数据科学:Oracle 并购 DataScience 公司提升机器学习能力

简介:

May 16, 2018,甲骨文公司宣布,它已经签署了收购 DataScience.com 的协议,该公司的平台将数据科学工具,项目和基础设施集中在一个完全管理的工作空间(Workspace)中。这凸现了数据科学、机器学习技术在云时代的重要性。

954ca1e3010560d7d8b4d0d8dce2d43f84190d50

那么 DataScience 公司是做什么的呢?

从2015年的一个融资新闻可以看到这家公司的大致蓝图。

2015年12月,数据公司DataScience宣布完成2200万美元A轮融资。据悉,本次的融资是在此前450万美元A轮融资的基础上新增的,由Whitehart Ventures领投。DataScience目前累计融资金额为2800万美元,本轮融资将会用于壮大数据科学家和工程师团队。

DataScience在做的事情,是把企业内部数据、专利技术和自定义数据模型结合起来,帮助企业进行预测分析,比如估算客户的价值、舆情分析等。它能向用户提供一系列的工具,如划分标准、高级搜索和其他为个人及商业团队打造的协作工具。用户只需把数据以实时或平面文件的形式发送到DataScience,分析工作就可以进行了, 所有的分析结果都会显示在DataScience的网页应用上。

DataScience的创始人兼CEO Ian Swanson表示,很多现有的分析工具只是零散地输出指标结果,而不能向用户提供直接精准的行动建议。这些重要的数据散落在邮件、PDF报告和可视化仪表盘中,用户要找到有用的数据做出有效决策,需要耗费大量的时间和精力。而DataScience的作用就是向顾客精准地展示出,如何将众多分析结果落实为行动。它也能解答那些客户难以回答的难题。

据悉,Tinder、Sonos 和 Belkin 都是DataScience 的客户。并且,DataScience 还与洛杉矶市政府合作,帮助降低该城市的交通死亡率

之后没有再看到DataScience的融资信息,Oracle 并未披露此次收购的金额。

Oracle 在收购声明中这样描述:

数据科学团队使用该平台组织工作,轻松访问数据和计算资源,并执行端到端模型开发工作流程。像Amgen,Rio Tinto和Sonos这样的领先组织正在使用DataScience.com平台来提高生产力,降低运营成本并更快地部署机器学习解决方案,从而推动其数字化转型

DataScience.com 使数据科学家能够通过自助访问开源工具,数据和计算资源,在更短的时间内实现业务变革的洞察力,同时也提高了IT团队支持这项工作的能力。 Oracle将软件即服务(SaaS)和平台即服务(PaaS)解决方案(包括大数据,分析和安全操作)的人工智能(AI)和机器学习功能嵌入到数字转换中。 Oracle和DataScience.com将共同为客户提供单一的数据科学平台,该平台利用Oracle云基础架构以及Oracle集成的SaaS和PaaS产品的广泛性,帮助他们实现机器学习的全部潜力。

“每个组织都在探索数据科学和机器学习作为积极发展竞争优势的关键方式,但缺乏全面的工具和集成的机器学习功能可能导致这些项目不足,”甲骨文云平台执行副总裁Amit Zavery说, “通过Oracle和DataScience.com的结合,客户将能够利用单一数据科学平台,更有效地利用机器学习和大数据进行预测分析并改善业务成果。”

DataScience.com首席执行官Ian Swanson表示:“数据科学需要一个综合平台来简化运营并大规模地实现价值。 “通过DataScience.com,客户可以利用强大且易于使用的平台,消除在生产环境中部署宝贵机器学习模型的障碍。我们非常热衷于与甲骨文领先的云平台合作,以便客户能够认识到他们在数据科学方面的投资收益。“


