Rapidly build, train, deploy, and manage machine learning models with a data science cloud platform built for teams.
Datenwissenschaftler können auf jede Datenquelle in jeder Cloud oder lokal zugreifen und diese verwenden. Dies bietet mehr potenzielle Datenfunktionen, die zu besseren Modellen führen.
Die Integration mit OCI Data Flow bietet eine einfache Schnittstelle zum Erstellen und Ausführen umfangreicher Spark-Jobs aus der data science-Umgebung. Darüber hinaus ermöglicht eine PySpark-Umgebung die iterative Entwicklung von Datenflussanwendungen in Notebook-Sitzungen.
Optimieren Sie explorative Datenanalyse-Workflows mit modernsten Datenprofilierungsfunktionen, intelligenten Visualisierungen und Datenvorbereitungstools.
OCI Data Science unterstützt die beliebtesten Open-Source-Datenbearbeitungstools wie Pandas, Dask und Numpy sowie beliebte Open-Source-Visualisierungstools wie Plotly, Matplotlib und Bokeh, um Datenwissenschaftlern bei ihren Datenanalysen zu helfen.
Integrierte cloud-gehostete JupyterLab-Laptopumgebungen ermöglichen Datenwissenschaftlern das Anlernen und die Erstellung von Modellen mit einer vertrauten Benutzeroberfläche.
OCI Data Science bietet Datenwissenschaftlern eine vertraute Umgebung und gleichzeitig Flexibilität, mit Hunderten beliebten Open Source-Tools und Frameworks. Erstellen Sie Machine Learning-Modelle mithilfe von TensorFlow oder PyTorch, oder fügen Sie Frameworks Ihrer Wahl hinzu.
Mit NVIDIA-GPUs können Datenwissenschaftler Deep-Learning-Modelle in kürzerer Zeit erstellen und trainieren. Im Vergleich zu CPUs kann die Leistungssteigerung um das 5- bis 10-fache schneller sein.
Die Accelerated Data Science-Bibliothek unterstützt Oracle AutoML und andere Open Source-Tools wie H2O 3 und auto-sklearn. AutoML bietet adaptives Sampling, Auswahl von Automatisierungsfunktionen, Auswahl von Algorithmen und Hyperparameteroptimierung. AutoML generiert einen genauen Musterkandidaten und spart Datenwissenschaftlern so viel Zeit.
Sparen Sie Zeit und Mühe, indem Sie Modelle mit automatisierter Hyperparameteroptimierung unter Verwendung der ADS-Tuner-Funktion optimieren.
Durch die automatisierte Auswertung wird eine umfassende Suite von Metriken und Visualisierungen generiert, die der Beurteilung von Modellleistung im Blick auf neue Daten und dem Vergleich von Modellkandidaten dient. Dies erleichtert es Datenwissenschaftlern, qualitativ hochwertige Modelle zu erstellen.
Die automatisierte Modellerklärung umfasst globale und lokale Erklärungen mit spezifischen Modellvorhersagen für das Gesamtverhalten eines Modells. Für Modellkonsumenten verbessern automatisierte modellunabhängige Erklärungen das Verständnis und das Vertrauen, gehen auf regulatorische Anforderungen ein und beschleunigen die Einführung von Machine Learning.
Stellen Sie Machine-Learning-Modelle als HTTP-Endpunkte bereit, um Modellvorhersagen für neue Daten in Echtzeit bereitzustellen. Klicken Sie einfach zum Bereitstellen auf ein Modell aus dem Modellkatalog, und OCI Data Science übernimmt alle Infrastrukturoperationen, einschließlich Bereitstellung von Rechnerleistung und Lastausgleich.
Stellen Sie Data Science-Modelle einfach als Oracle Functions bereit – eine hochgradig skalierbare, bedarfsgesteuerte, serverlose Architektur in Oracle Cloud Infrastructure.
Teammitglieder verwenden den Modellkatalog, um fertige Machine-Learning-Modelle aufzubewahren und zu teilen. Der Katalog speichert die Artefakte und erfasst Metadaten rund um die Taxonomie und den Kontext des Modells, Hyperparameter, Definitionen der Eingabe- und Ausgabedatenschemas des Modells sowie detaillierte Herkunftsinformationen zum Modellursprung, einschließlich des Quellcodes und der Trainingsumgebung, in der das Modell trainiert wurde.
