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 (OCI) Data Science

Oracle Cloud Infrastructure Data Science hilft Datenwissenschaftlern dabei, Modelle für Machine Learning schnell zu erstellen, zu trainieren, bereitzustellen und zu verwalten.

Verschaffen Sie sich einen schnellen Überblick über OCI Data Science.

Oracle Cloud Infrastructure Data Science

Open-Source-Frameworks für Machine Learning

Dutzende beliebter Open-Source-Tools und ‑Frameworks sind enthalten, um Datenwissenschaftlern Vertrautheit und Vielseitigkeit zu bieten. Erstellen Sie Modelle für Machine Learning mit TensorFlow, PyTorch oder fügen Sie weitere Frameworks Ihrer Wahl hinzu.

JupyterLab-Schnittstelle

Dank der integrierten, in der Cloud gehosteten JupyterLab-Notebook-Umgebungen können Teams von Datenwissenschaftlern Modelle mit einer vertrauten Nutzeroberfläche erstellen und trainieren.

Datenvisualisierungs-Tools

Nutzen Sie gängige Open-Source-Visualisierungs-Tools wie Plotly, Matplotlib und Bokeh, um Datenwissenschaftlern das Visualisieren und Untersuchen von Daten zu vereinfachen.

Datenzugriff und ‑exploration

Die Accelerated Data Science-Bibliothek von Oracle ist eine Python-Bibliothek, die einen umfassenden Satz von Datenverbindungen enthält, mit denen Datenwissenschaftler auf Daten aus vielen verschiedenen Datenspeichern zugreifen und diese verwenden können, um bessere Modelle zu erstellen.

Automatisiertes Machine Learning (AutoML)

Die Accelerated Data Science-Bibliothek unterstützt AutoML von Oracle sowie Open-Source-Tools wie H2O 3 und auto-sklearn. AutoML von Oracle bietet automatisierte Funktionsauswahl, adaptive Abtastung und automatisierte Algorithmusauswahl. Diese Funktionen zusammen mit der Optimierung der Hyperparameter erzeugen letztendlich einen genauen Modellkandidaten, der dem Datenwissenschaftler erhebliche Zeiteinsparungen verschafft.

Modellbewertung

Die automatisierte Bewertung generiert eine umfassende Suite von Auswertungsmetriken und ‑visualisierungen, um die Modell-Performance anhand neuer Daten zu messen und Modellkandidaten zu vergleichen, damit der Datenwissenschaftler leichter ein qualitativ hochwertiges Modell erstellen kann.

Modellerklärung

Die Erklärung des Accelerated Data Science-Modells umfasst globale und lokale Erläuterungen zur Veranschaulichung des Gesamtverhaltens eines Modells sowie spezifische Modellvorhersagen. Für Modellkonsumenten verbessern automatisierte modellunabhängige Erklärungen das Verständnis und das Vertrauen, gehen auf regulatorische Anforderungen ein und beschleunigen die Einführung von Machine Learning.

Oracle Functions

Stellen Sie Datenwissenschafts-Modelle einfach als Oracle Functions bereit – eine hoch skalierbare, bedarfsgesteuerte und serverlose Architektur auf Oracle Cloud Infrastructure, die die Bereitstellung für Datenwissenschaftler und Infrastrukturadministratoren vereinfacht.

Modellkataloge

Die Teammitglieder verwenden den Modellkatalog, um fertige Modelle für Machine Learning und die Artefakte, die zum Reproduzieren, Testen und Bereitstellen erforderlich sind, beizubehalten und gemeinsam zu nutzen.

Reproduzierbarkeit und Überprüfbarkeit

Mit Conda Environments und Modellkatalogfunktionen können Unternehmen den ursprünglichen Modellcode, die Bibliothek und die Abhängigkeiten von Schulungs-Datensätzen reproduzieren. Auf diese Weise können Datenwissenschaftler Modelle für Machine Learning neu trainieren, reproduzieren und prüfen.

Zusammenarbeit im Datenwissenschafts-Team

Gemeinsame Projekte

Teammitglieder verwenden Projekte zum Organisieren, Aktivieren der Versionskontrolle und zum zuverlässigen Teilen ihrer gesamten Arbeit, einschließlich Daten- und Notebook-Sitzungen.

Sicherheitsrichtlinien

Mit teambasierten Sicherheitsrichtlinien können Benutzer Teammitglieder in Projekte einbeziehen. Diese Richtlinien steuern den Zugriff auf Modelle, Code und Daten, um die Zusammenarbeit zu erleichtern, aber auch um die Arbeit zu schützen. Sicherheitskontrollen sind nahtlos in Oracle Cloud Infrastructure Identity and Access Management integriert.

Versionskontrolle

Nutzer stellen eine Verbindung zum Git-Repositorium ihrer Firma her, um Machine Learning zu erhalten und abzurufen.

Flexibler Datenzugriff

Auf jede Datenquelle in einer beliebigen Cloud- oder On-Premises-Umgebung kann von Datenwissenschaftlern zugegriffen und diese dann verwendet werden, um Modelle für Machine Learning zu erstellen, die mehr potenzielle Datenfunktionen bieten, was zu besseren Modellen führt.

On-Demand-Datenverarbeitung und ‑Storage im Self-Service-Format

Nutzer wählen die Menge an Rechen- und Storage-Ressourcen aus, die sie benötigen, um Projekte jeder Größe anzugehen, ohne sich um die Bereitstellung oder Wartung der Infrastruktur kümmern zu müssen.

