データベースで始める機械学習

Copyright © 2018, Oracle and/or its affiliates. All rights reserved. |
データベースで始める機械学習
Oracle Database Connect 2018
2018年4月20日
日本オラクル株式会社
コンサルティングサービス事業統括
クラウド・テクノロジーコンサルティング事業本部
玉越敬典

Copyright © 2018, Oracle and/or its affiliates. All rights reserved. | 22
以下の事項は、弊社の一般的な製品の方向性に関する概要を説明するものです。
また、情報提供を唯一の目的とするものであり、いかなる契約にも組み込むことは
できません。以下の事項は、マテリアルやコード、機能を提供することを
コミットメント（確約）するものではないため、購買決定を行う際の判断材料に
なさらないで下さい。オラクル製品に関して記載されている機能の開発、リリース
および時期については、弊社の裁量により決定されます。
OracleとJavaは、Oracle Corporation 及びその子会社、関連会社の米国及びその他の国における登録商標です。
文中の社名、商品名等は各社の商標または登録商標である場合があります。

• 機械学習の基本（実施フロー、主要アルゴリズム）を理解する
• Oracle Database で機械学習をやることへの興味を持つ
TODAY’S GOAL:

Program Agenda
機械学習の基本
Oracle Data Miner で始める機械学習
まとめ
1
2
3

1. 機械学習の基本

Oracle Autonomous Database
Autonomous
Database
自動稼働自動保護自動修復
“この自律型データベース・クラウドは、
適応型機械学習を組み込み、人の介入を必要としない
自動稼動、自動チューニング、自動修復、
自動スケーリングおよび自動保護管理を提供する”
(引用) https://www.oracle.com/jp/database/autonomous-
database/index.html)

機械学習の歴史
（出典）株式会社野村総合研究所「ICTの進化が雇用と働き方に及ぼす影響に関する調査研究」（平成28年）
http://www.soumu.go.jp/johotsusintokei/linkdata/h28_03_houkoku.pdf 図表 2-1-1-5
コンピュータの演算能力
不足による衰退
Input 情報の形式変換
不足による衰退
機械学習の原始的な
アルゴリズム

機械学習の歴史: 機械学習の位置づけ
人工知能 (AI) を実現するための
一つのアプローチとして機械学習
が研究され始め、現在に至る
最近では、機械学習の発展とて、
深層学習が注目されている

なぜ今、機械学習？
① 技術の進歩
ハードの進歩
• 高速・高性能なコンピューターが安価に入手可能
• 実質的に無限のストレージの登場
ソフトの進歩
• カーネル法 / アンサンブル学習 / ベイズモデル /
転移学習 / 半教師あり学習等の学習方法の発展
（出典）NTTデータ「ICT新事業創出推進会議」(第3回) イノベーション創出に向けて
http://www.soumu.go.jp/main_content/000277812.pdf スライド5
(bps) (Byte) (Hz)
1P
10T
100G
1G
10M
10P
100T
1T
10G
100M
100G
10G
1G
100M
10M
2000年 2005年 2010年
CPU
ストレージ
ネットワーク
ISDN(64kbps)
ADSL(1.5Mbps)
FTTH(100Mbps) ADSL(24Mbps)
FTTH(200Mbps)
FTTH(1Gbps)
FTTH(1Gbps)
2.1GB
12GB
160GB
1TB 1.5TB 2TB
3TB
4TB
6TB
233MHz
1.4GHz
3.2GHz
4.4GHz
(相当）
9.0GHz
(相当）
13GHz
(相当）
18GHz
(相当）
24.3GHz
(相当）

② 学習材料となるデータの増大
（出典）株式会社情報通信総合研究所「ビッグデータの流通量の推計及びビッグデータの活用実態に関する調査研究」（平成27年）
http://www.soumu.go.jp/johotsusintokei/linkdata/h27_03_houkoku.pdf 図表２－５
1,556,5892,004,730
2,614,878
3,477,480
4,076,772
4,913,064
6,050,339
8,020,140
10,804,988
14,524,752
0
2,000,000
4,000,000
6,000,000
8,000,000
10,000,000
12,000,000
14,000,000
16,000,000
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
(見込み)
9年間で
約9.3倍
(TB)
(年)