Nutzen Sie vorgefertigte, kuratierte Conda-Umgebungen, um eine Vielzahl von Anwendungsfällen wie NLP, Graph Analytics, Spark und NVIDIA RAPIDS anzusprechen. Veröffentlichen Sie benutzerdefinierte Umgebungen und teilen Sie sie mit Kollegen, um die Reproduzierbarkeit von Schulungs- und Inferenzumgebungen sicherzustellen.
Datenwissenschaftler können sich mit dem GIT-Repository ihres Unternehmens verbinden, um Machine Learning-Arbeit zu bewahren und auf sie zuzugreifen.
Kunden verwenden OCI Data Science, um die Data Science-Zusammenarbeit zu verbessern und Zeit und Kosten beim Erstellen von Machine Learning-Modellen zu sparen.
Verwenden Sie Python, die beliebteste Programmiersprache für Data Science-Anwendungen, mit JupyterLab und Hunderten von Open Source-Bibliotheken und -Frameworks wie Dask, scikit-learn und XGBoost. Oder installieren Sie Bibliotheken Ihrer Wahl für ultimative Flexibilität.
Accelerated Data Science (ADS) ist eine End-to-End-Python-Bibliothek, die den gesamten Data Science-Lebenszyklus abdeckt und die Erstellung hochwertiger Modelle schneller und einfacher macht.
Sehen Sie sich dieses Video zum Thema Accelerated Data Science (1:01) an
Dank der Self-Service-, On Demand-Infrastruktur können Datenwissenschaftler die Menge an Rechnerleistungs- und Speicherressourcen je nach Größe des zu bearbeitenden Projekts wählen, ohne sich dabei um die Bereitstellung oder Erhaltung der Infrastruktur sorgen zu müssen.
Teambasierte Sicherheitsrichtlinien ermöglichen es Datenwissenschaftlern Teammitglieder in Projekte aufzunehmen. Diese Richtlinien kontrollieren den Zugriff auf Modelle, Code und Daten und ermöglichen so die Zusammenarbeit während gleichzeitig vertrauliche Arbeit geschützt werden. Sicherheitskontrollen sind nahtlos in Oracle Cloud Infrastructure Identity and Access Management integriert.
Greifen Sie auf Dutzende von Tutorial- und Beispiel-Notebooks zu, die Themen vom Zugriff auf Daten bis hin zu den mathematischen Hintergründen hinter Modellerklärungstechniken behandeln. Holen Sie sich mit bewährten Methoden und Implementierungstipps eine Starthilfe bei der Bewältigung verschiedener Geschäftsprobleme.
Produkt |
Stückpreis |
Skala |
Compute – Standard – E2 |
vCPU pro Stunde |
|
Compute – virtuelle Standard-Maschine – X7 |
vCPU pro Stunde |
|
Compute – Standard – E3 – OCPU |
vCPU pro Stunde |
|
Compute – Standard – E3 – Speicher |
Gigabyte 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 |
Produkt |
Stückpreis |
Skala |
Objektspeicher – Storage |
Gigabyte Speicherkapazität pro Monat |
Produkt |
Stückpreis |
Skala |
Compute – virtuelle Standard-Maschine – X7 |
vCPU pro Stunde |
|
Load Balancer-Basis | Load Balancer Stunde | |
Load Balancer-Bandbreite | Mbit/s pro Stunde | |
Block Volume Storage |
Gigabyte Speicherkapazität pro Monat |
|
Block Volume Performance-Einheiten |
Leistungseinheiten pro Gigabyte pro Monat (10 VPUs zum Preis von 0,017 USD für Balanced Perform |
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.
Oracle Cloud Infrastructure (OCI) Data Science hat eine neue Funktion namens Model Deployment, um die Bereitstellung von Machine-Learning-Modellen als HTTP-Endpunkte zu ermöglichen und eine Echtzeitbewertung von Daten bereitzustellen.
Vollständigen Beitrag lesenEine interaktive Tour durch die Nutzeroberfläche.
Entdecken Sie in dieser interaktiven Tour die Benutzerschnittstelle
Erleben Sie das Live-Produkt Hands-on kostenlos.
Entdecken Sie Beispielcode, Labs und Tutorials
Erfahren Sie mehr im Data Science-Newsletter