Oracle - Data Mining mit PL/SQL
Details
| ID | 1151912 |
| Dauer | 3.0 Tage |
| Methoden | Vortrag mit Beispiel und Übungen. |
| Vorwissen | Oracle SQL, PL / SQL |
| Zielgruppe | Business Intelligence-EntwicklerInnen |
Ziele
Data Mining verstehen
Verstehen Sie die Philosophie von Data Mining in Oracle
Assoziationsanalyse einsetzen
Führen Sie eine Warenkorbanalyse durch und erkennen Sie wesentliche Häufungen
Daten klassifizieren
Nutzen Sie Entscheidungsbäume, Naïve Bayes und Künstliche Neuronale Netze, um Gruppen zu klassifizieren
Mit Regression (nicht)lineare Abhängigkeiten modellieren
Verwenden Sie Regressionsmodelle und verallgemeinerte lineare Modelle für mehrdimensionale Daten
Cluster-Analyse für Segmentierung von Daten nutzen
Erkennen Sie Gemeinsamkeiten und Gruppen in Ihren Daten
Oracle PL/SQL für Data Mining verwenden
Die PL/SQL-Pakete DBMS_DATA_MINING, DBMS_DATA_MINING_TRANSFORM und DBMS_PREDICTIVE_ANALYTICS einsetzen
Übersicht
Oracle Data Mining (ODM) bietet mit SQL und PL/SQL direkt in der Oracle Datenbank Werkzeuge, um multivariate Analyse und Data Mining zu verwenden. Über PL/SQL-Pakete lassen sich Data Mining-Modelle erstellen, miteinander vergleichen und auch für Vorhersage und Klassifikation verwenden. In diesem Seminar lernen Sie, mit Oracle SQL Ihre Daten passend für die verschiedenen Data Mining-Algorithmen vorzubereiten, mit Oracle PL/SQL danach Data Mining-Modelle zu entwickeln und diese dann miteinander zu vergleichen und schließlich auch für Vorhersage und Klassfikation zu verwenden.
Termine
Zurzeit stehen keine offenen Termine zur Verfügung. Nutzen Sie alternativ die Inhouse‑Option.
Lernen Sie anhand maßgeschneiderter Beispiele und Inhalte – passgenau für Ihre Anforderungen.
Ihre Vorteile im Überblick
- Flexibles Wunschdatum
- Maßgeschneiderte Inhalte
- Intensiver Austausch
- Hoher Praxisbezug
Themen
- Data Mining-Ansatz und Philosophie verstehen
- Die Pakete DBMS_DATA_MINING, DBMS_DATA_MINING_TRANSFORM und DBMS_PREDICTIVE_ANALYTICS verwenden
- Assoziationsanalyse für einfache Mustererkennung nutzen
- Daten klassifizieren mit Entscheidungsbäumen, Künstlichen Neuronalen Netzen und Naïve Bayes
- Regressionsanalyse und GLM (Generalized Linear Models) durchführen
- Cluster-Analyse für Segmentierung von Daten nutzen
- Data Mining-Modelle bewerten und vergleichen
Beschreibung
Nutzen Sie Oracle PL/SQL und Data Mining, um Muster in Daten zu erkennen wie bspw. Gruppen, wichtige Variablen oder Zusammenhänge, die für Klassifikation und Vorhersage genutzt werden können. Erfahren Sie, wie Sie mit Oracle SQL Ihre Daten transformieren und vorbereiten, damit Sie dann mit Oracle PL/SQL die in Oracle eingebauten Data Mining-Algorithmen für Analysen, Vorhersagen und Klassfikationen verwenden können.
Services
- Mittagessen / Catering
- Hilfe bei Hotel / Anreise
- Comelio-Zertifikat
- Flexibel: Bis einen Tag vorher kostenlos stornieren
Comelio Medien
Noch auf der Suche nach weiterführender Literatur? Entdecken Sie passende Fachbücher in unserem Katalog.
Inhalt
Data Mining und Oracle PL/SQL
Statistik, multivariate Statistik und Data Mining – Data Mining-Kreislauf - Daten-Vorverarbeitung: Beschreibende Datenaggregation, Datenbereinigung, Datenintegration und –transformation – Datenreduktion – Diskretisierung und Konzept-Hierarchien – Verwendung von SQL und PL/SQL für Data Mining
Strukturentdeckende Verfahren
Faktoranalyse und Hauptkomponentenanalyse - Ausreißeranalyse - Umsetzung mit Oracle SQL und PL/SQL
Data Mining mit Assoziationsregeln
Suchen von häufigen Kombinationen (Frequent Itemset Mining) – Assoziationsregeln abregeln und bewerten - Umsetzung mit Oracle SQL und PL/SQL
Data Mining für Klassifikation
Entscheidungsbäume: Auswahl von Attributen, Beschneidung von Bäumen, Ableitung von Regeln, Gütemaße und Vergleich von Modellen, Ableitung von Regeln - Support Vector Machines: Vorstellung des Algorithmus, Modellaufbau und Modellverwendung - Umsetzung mit Oracle SQL und PL/SQL
Data Mining mit Wahrscheinlichkeitstheorie
Klassifikation über Logistische Regression - Wahrscheinlichkeitstheorie und Bayes Theorem –Naïve Bayes-Algorithmus: Algorithmus, Modellaufbau und Modellverwendung
Cluster-Analyse
Einführung in die Cluster Analyse – Ähnlichkeits- und Distanzmessung - Varianten und grundlegende Techniken – Partitionierende Methoden: k-Means-Verfahren, Expectation Maximization (EM), Orthogonal Partitioning Clustering - Umsetzung mit Oracle SQL und PL/SQL
Dozent/in
Marco Skulschus (born in Germany in 1978) studied economics in Wuppertal (Germany) and Paris (France) and wrote his master´s thesis about semantic data modeling. He started working as a lecturer and consultant in 2002.
Veröffentlichungen
- Oracle PL/SQL (Comelio Medien )
978-3-939701-40-8 - Oracle SQL (Comelio Medien )
978-3-939701-41-5 - Oracle PL/SQL - Objektrelationale Techniken (Comelio Medien )
978-3-939701-42-2 - Oracle, PL/SQL und XML (Comelio Medien )
978-3-939701-49-1