原文发布时间为:2018-05-17

本文作者:墨墨

本文来自云栖社区合作伙伴“数据和云”,了解相关信息可以关注“数据和云”。

相关文章
|
机器学习/深度学习 测试技术
阿里云入选Gartner数据科学和机器学习平台挑战者象限
Gartner® 正式发布了《数据科学与机器学习平台魔力象限》报告(Magic Quadrant™ for Data Science and Machine Learning Platforms),阿里云成为唯一一家入选该报告的中国厂商,被评为“挑战者”(Challengers)。
|
8月前
|
机器学习/深度学习 数据可视化 TensorFlow
Python 高级编程与实战:深入理解数据科学与机器学习
本文深入探讨了Python在数据科学与机器学习中的应用,介绍了pandas、numpy、matplotlib等数据科学工具,以及scikit-learn、tensorflow、keras等机器学习库。通过实战项目,如数据可视化和鸢尾花数据集分类,帮助读者掌握这些技术。最后提供了进一步学习资源,助力提升Python编程技能。
|
8月前
|
机器学习/深度学习 数据可视化 算法
Python 高级编程与实战:深入理解数据科学与机器学习
在前几篇文章中,我们探讨了 Python 的基础语法、面向对象编程、函数式编程、元编程、性能优化和调试技巧。本文将深入探讨 Python 在数据科学和机器学习中的应用,并通过实战项目帮助你掌握这些技术。
|
12月前
|
机器学习/深度学习 数据采集 数据可视化
Python数据科学实战:从Pandas到机器学习
Python数据科学实战:从Pandas到机器学习
|
12月前
|
机器学习/深度学习 数据可视化 数据处理
掌握Python数据科学基础——从数据处理到机器学习
掌握Python数据科学基础——从数据处理到机器学习
195 0
|
机器学习/深度学习 API 网络架构
"解锁机器学习超级能力!Databricks携手Mlflow,让模型训练与部署上演智能风暴,一触即发,点燃你的数据科学梦想!"
【8月更文挑战第9天】机器学习模型的训练与部署流程复杂,涵盖数据准备、模型训练、性能评估及部署等步骤。本文详述如何借助Databricks与Mlflow的强大组合来管理这一流程。首先需在Databricks环境内安装Mlflow库。接着,利用Mlflow跟踪功能记录训练过程中的参数与性能指标。最后,通过Mlflow提供的模型服务功能,采用REST API或Docker容器等方式部署模型。这一流程充分利用了Databricks的数据处理能力和Mlflow的生命周期管理优势。
531 7
|
机器学习/深度学习 算法 数据处理
从数据科学到机器学习的过渡:技术与思维的演进
【5月更文挑战第21天】本文探讨了从数据科学到机器学习的过渡,强调了技术与思维的转变。数据科学侧重数据处理和分析,为机器学习提供基础;机器学习是数据科学的强大力量,涉及算法开发。过渡需掌握机器学习算法、编程语言(如Python)及库,转变思维方式,注重预测和优化分析。建议包括深入学习算法、实践项目、掌握编程工具和保持好奇心。这一过渡是职业发展的重要步骤。
|
机器学习/深度学习 数据采集 存储
在机器学习和数据科学中,数据预处理是一个至关重要的步骤。数据规范化(或称为特征缩放)是预处理的一种常见技术,它可以帮助我们改进模型的性能。`sklearn.preprocessing`模块提供了多种数据规范化的方法,其中`StandardScaler`和`MinMaxScaler`是最常用的两种。
在机器学习和数据科学中,数据预处理是一个至关重要的步骤。数据规范化(或称为特征缩放)是预处理的一种常见技术,它可以帮助我们改进模型的性能。`sklearn.preprocessing`模块提供了多种数据规范化的方法,其中`StandardScaler`和`MinMaxScaler`是最常用的两种。
|
机器学习/深度学习 人工智能 自然语言处理
【机器学习】自然语言引导下的单目深度估计:泛化能力与鲁棒性的新挑战
【机器学习】自然语言引导下的单目深度估计:泛化能力与鲁棒性的新挑战
199 0

热门文章

最新文章