ROI
50%20%
50%
70%
20%
100%
100%
全体の何割にアプローチするか
ターゲット層へヒットする割合
機械学習を使用
顧客をランダム
で選択
商品のターゲット顧客抽出
ランダム
機械学習
③ ビジネスへの有効性

機械学習ユースケース
クレジットカード不正検知顧客セグメンテーション

機械学習とは
“Machine Learning: field of study that gives computers the ability to learn
without being explicitly programmed” -- Arthur Samuel, 1959
“機械学習: コンピュータに明示的にプログラムされていなくても学習する能力
を与える研究分野”

機械学習とは - 具体例
顧客データ（性別や購入履歴等）から、その顧客が
優良顧客になりうるかを自動判別したい
顧客
ID
性別年齢職業前月請求額優良顧客
101 男性 31 会社員 10,000円 NO
102 女性 28 主婦 5,000円 YES
103 女性 36 主婦 200円 NO
104 男性 43 会社員 3,000円 NO
105 女性 22 会社員 7,000円 YES
過去顧客データ (学習データ)
ルール:
IF (前月請求額 >= 5000 AND 性別 = “女性”)
THEN
優良顧客 = YES
確率 = 0.77
先月請求額
< 5000 円 >= 5000 円
性別
男性女性
優良顧客 = YES
優良顧客 = NO
優良顧客 = NO
101 男性 31 会社員 10,000円 NO
102 女性 28 主婦 5,000円 YES
新規顧客データ (未知データ)

ルールベースモデルと機械学習モデル
問題: 「顧客データ（性別や購入履歴等）から、その顧客が
優良顧客になりうるかを自動判別したい」
学習データモデル出力結果
この顧客は
優良顧客になりうるか否か
機械学習モデルをどのように作成するのか？

ルールベースモデルの場合
if “性別”=“男”
and “居住地域”=“xx”
then “aaa”
else if
then “bbb”
else if
then “ccc”
else
then “ddd”
......
...........
データ
データを見て人がこれまでの知見などから
ルールを作成する
未知データ
予測結果
ルールベースモデル

機械学習モデルの場合
アルゴリズム
・ SVM
・決定木
・相関ルール
...etc
選択されたアルゴリズム + データによって
機械学習モデル(if-thenロジックなど)が
自動生成される
未知データ
学習データアルゴリズム
人は、最適と思われる
アルゴリズムを選択する
予測結果
機械学習モデル

機械学習の利点
機械学習の利点
– 高精度
• 大量のデータに対して人間では見つけることが非常に難しい規則や相関性を
アルゴリズムによって発見することが可能
– ルールベースと比較して、メンテナンス性が高い
• 機械学習モデル自体のロジックは記述する必要性がないため、
if文等の条件分岐が多数記述されたルールベースモデルに比べて
メンテンナンス性が非常に高い
– 高スペックマシンがあれば、高速処理可能

一般的な機械学習プロジェクトの流れ (CRISP-DM)
CRISP-DM: データ分析プロジェクトのプロセスモデル
(CRoss-Industry Standard Process for Data Miningの略)
機械学習プロジェクトでは、
WaterFall 型のアプローチは
実質不可能

①ビジネスの理解: データ分析におけるビジネス視点の必須作業
① ビジネス上のゴールの
決定
② 解くべき問題の分析
③ データ分析の上の
ゴールの決定
④ 状況の評価
プロジェクトの策定
•ビジネスの目的を決定する
•ビジネスの成果指標(KPI)を決定する
•解くべき問題を細分化し、どのような
ワークフローで問題を解くことが可能かを
分析する
•プロジェクトのゴールは何か(Output)を
決定する
•社内/社外リソース（人員、マシン）
•制約条件、リスク、コンティンジェンシー

