Top Kostenlos Datenwissenschafts- und maschinelles Lernen-Plattformen

Benutzer schätzen die Fähigkeit der Plattform, große Datenmengen zu verarbeiten, die kollaborative Entwicklung durch Notebooks zu ermöglichen und die Integration mit Apache Spark und anderen Tools, was sie zu einem nützlichen Werkzeug für datengesteuerte Teams macht. Benutzer erlebten eine steile Lernkurve, insbesondere für nicht-technische Benutzer oder Teams, die neu im Bereich des verteilten Rechnens sind. Sie fanden auch die Benutzeroberfläche weniger modern und das Kostenmanagement in einer Multi-User-Umgebung als herausfordernd.

Rezensenten schätzen die benutzerfreundliche Oberfläche von Deepnote, die Funktionen zur Echtzeit-Zusammenarbeit und die Fähigkeit, sich mit externen Datenquellen zu verbinden und schnell Visualisierungen zu erstellen. Benutzer erwähnten Probleme mit langsamen Ladezeiten, insbesondere bei großen Datensätzen, sowie Schwierigkeiten mit dem Projektmanagement und dem Verschieben von Notebooks zwischen Projekten.

Benutzer mögen die Fähigkeit der Software, Daten aus verschiedenen Quellen zu integrieren, sie in Dashboards anzuzeigen und ihre hohe Rechenleistung in einer verteilten Verarbeitungsumgebung. Rezensenten erwähnten, dass die Dokumentation für SAS Viya 3.5 nicht umfassend ist, mit fehlenden Informationen und sporadischen Fehlern, die schwer zu beheben sind, und der Kundensupport oft langsam reagiert.

Rezensenten erwähnen häufig die intuitive Benutzeroberfläche der Plattform, die nahtlose Integration von SQL und Python und ihre Fähigkeit, die Zusammenarbeit durch Funktionen wie Live-Kommentare und Versionsverlauf zu erleichtern. Benutzer berichteten über Einschränkungen bei der Anpassbarkeit der Visualisierung, gelegentliche Abstürze beim Umgang mit großen Datensätzen und Probleme mit der AI-Magic-Funktion, die den Code nicht immer korrekt korrigiert.

Benutzer mögen die intuitive Drag-and-Drop-Oberfläche des Tools, die große Auswahl an Verbindern und vorgefertigten Tools sowie die starken Automatisierungsfunktionen, die Zeit sparen und es sowohl für technische als auch nicht-technische Benutzer zugänglich machen. Rezensenten bemerkten, dass Alteryx teuer sein kann, insbesondere für kleinere Organisationen oder einzelne Benutzer, und dass es eine steile Lernkurve haben kann, wobei einige fortgeschrittene Funktionen ohne fortgeschrittenes Training schwer zu verwalten und zu debuggen sind.

Rezensenten schätzen das benutzerfreundliche Design der Software, ihre Fähigkeit, sich direkt mit Datenquellen zu verbinden, sowie ihre Funktionen wie automatisierte Clusterbildung, prädiktive Modellierung und Zeitreihenprognosen. Rezensenten erlebten eine langsamere Leistung beim Umgang mit großen Datensätzen, gelegentliche Benutzeroberflächenfehler und Komplexitäten bei der Integration mit bestimmten Altsystemen.

Rezensenten schätzen die benutzerfreundliche Oberfläche von Dataiku, seine Fähigkeit, die Zusammenarbeit zu fördern, die nahtlose Integration mit verschiedenen Datenquellen und die Automatisierung sich wiederholender Aufgaben, was es sowohl für Anfänger als auch für erfahrene Datenwissenschaftler geeignet macht. Benutzer erwähnten, dass Dataiku für nicht-technische Benutzer eine steile Lernkurve haben kann, seine Echtzeitfähigkeiten bei Hochfrequenzhandelsszenarien hinterherhinken können und es bei der Verarbeitung großer Datensätze in Bezug auf die Leistung im großen Maßstab Schwierigkeiten haben kann.

Rezensenten schätzen Domos Fähigkeit, Berichte aus mehreren Datenquellen zu konsolidieren, Aufgaben zu automatisieren, Echtzeiteinblicke zu bieten und seine benutzerfreundliche Oberfläche, die die einfache Erstellung von Dashboards und Visualisierungen ermöglicht. Rezensenten bemerkten, dass Domo eine steile Lernkurve für neue Benutzer hat, manchmal bei großen Datensätzen verzögert und seine Visualisierungsfähigkeiten nicht so robust sind wie die einiger Konkurrenten.