Keine Ergebnisse gefunden

Ihre Suche ergab keine Treffer.

Beachten Sie die folgenden Tipps, um das Gesuchte zu finden:

  • Prüfen Sie die Schreibweise des Suchbegriffs.
  • Verwenden Sie Synonyme für das eingegebene Stichwort, z. B. “Anwendung” statt “Software.”
  • Testen Sie eine der unten gezeigten beliebten Suchen.
  • Beginnen Sie eine neue Suche.
Aktuelle Fragen

Oracle Cloud Infrastructure Virtuelle Maschinen für Data Science

Um mit der sprunghafen Zunahme von Geschäftsdaten, angefangen von Kundendaten bis zum Internet of Things, Schritt halten zu können, muss Datenwissenschaftlern die Flexibilität gegeben werden, Datenmodelle schnell analysieren und erstellen zu können. Aber die durch die Anschaffung neuer Hardware zur Deckung vorübergehender Nachfragespitzen oder des Bedarfs zu Spitzenzeiten entstehenden Kapitalkosten und der damit verbundene Zeitaufwand, können beträchtlich sein.

Oracle Cloud Infrastructure Virtual Machines (VMs) für Data Science bieten vorkonfigurierte Umgebungen, die es Ihnen ermöglichen, Datenmodelle zu erstellen und so schneller geschäftlichen Nutzen für Ihr Unternehmen zu erzielen. Diese auf der Oracle Cloud Infrastructure basierenden VMs bieten überragende Leistung, Sicherheit und Kontrolle. Sie können Ihre Rechenressourcen nach Bedarf anhand der automatischen Compute-Skalierung erweitern und die Kosten unter Kontrolle halten, indem Sie Compute-Instanzen stoppen, wenn sie nicht benötigt werden.

Zu den Rechneroptionen, die für dieses VM-Image geeignet sind gehört eine virtuelle Maschine mit einer NVIDIA-GPU, mit vorinstallierten integrierten Entwicklungsumgebungen (IDEs), Notebooks und Frameworks, die in weniger als 15 Minuten einsatzbereit sein kann. Oracle Cloud Infrastructure VMs für Data Science umfassen grundlegende Beispieldaten und Code zum Testen und Erkunden.

Virtual Machines für Data Science
Ein wichtiger Mobilfunkanbieter nutzt eine auf Oracle Cloud Infrastructure basierende KI-Lösung zur Leistungsverbesserung

Ein wichtiger Mobilfunkanbieter nutzt eine auf Oracle Cloud Infrastructure basierende KI-Lösung zur Leistungsverbesserung

Ein großer Mobilnetzbetreiber bietet mit Erfolg Millionen von Benutzern einen KI-gesteuerten virtuellen Sprachassistenten in mehreren Sprachen. Die Umgebung verwendet ein Cluster mit 2 Knoten mit jeweils 8 GPUs, der als ein Cluster mit 16 GPUs und 768 GB Speicher in jedem Knoten verbunden ist, wodurch sich die Anlernzeit des Modells erheblich verkürzt.

Die Anzahl der trainierbaren Parameter der Lösung beträgt 100 Millionen. Diese Parameter werden in jeder Iteration optimiert. Als Ergebnis kann unter anderem eine 2,4-fache Steigerung der Verarbeitungsleistung von Sprache zu Text und eine um 30 bis 50 Prozent schnellere Verarbeitungsleistung von Sprache zu Sprache, sowie die schnellere Schulung der Modelle verzeichnet werden.

Virtuelle Maschinen für Data Science

Vorteile

Unsere auf der Oracle Cloud Infrastructure basierende Lösung für Data Science bietet überragende Leistung, Sicherheit und Kontrolle. und ermöglicht es Ihnen, Modelle zu erstellen und schneller Mehrwert für Ihr Unternehmen zu erzielen.

Schnell

Starten Sie sofort mühelos durch. Sie müssen dazu nur das vorkonfigurierte Image bereitstellen und können sofort mit der Arbeit beginnen. Und das Beenden ist genauso einfach.