②データの理解: 分析対象、及び分析で使用するデータの性質を
調査・確認すること
• 知りたいことに対するターゲット（正解）データが存在するかどうか
– 例）顧客が「新規に保険を買うかどうか」を知りたい
⇒ CUSTOMERS 表に保険を購入したかどうかを示す
BUY_INSURANCE 列が存在している
アルゴリズム選択時に重要なポイントとなる
• データの形式がどうなっているか
– 出現分布
– 平均、最大、最小
– 値の種類･･･ etc
欠損値が多い項目の排除やデータ正規化等の
前処理をどのように行うか検討する際の参考となる

③データの準備: データ分析の対象となるデータを分析可能な形に変換すること
0歳
1歳
･･･
34歳
35歳
35
種類
0～13歳子供
14～19歳 10代
20～24歳青年
25～35歳社会人
4
種類
ビニング（離散化）
正規化
一定の範囲でグループ化しデータの個別値を減らす
値の範囲を特定の値に収まるように調整し
桁数や単位の違いの差による影響を減らす
身長（cm）視力
153 0.8
167 0.7
身長視力
0.96 1.06
1.04 0.93
平均で
割る
欠損値補完
ID 身長体重座高
1 153 58 85
2 155 86
3 148 46 79
ID 身長体重座高
1 153 58 85
2 155 52 86
3 148 46 79
外れ値の処理
外れ値として
除外
列内の他の値から
大幅に外れている
値の影響を減らす
存在しない値を
もっともらしい値で
補完する
★ 機械学習プロジェクトで通常、最も工数と時間のかかるプロセス

④モデリング: 予測を行うモデルを構築・学習させること
① アルゴリズムの選択
② モデルの学習
③ モデルのチューニング
•準備したデータやプロジェクトの目的に合った
学習アルゴリズム(決定木、クラスタリングなど)
を選択する
•事前に決めなければならない設定値
（分割するクラスタ数など）を決め機械学習モデルを
学習させる
•機械学習モデルの精度や演算速度を高めるために、
機械学習モデルの設定値を変更し、再度学習させる
評価へ

教師あり学習
– 教師データをもとにルールを学習する
教師なし学習
– 教師データなしでルールを作る
顧客ID 年収
（万）
家族数
…
訪問回数優良顧客
1 1000 5 … 32 Yes
… … … … … ……
10001 650 1 … 4 No
10002 550 3 … 19 Yes
10003 400 2 … 99 Yes
10004 400 2 … 3 Yes or NO？
Q：新規顧客が優良顧客かどうか
New!
教師
データ
正解
データ
予測
対象
顧客
ID
年収
（万）
家族
数
…
1 1000 5 … 32 Yes
… … … … …
10001 250 1 … 4 No
10002 550 3 … 19 Yes
10003 300 2 … 99 Yes
• 機械学習は大きく分けて、教師あり学習と教師なし学習に分類される

• 学習アルゴリズムは以下のように大別できる
良性（１）
クラスタリング
分類回帰分析
相関分析異常検出
どこに属するかを予測する数字（連続値）を予測する
グループに分割する異常を検知する関係性が強いものを見つける
悪性（０）
患者A
年収
保
険
料
Q.発見された癌が
悪性かどうか
Q.年収から
保険料を
予測する
Q. 優等生を
見つける
Q.カードの
不正利用を
みつける
カード利用場所
通常の
使用範囲
Q.年収に一番影響するものは何か
部活の成績
成
績
教師あり学習
教師なし学習
凡例）

• 以下のようなチャート（あくまで一例）を使用してアルゴリズムを決定する
分類
結果がカテゴリ
分けできるか
データの中に
正解データがあるか
異常検出
相関関係
教師あり
学習
例1：顧客が常連になるか
知りたい場合の
「今ある顧客データに
常連フラグがあるかどうか」
例2：住宅価格を予測したい場合の
「今ある住宅データに
住宅価格が含まれるかどうか」
グループに分けたい
おかしなものを見つけたい
関係性の強いものを見つけたい
Yes
No
Yes
No
例：新規顧客対して
・「常連になり得る」「ならない」に分けるなら「分類」
・見込み利益を数字で予測するなら「回帰分析」
回帰分析
例：決定木、SVM
ナイーブベイズ
例：一般線形モデル
例：K-means
例：One-class SVM
例：Apriori
教師なし
学習

