Oracle Cloud Infrastructure (OCI) Data Science

Estruturas de machine learning de código aberto (open source)

Dezenas de ferramentas e estruturas de software livre populares estão incluídas para fornecer familiaridade e versatilidade para cientistas de dados. Crie modelos de machine learning com TensorFlow, PyTorch ou adicione outras estruturas de sua escolha.

Interface JupyterLab

Os ambientes de notebook JupyterLab integrados e hospedados na nuvem permitem que equipes de cientistas de dados criem e treinem modelos com uma interface de usuário familiar.

Ferramentas de visualização de dados

Ferramentas populares de visualização de código aberto como Plotly, Matplotlib e Bokeh ajudam os cientistas de dados a visualizar e explorar dados.

Exploração e acesso a dados

A biblioteca Oracle Accelerated Data Science é uma biblioteca Python que contém um conjunto abrangente de conexões de dados, permitindo que cientistas de dados acessem e usem dados de muitos armazenamentos de dados diferentes para produzir modelos melhores.

Machine Learning Automatizado (AutoML)

A biblioteca Accelerated Data Science oferece suporte ao AutoML da própria Oracle, assim como a ferramentas de código aberto, como H2O 3 e auto-sklearn. O AutoML da Oracle oferece seleção automatizada de recursos, amostragem adaptável e seleção automatizada de algoritmos. Esses recursos, junto com o ajuste de hiperparâmetros, em última análise, geram um candidato a modelo preciso, economizando um tempo significativo do cientista de dados.

Avaliação de modelo

A avaliação automatizada gera um conjunto abrangente de métricas de avaliação e visualizações para medir o desempenho do modelo em relação a novos dados e comparar candidatos de modelo para tornar mais fácil para o cientista de dados produzir um modelo de alta qualidade.

Explicação do modelo

A explicação do modelo de Accelerated Data Science inclui explicações globais e locais para ajudar a explicar o comportamento geral de um modelo, assim como previsões específicas do modelo. Para consumidores de modelos, as explicações agnósticas de modelo automatizadas melhoram o entendimento e a confiança, atendem às necessidades regulatórias e aumentam a velocidade de adoção do machine learning.

• Machine learning mais rápido com a Biblioteca Oracle Accelerated Data Science

Oracle Functions

Implemente facilmente modelos de ciência de dados como Oracle Functions - uma arquitetura altamente escalável, sob demanda e sem servidor na Oracle Cloud Infrastructure que simplifica a implementação para cientistas de dados e administradores de infraestrutura.

Catálogos de modelos

Os membros da equipe usam o catálogo de modelos para preservar e compartilhar modelos completos de machine learning e os artefatos necessários para reproduzi-los, testá-los e implementá-los.

Reprodutibilidade e auditabilidade

Os ambientes Conda e os recursos do catálogo de modelos permitem que as organizações reproduzam o código do modelo original, a biblioteca e as dependências do conjunto de dados de treinamento. Isso permite que os cientistas de dados treinem novamente, reproduzam e auditem modelos de machine learning.

Projetos compartilhados

Os membros da equipe usam projetos para organizar, habilitar o controle de versão e compartilhar de forma confiável todo o seu trabalho, incluindo dados e sessões de notebook.

Políticas de segurança

As políticas de segurança baseadas em equipe permitem que os usuários incluam membros da equipe em projetos. Essas políticas controlam o acesso a modelos, código e dados para facilitar a colaboração, mas também para proteger o trabalho. Os controles de segurança são totalmente integrados ao Oracle Cloud Infrastructure Identity and Access Management.

Controle de versão

Os usuários se conectam ao repositório Git de sua organização para preservar e recuperar o trabalho de machine learning.

Acesso flexível a dados

Qualquer fonte de dados em qualquer nuvem ou on-premise pode ser acessada e usada por cientistas de dados para construir modelos de machine learning, fornecendo mais recursos de dados em potencial que levam a modelos melhores.

Autoatendimento, computação e armazenamento sob demanda

Os usuários selecionam a quantidade de recursos de computação e armazenamento de que precisam para lidar com projetos de qualquer tamanho, sem se preocupar com provisionamento ou manutenção da infraestrutura.

Hardware avançado, incluindo unidades de processamento gráfico (GPUs)

Os cientistas de dados podem construir e treinar modelos de aprendizado profundo em muito menos tempo usando GPUs em sessões de notebook. Oracle Cloud Infrastructure Data Science oferece suporte para GPUs NVIDIA P100 e V100.