Nenhum resultado encontrado

Sua pesquisa não corresponde a nenhum resultado.

Sugerimos que você tente o seguinte para ajudar a encontrar o que procura:

  • Verifique a ortografia da sua pesquisa por palavra-chave.
  • Use sinônimos para a palavra-chave digitada; por exemplo, tente “aplicativo” em vez de “software.”
  • Tente uma das pesquisas populares mostradas abaixo.
  • Inicie uma nova pesquisa.
Perguntas Frequentes

Oracle Cloud Infrastructure (OCI) Data Science

O Oracle Cloud Infrastructure Data Science ajuda cientistas de dados a construir, treinar, implementar e gerenciar modelos de machine learning rapidamente.

Obtenha uma visão geral rápida do OCI Data Science.

Oracle Cloud Infrastructure 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.

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.

Colaboração da equipe de ciência de dados

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.

Logotipo da Victoria University

Victoria University agiliza a pesquisa com a ciência de dados da Oracle Cloud Infrastructure

Os pesquisadores da Victoria University recorreram à Oracle Cloud para tentar prever incidentes de violência doméstica relatados nas redes sociais.

Principais benefícios

  • Ferramentas de código aberto fornecem familiaridade e produtividade para cientistas de dados

    Use Python, a linguagem mais popular para ciência de dados, com JupyterLab e mais de 300 bibliotecas e estruturas de código aberto, incluindo Dask, scikit-learn e XGBoost. Ou personalize o ambiente para maior flexibilidade.

  • Oracle Toolkit acelera a construção de modelos

    Acelere a construção de modelos com a automação da biblioteca Oracle Accelerated Data Science, facilitando a preparação de dados e selecione e ajuste o melhor algoritmo com AutoML, tudo resultando em modelos de alta qualidade

    Machine learning mais rápido

  • A infraestrutura simplificada melhora a produtividade do usuário e reduz os custos de gerenciamento

    Capacite os usuários a escolher e alterar a quantidade de computação e armazenamento necessária para os ambientes de desenvolvimento de notebook - o provisionamento é automatizado.

    A explicação do modelo melhora a confiança nos resultados

    Aumente a confiança e a compreensão dos modelos, mostrando como os dados influenciam os resultados do modelo. Especialistas e não especialistas usam a explicação do modelo para compreender e validar o que fez com que um modelo retornasse um determinado resultado e identificasse tendências ocultas.

    Assista a este vídeo sobre Accelerated Data Science

    Implemente modelos escaláveis rapidamente

    Implemente modelos rapidamente na nuvem em uma plataforma totalmente gerenciada que escala automaticamente em resposta à demanda.

Preços

Sessões de notebook de data science

Produto
Preço Unitário
Métrica
Processamento - Padrão de Máquina Virtual - E2

vCPU por hora
Computação - Padrão de Máquina Virtual - X7

vCPU por hora
VM.GPU2.1 (NVIDIA P100)

GPU por hora
VM.GPU3.x (NVIDIA V100 Tensor Core – 16 GB)

GPU por hora
Armazenamento de volume em bloco

Capacidade de armazenamento de Gigabytes por mês
Unidades de desempenho por volume em bloco

Unidades de Desempenho por Gigabyte por mês (10 VPUs em US$ 0,017 para Desempenho Equilibrado)

Modelos de data science

Produto
Preço Unitário
Métrica
Armazenamento de objetos – Armazenamento

Capacidade de armazenamento de Gigabytes por mês

A prática comum do setor de nuvem é definir instâncias de computação com base no número de CPUs virtuais (vCPUs) que elas incluem. Cada vCPU fornece a capacidade para um thread de execução. Uma vCPU não fornece um núcleo de computação físico completo, é parte de um núcleo. Em contraste, as formas de computação x86 da Oracle usam OCPUs que equivalem a núcleos de CPU físicos, cada um dos quais fornece dois threads. Para tornar mais fácil para os clientes comparar os provedores de serviços em nuvem, a Oracle apresenta os preços de vCPU em nossas páginas da web, enquanto o faturamento é baseado no número de tempo de OCPU que eles consomem. A taxa de OCPU por hora cobrada aos clientes é o dobro do preço da vCPU nas páginas da web, pois eles recebem duas vCPUs de poder de computação em vez de uma.

Recursos

documentação

Conheça o serviço em nuvem de ciência de dados

Um tour interativo pela interface do usuário.

Aprendizado na nuvem

Descubra mais sobre a ciência de dados

Saiba mais sobre como usar o Oracle Cloud Infrastructure Data Science.

Produtos relacionados

Oracle Machine Learning

Crie modelos de machine learning no banco de dados

Oracle Cloud Infrastructure Data Integration

Combine e transforme dados para ciência e análise avançada de dados.

Oracle Cloud Infrastructure Data Catalog

Encontre e controle os dados usando um inventário organizado de ativos de dados em toda a empresa

Oracle Cloud Infrastructure Data Flow

Execute aplicativos Apache Spark sem infraestrutura para implementar ou gerenciar com este serviço de big data totalmente gerenciado

Comece agora


Tour do produto

Experimente a interface do usuário com este tour interativo.


Laboratórios práticos

Experimente o produto ao vivo, de graça.


Informativo

Descubra mais no boletim informativo de IA e Ciência de Dados.