Benutzerfreundlich

Verwenden Sie die Cloud, um Ihre Images schnell und mühelos selbst bereitzustellen—ohne dass Sie die Unterstützung oder das Eingreifen Ihrer IT-Organisation benötigen.

Alles in Einem

Das All-in-One-Image enthält einen vollständigen Satz vorinstallierter Tools. Sie können problemlos hinzufügen und anpassen, entweder vor der Bereitstellung mit dem Terraform-Skript oder manuell, nachdem das System ausgeführt wurde.

Flexibel

Sie können Ihre Compute-Ressourcen in der Cloud mit der automatischen Skalierung einfach skalieren oder dazu Oracle Cloud Infrastructure Resource Manager verwenden.

Anpassbar

Verwenden Sie, je nach Bedarf, entweder eine GPU-Form für Deep Learning Modelltraining und Inferenz oder CPU-basiertes Rechnen für maschinelles Lernen.

Kostengünstig

Senken Sie Ihre IT-Kosten. Für etwa 30 US-Dollar können Sie ein Modell einen ganzen Tag lang auf einer Tesla P100-GPU in der Cloud ausführen.

Anwendungsfälle

Die vorkonfigurierte Umgebung von Oracle für Deep Learning eignet sich in vielen Branchen für eine Vielzahl von Anwendungen.

 

Natürliche Sprachverarbeitung

 

Bilderkennung und Klassifizierung

 

Betrugserkennung für Finanzdienstleistungen

 

REs für Online-Einzelhändler

 

Risikomanagement

Image der virtuellen Maschine für Data Science – Inhalt

Betriebssystem

  • Image-Familie: Oracle Linux 7.x
  • Betriebssystem: Oracle Linux
  • Kernelversion: kernel-uek-4.14.35-1902.8.4.el7uek.x86_64
  • CUDA-Version: 10-1-10.1.168-1
  • cuDNN-Version: 7.3.1
  • Veröffentlichungsdatum: 19. Dezember 2019

Frameworks für maschinelles Lernen (Python-basiert)

  • TensorFlow
  • Keras
  • Theano
  • scikit-learn
  • PyTorch
  • NumPy
  • Pandas
  • Seaborn

Integrierte Entwicklungsumgebungen (IDEs) und Notebooks

  • Anaconda Open Source Distribution
  • Spyder
  • PyCharm
  • Atom
  • Jupyter Notebook
  • Sublime Text

Inbegriffene Labs

Wenn Sie die Umgebung testen oder mehr über Deep Learning und Data Science erfahren möchten, können Sie die mitgelieferten Jupyter Notebooks verwenden, die leicht verständliche Anweisungen zum Selbststudium enthalten. Öffnen Sie einfach die Datei readme.md im Jupyter Notebook in der virtuellen Maschine.

  • Lab 1: Einführung in die Verwendung von maschinellen Lernpaketen: scikit-learn
    Führt schrittweise durch das scikit-learn-Tutorial. Befasst sich damit, wie Sie Modelle mit scikit-learn erstellen und optimieren können. Enthält Übungen.
  • Lab 2: Einführung in die Verwendung von ML-Paketen: PyTorch
    Behandelt das PyTorch-Lernprogramm und das Erstellen und Optimieren von Modellen in neuronalen Netzen in PyTorch für Bildverarbeitungsaufgaben, Verarbeitung natürlicher Sprache und verwandte Anwendungen.
  • Lab 3: Fortgeschrittene neuronale Netze und Transferlernen für die Verarbeitung natürlicher Sprache (NLP)
    Ein Tutorial zu Faltungsnetzen und wiederkehrenden neuronalen Netzen.
  • Lab 4: Fortgeschrittene neuronale Netze und Transferlernen für Computer Vision
    Erklärt, wie benutzerdefinierte CNNs implementiert und vorgefertigte, hochmoderne CNNs verwendet werden.