⑤評価: モデルがどの程度有用かを検証すること
① モデルの評価
② プロセスの見直し
③ 次のアクションを決定
• 機械学習モデルがどれほど優れているかを評価/測定する
• 1 の結果に関わらず、これまでの分析フェーズを見直し、
よりビジネス価値を上げるために改善できる点はないか
を確認する
•1, 2で検証・確認した結果を基に次に何をするのかを
決定する
次のアクションへ

• モデルの評価を行う場合、
一般的には「学習用データ」「テストデータ」に分割し、
学習データで作成したモデルをテストデータに適用、精度を評価する
– Oracle Data Minerでは内部的に「学習用データ：テスト用データ＝6：4」で分割し、
精度の表示まで行うため、特別な操作は不要
顧客
ID
年収
（万）
家族数
…
1 1000 5 … 32 YES
… … … … … …
12001 250 1 … 4 NO
12002 550 3 … 19 YES
12003 300 2 … 99 YES
… … … … … …
20004 400 2 … 3 NO
学習データ
テストデータ
アルゴリズムモデル
適用
精度評価

⑥デプロイメント: 作成した機械学習モデルを展開すること
① システムの組み込み
•機械学習モデルを実運用するためにシステムに組み込む
既存システムへの組み込み or REST API での提供
② モニタリング
•システムに組み込むだけで終わりではなく、機械学習モデルが
KPIを満たしうるものなのかを継続的に監視する
•改善の余地が見られた場合、前のフェーズに戻り、
機械学習モデルの精度を上げていく

機械学習の困難さ
必ずしも精度が出るとは限らない
データ分析における機械学習の向き不向き
技術的負債のたまりやすさ
プロジェクト観点個人スキル観点
必要となる知識や能力が多い

機械学習の困難さ(プロジェクト観点): 機械学習の向き不向き
• 全ての目的が機械学習に向いているわけではない
– 顧客からの「機械学習・AIで何かやれ」は要注意
• 以下のようなケースが機械学習に向いている
大量データが存在している
機械的に判定するロジック
を組む必要性がある
(正解を算出可能な場合で)
10 ~ 20% ほどの誤りを
許容できる
正解
誤り

機械学習の困難さ(個人スキル観点): 必要となるスキル/能力
統計学
• 利用すべきアルゴリズムの
選定や最適なデータ整形方法
の提案ができる
• 実装するアルゴリズムの背景
にある理論を理解することで、
結果の解釈や説明ができる
ITスキル
機械学習を最適な方法、基盤で
システムに実装できる
(下記一例)
1. R, Python, Java, SQL などの
コーディングスキル
2. クラウド関連知識（クラウドは
Small Startに最適なため）
...etc
業界知識（ビジネス領域）
分析対象とする業界の知識
（ドメイン知識）を有している、
もしくは、それを有する関係者
に適切にヒアリングできる
機械学習で得られた結果を
ビジネスにどう活かすかを提案
できる
求められるスキル/能力の幅・深さが大きい

データ分析人材の不足
（出典）McKinsey Global Institute「Big data: The next frontier for innovation, competition, and productivity」
http://www.soumu.go.jp/johotsusintokei/whitepaper/ja/h26/html/nc134020.html Exhibit 35, 36
データ分析の訓練を受けた大学卒業生の数
（2008年単位：千人）
データ分析の才能を有する人材の推移
（単位：千人）
24.73
17.41
13.27
12.3
10.09
8.78
8.34
7.77
4.97
4.9
3.4
3.32
1.84
1.25
1.23
0.95
0.92
0.76
0.75
0.71
0.66
0.61
0.5
0.41
0.37
0.37
0.29
0.27
0.21
0.55
United States
China
India
Russia
Brazil
Poland
United Kingdom
France
Romania
Italy
Japan
Germany
Turkey
Netherlands
Spain
Czech Republic
Bulgaria
Switzerland
Portugal
Belgium
Greece
Denmark
Slovakia
Norway
Lithuania
Austria
Sweden
Latvia
Hungary
Other
0
5
10
15
20
25
2004 05 06 07 08
United States 3.9
China 10.4
India
Russia 1.5
Brazil 6.2
Poland 12.8
United Kingdom 2.5
France -14.4
Romania 32.9
Italy 18.9
Japan - 5.3