Leistungsstarke Hardware, einschließlich Grafikprozessoren (GPUs)

Datenwissenschaftler können mithilfe von GPUs in Notebook-Sitzungen in viel kürzerer Zeit Deep-Learning-Modelle erstellen und trainieren. Oracle Cloud Infrastructure Data Science bietet Support für NVIDIA P100- und V100-GPUs.

Victoria University-Logo

Die Victoria University beschleunigt ihre Forschungsprojekte mit Oracle Cloud Infrastructure Data Science

Forscher der Victoria University nutzen Oracle Cloud, um die Vorfälle von häuslicher Gewalt zu prognostizieren, die auf Social Media gemeldet werden.

Hauptvorteile

  • Open-Source-Tools bieten Datenwissenschaftlern Vertrautheit und Produktivität

    Verwenden Sie Python, die beliebteste Sprache für die Datenwissenschaft, mit JupyterLab und mehr als 300 Open-Source-Bibliotheken und Frameworks, darunter Dask, scikit-learn und XGBoost. Oder passen Sie die Umgebung für ultimative Flexibilität an.

  • Das Toolkit von Oracle beschleunigt die Modellerstellung

    Beschleunigen Sie die Modellerstellung mit Automatisierung aus der Oracle Accelerated Data Science-Bibliothek, um die Datenvorbereitung zu vereinfachen, und wählen Sie dann den besten Algorithmus mit AutoML aus, um Modelle mit höherer Qualität zu erhalten

    Schnelleres Machine Learning

  • Die vereinfachte Infrastruktur verbessert die Produktivität von Nutzern und senkt die Verwaltungskosten

    Ermöglichen Sie den Benutzern die Auswahl und Änderung der für die Notebook-Entwicklungsumgebungen benötigten Rechenleistung und Storage-Menge – die Bereitstellung erfolgt automatisch.

    Die Modellerklärung verbessert das Vertrauen in die Ergebnisse

    Verbessern Sie das Vertrauen und das Verständnis von Modellen, indem Sie zeigen, wie Daten die Modellergebnisse beeinflussen. Experten und Nichtfachleute verwenden die Modellerklärung, um zu verstehen und zu validieren, warum ein Modell ein bestimmtes Ergebnis zurückgibt und um versteckte Verzerrungen zu identifizieren.

    Video zur beschleunigten Datenwissenschaft ansehen

    Stellen Sie schnell skalierbare Modelle bereit

    Stellen Sie Modelle schnell in der Cloud auf einer vollständig verwalteten Plattform bereit, die sich automatisch an die Anforderungen anpassen lässt.

Preise

Data Science Notebook-Sessions

Produkt
Stückpreis
Skala
Berechnung – Standard für virtuelle Computer – E2

vCPU pro Stunde
Compute – Standard für virtuelle Computer – X7

vCPU pro Stunde
VM.GPU2.1 (NVIDIA P100)

GPU pro Stunde
VM.GPU3.x (NVIDIA V100 Tensor Core – 16 GB)

GPU pro Stunde
Block Volume Storage

Gigabyte Speicherkapazität pro Monat
Block Volume Performance-Einheiten

Leistungseinheiten pro Gigabyte pro Monat (10 VPUs zu 0,017 USD für Balanced Performance)

Data Science-Modelle

Produkt
Stückpreis
Skala
Objektspeicher – Storage

Gigabyte Speicherkapazität pro Monat

Die gängige Praxis bei Cloud-Umgebungen besteht darin, Compute-Instanzen basierend auf der Anzahl der virtuellen CPUs (vCPUs) zu definieren, die diese enthalten. Jede vCPU stellt Kapazitäten für einen Ausführungsthread bereit. Eine vCPU stellt keinen vollständigen physischen Compute-Kern bereit, sondern ist Teil eines Kerns. Im Gegensatz dazu verwenden die x86-Compute-Formen von Oracle OCPUs, die physischen CPU-Kernen entsprechen, von denen jeder zwei Threads bereitstellt. Um Kunden den Vergleich zwischen Cloud-Dienstanbietern zu erleichtern, stellt Oracle vCPU-Preise auf den Webseiten bereit, während die Abrechnung auf der Anzahl der von ihnen verbrauchten OCPU-Zeit basiert. Der stündliche OCPU-Tarif, der den Kunden in Rechnung gestellt wird, beträgt das Doppelte des vCPU-Preises auf den Webseiten, da sie statt einer zwei vCPUs an Rechenleistung erhalten.

Materialien

Dokumentation

Lernen Sie den Cloud-Service für Datenwissenschaft kennen

Eine interaktive Tour durch die Nutzeroberfläche.

Cloud-Learning

Entdecken Sie mehr zur Datenwissenschaft

Erfahren Sie mehr über die Verwendung von Oracle Cloud Infrastructure Data Science.

Verwandte Produkte

Oracle Machine Learning

Erstellen Sie Modelle für Machine Learning in der Datenbank

Oracle Cloud Infrastructure-Datenintegration

Kombinieren und transformieren Sie mühelos Daten für Datenwissenschaft und Analyse

Oracle Cloud Infrastructure Data Catalog

Suchen und verwalten Sie Daten mithilfe eines organisierten Lagers an Datenbeständen im gesamten Unternehmen

Oracle Cloud Infrastructure Data Flow

Ausführen von Apache Spark-Anwendungen ohne Infrastruktur, die verwaltet oder bereitgestellt werden muss, mit diesem vollständig verwalteten Big Data-Dienst

Erste Schritte


Produkttour

Erleben Sie die Nutzeroberfläche mit dieser interaktiven Tour.


Hands-on Lab

Erleben Sie das Live-Produkt Hands-on kostenlos.


Newsletter

Entdecken Sie mehr im Data Science-Newsletter.