER_INSURANCE_LTV_SQL contiene valori nulli generati artificialmente dal notebook OML4SQL Noise. Prima di eseguire la selezione delle funzioni OML4SQL utilizzando le statistiche di riepilogo, è necessario eseguire il notebook OML4SQL Noise.
  • OML4SQL Rumore: utilizzare questo blocco note per sostituire i valori normali con valori nulli e per aggiungere righe duplicate. In questo blocco appunti viene preparato il set di dati utilizzato dai blocchi appunti Preparazione dati, in particolare quelli per la pulizia dei dati e la selezione delle funzioni. Utilizza il set di dati del valore vita utile dell'assicurazione cliente che contiene informazioni finanziarie del cliente, il valore vita utile e l'eventuale acquisto dell'assicurazione da parte del cliente.

    Nota

    Eseguire il notebook OML4SQL Rumore prima dei notebook Preparazione dati.
  • OML4SQL Modello partizionato: utilizzare questo notebook per creare modelli partizionati. I modelli partizionati ottengono una precisione potenzialmente migliore attraverso più modelli mirati. Il notebook crea un modello SVM per prevedere il numero di anni di residenza di un cliente presso la propria residenza, ma partizionato in base al sesso del cliente. Il modello viene quindi utilizzato per prevedere prima la destinazione e quindi per prevedere la destinazione con i dettagli di previsione.
  • OML4SQL Estrazione del testo: utilizzare questo blocco note per creare modelli utilizzando la funzionalità di estrazione del testo. Oracle Machine Learning gestisce sia i dati strutturati che i dati di testo non strutturati. Grazie a Oracle Text, gli algoritmi di Oracle Machine Learning nel database estraggono automaticamente le funzioni predittive dalla colonna di testo.

    Questo notebook crea un modello SVM per prevedere che i clienti siano più propensi a rispondere positivamente a un programma fedeltà Affinity Card. I dati vengono forniti con una colonna di testo contenente commenti generati dall'utente. Con alcune specifiche aggiuntive, l'algoritmo utilizza automaticamente la colonna di testo e crea il modello sia sui dati strutturati che sul testo non strutturato.

  • OML4SQL Regressione: utilizzare questo blocco note per prevedere i valori numerici. Questo modello utilizza più algoritmi di regressione, ad esempio i modelli lineari generalizzati (GLM).
  • OML4SQL Funzione statistica: utilizzare questo blocco note per funzioni statistiche descrittive e comparative. Il modello di blocco note utilizza i dati dello schema SH.
  • OML4SQL Serie temporale: utilizzare questo blocco note per creare modelli di serie temporale sui dati di serie temporale per la previsione. Questo notebook si basa sull'algoritmo di livellamento esponenziale. L'esempio di previsione vendite in questo blocco appunti si basa sui dati SH.SALES. Tutti i calcoli vengono eseguiti all'interno di Oracle Autonomous Database.

Argomento padre: utilizzare i modelli di esempio