機械学習に必要なツール
• 必ずしも精度が出るとは限らない
• データ分析における機械学習の
向き不向き
• 技術的負債のたまりやすさ
• 必要となる知識や能力が多い
• 機械学習プロジェクト特有の試行錯誤
を容易にするために、
各工程の工数を少なくすることが
できる
• 高度な専門性を有することなく、
簡単にGUI等で機械学習を実施できる
Problem Solutions
？
プ
ロ
ジ
ェ
ク
ト
観
点
個
人
ス
キ
ル
観
点

2. Oracle Data Miner で始める機械学習

Oracle Data Miner とは
Oracle Database 上で機械学習を
実施できる GUI ツール
(SQL Developer の拡張)

Oracle Data Miner とは
Oracle Data Miner
• 必ずしも精度が出るとは限らない
• データ分析における機械学習の
向き不向き
• 技術的負債のたまりやすさ
• 必要となる知識や能力が多い
Problem
プ
ロ
ジ
ェ
ク
ト
観
点
個
人
ス
キ
ル
観
点
工数削減
以下の工数を削減
・データの移動
・データの加工/パラメータ設定負債
のたまりやすさ
簡易な操作
・ GUI でドラッグ&ドロップで
データの理解/データの準備/
モデル構築/学習/評価までの
一連のプロセスを実施可能

Oracle Data Miner の特徴 – 工数削減①
通常の機械学習
データの抽出
データの準備&加工
機械学習モデルの
構築
機械学習モデルの
評価
データの移動
データインポート
Oracle Data Mininer を使った機械学習
機械学習に必要なオペレーションを
Oracle Database 上で実行し、かつ
データの加工やパラメータ設定を自動
で行うため、工数を大きく削減可能
工数削減

Oracle Data Miner の特徴 – 工数削減②
Client Server
①アルゴリズムの移動
①データの移動
② アルゴリズムの実行
①データの移動
② アルゴリズムの実行
Data Miner
従来のツール

Oracle Data Miner の特徴 – 工数削減③
デフォルトで
複数のアルゴリズムの
モデルを自動で用意
データの加工を
自動的に設定

Oracle Data Miner の特徴 – 簡易な操作
各工程ごとにアイコンを
ドラッグ & ドロップで配置し
それを線で結ぶだけで
機械学習の一連のプロセスを実行可能

Oracle Data Miner の特徴 – その他
• GUI でワークフローを設計し、そのワークフローを複数のユーザーで共有可能
• PL/SQL APIやSQLから実行可能なため、データベースに接続できれば、
SQL Developer以外からでもマイニング機能を利用可能
アプリケーションの開発/組み込みが容易
データベースの機能が使える
• クライアントツールでの操作、処理はデータベース側で実行されるため、
データベースサーバーのパワーを使った大規模な分析が可能
• Partitioning や Parallel Query、DB In-Memory などの
Oracle の検索高速化機能をそのまま利用可能
• データベースの機能による高いセキュリティ
データベース
サーバー
クライアントPC
分析

実装済アルゴリズム
アルゴリズム応用範囲
分類
ロジスティクス回帰 (GLM)
決定木
サポートベクターマシン(SVM)
伝統的な統計テクニック
幅広い用途に利用可能
回帰
一般線形モデル (GLM)
サポートベクターマシン (SVM)
伝統的な統計テクニック
幅広い用途に利用可能
異常検出 One Class サポートベクターマシン不正検知や異常値の検出
属性重要度
Minimum Description Length （因子分析の一種）
主成分分析(PCA)
属性の絞り込み、ノイズの低減
相関ルール Apriori（相関ルールマイニング）バスケット分析、事前の提案分析
非階層クラスター分析（K平均法等）
階層クラスター分析（Hierarchical O-Cluster という
Oracle独自のクラスタリング・アルゴリズム）
非階層クラスター分析（EMアルゴリズム）
製品のグルーピング/ テキストマイニング
遺伝子-タンパク質分析
特徴抽出
非負値行列因子分解
特異値分解
テキスト分析 / 因子分析
A1 A2 A3 A4 A5 A6 A7
F1 F2 F3 F4

【Demo】Oracle Data Miner
シナリオ：保険会社の顧客データをもとに、保険を購入する/しないを自動的に分類する
分類
機械学習モデル
保険を購入する
購入しない家族情報、
クレジット情報、
顧客年数、
保険購入有無等
保険会社の
顧客データ

• サンプルとしてOracleが提供している保険データを使用する
列名概要
CUSTOMER_ID 顧客ID
TIME_AS_CUSTOMER 顧客年数
LTV Life Time Value
LTV_BIN Life Time Valueのカテゴリ
BUY_INSURANCE 保険を購入したかどうか
CUSTOMER_ID 顧客ID
LAST 名
FIRST 姓
STATE 住んでいる州
REGION 地域
SEX 性別
PROFESSION 職業
AGE 年齢
HAS_CHILDREN 子供がいるかどうか
SALARY 給料
N_OF_DEPENDENTS 扶養家族の数
CAR_OWNERSHIP 車の所有者かどうか
HOUSE_OWNERSHIP 所有する家の数
INSUR_CUST_LTV_SAMPLE
列名概要
MARITAL_STATUS 結婚暦
CREDIT_BALANCE 預金残高
BANK_FUNDS 銀行資金
CHECKING_AMOUNT 当座預金口座
MONEY_MONTLY_OVERDRAWN 月単位の超過借り金額
T_AMOUNT_AUTOM_PAYMENTS 自動引落金額
MONTHLY_CHECKS_WRITTEN 月単位のチェック
MORTGAGE_AMOUNT ローン額
N_TRANS_ATM ATMでの取引回数
N_MORTGAGES ローン回数
N_TRANS_TELLER 窓口での取引回数
CREDIT_CARD_LIMITS クレジットカードの限度額
N_TRANS_KIOSK KIOSKでの取引回数
N_TRANS_WEB_BANK WEBバンクでの取引回数

• どのアルゴリズムを使うか？
– 「BUY_INSURANCE」という正解（ラベル）データが存在しており、
結果は、保険を「購入する」or「購入しない」の2カテゴリに分けられるため、
学習アルゴリズムとして「分類」を使用する
分類
結果がカテゴリ
分けできるか
データの中に
ターゲットがあるか
異常検出
相関関係
教師あり
学習
グループに分けたい
おかしなものを見つけたい
関係性の強いものを見つけたい
Yes
No
Yes
No
回帰分析
例：決定木、SVM、
例：一般線形モデル
例：K-means
例：One-class SVM
例：Apriori
教師なし
学習

DEMO

Oracle Data Miner チュートリアル
• Slideshare
– Oracle Data Miner Tutorial 01 「Data Minerのセットアップ」
• http://www.slideshare.net/oracle4engineer/data-miner-tutorial-01
– Oracle Data Miner Tutorial 02「分類モデルによる予測」
– Oracle Data Miner Tutorial 03 「表データの加工とモデル構築」
• Github
– https://github.com/oracle4engineer/advanced-analytics/wiki

Oracleと機械学習：Oracle IoT/Big Data & Analytics 全体像
Data Factory
データの取得・処理
Data Management
データの蓄積
Data Analytics
データの分析・判定
Action
アクション
IoT
GoldenGate
Big Data
Preparation
Big Data Database
Marketing Sites
ApplicationNoSQL
Storage
ERP
ストリー
ミング
R
on Hadoop
Big Data
Discovery Spark
Spatial & Graph
on Hadoop
BI Data Visualization
Spatial
& Graph
SQL
Big Data SQL
and other Paas,SaaS
Big Data
試行錯誤と検証
Data Integration
on JCS
R
in Database
IoT Analytics
バッチ/セミストリーミング
Data
Miner
Advanced
Analytics

Oracleと機械学習：Oracle Advanced Analytics
• Oracle では機械学習を行うための「Oracle Advanced Analytics オプション」が用意されている
– 以下の2つコンポーネントからなるOracle Database Enterprise Edition のオプション
– 高度な分析をデータベース内で実現することを目的とする
Oracle Data Mining Oracle R Enterprise
• オープンソースの統計言語
• 一部の処理をデータベースにオフロード
することで大規模なデータを分析可能
• 広範で高度な統計解析のための関数を提供
• Rの機能をアプリケーションやOBIEEに統合
• 対話的なデータ分析と優れたグラフ描画機能
• オープンソースRパッケージ (CRAN) の利用
• データベース内部でマイニング処理
• 12個のマイニング・アルゴリズム
• 予測分析のためのアプリケーションの開発
• Oracle Data Miner (SQL Developer) を
用いたGUIによる解析ワークフローの構築
• PL/SQL API の提供
簡易な分析向け
一部の前処理など基本的な作業は事前定義済のため、
GUIでお手軽にデータ分析を行える
本格的な分析向け
統計分析に特化したR言語で、
細かい処理まで自分で定義してデータ分析を行える

【参考】Oracle R Enterprise (ORE)
• R言語の処理を透過的にOracle Database内の処理に変換することで、大規模、かつ複雑な分析を
実現します。DB内処理に変換できない部分もDBサーバ上でRプロセスを実行します。
• Advanced Analytics Option 導入環境で利用可能です（DBCS High Performance 以上）
R EngineR EngineR Engine Other R
packages
Rの処理をDB内の処理に変換・オフロードします。
Oracle R Enterprise
packages
R Engine
Oracle R Enterprise
packages
SQL / R R
結果結果
DBサーバ内で外部プロセスとしてRを実行することも可能です
Other R
packages
Rクライアント
• RスクリプトをOracle Databaseで
実行するようにスクリプトを発行します。
• グラフの描画や処理フローの制御は、
通常のRの機能を利用し、クライアント側で
実行します。
Oracle Database内部での実行
• Rの関数をSQLに変換して実行します。
• Oracle Databaseの並列実行の仕組みを
活用し、大量のデータに対応します。
• Oracle Databaseの持つ統計関数、データ
マイニング機能を内部的に活用します。
Oracle DatabaseサーバでのR実行
• データベースが複数のRのプロセスをデー
タベースサーバ上に外部プロセスとして
起動します。
• SQLやPL/SQLからRのスクリプトを
呼び出し可能です。
分析者
DB
Oracle DB サーバ
外部
プロセス
R言語を使用した機械学習の経験者向け機能 ※ Data Minerは万人向け

3. まとめ

機械学習と Oracle Data Miner
• 機械学習は非常に魅力的だが、難しい
– プロジェクトの失敗リスク/求められる個人スキル・能力の高さ
• Oracle Data Miner は機械学習の難しさを緩和して、簡単かつ高速に Oracle Database 上で
機械学習を実施できる
– 工数削減/容易な操作
3. まとめ
Oracle Data Miner で機械学習を始めよう！

無料トライアル
実施中
*Autonomous Data Warehouse Cloudをお試し頂けます
https://cloud.oracle.com/ja_JP/tryit

データベースで始める機械学習

データベースで始める機械学習

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Similar to データベースで始める機械学習

Similar to データベースで始める機械学習 (20)

More from オラクルエンジニア通信

More from オラクルエンジニア通信 (20)

Recently uploaded

Recently uploaded (14)

データベースで始める機械学習