Aucun résultat trouvé

Votre recherche n’a donné aucun résultat.

Nous vous suggérons d’essayer ce qui suit pour trouver ce que vous recherchez :

  • Vérifiez l’orthographe de votre recherche par mot clé.
  • Utilisez des synonymes pour le mot clé que vous avez saisi, par exemple, essayez « application » au lieu de « logiciel ».
  • Essayez l’une des recherches les plus utilisées ci-dessous.
  • Lancez une nouvelle recherche.
Questions fréquentes

Oracle Cloud Infrastructure Virtual Machines for Data Science

Avec l’explosion des données d’entreprise (des données clients à l’Internet of Things), les data scientists ont besoin de la flexibilité nécessaire pour explorer et construire rapidement des modèles. Mais l’achat de nouveau matériel pour répondre à une demande temporaire ou de pointe peut impliquer des dépenses d’investissement importantes ainsi qu’un temps considérable.

Les machines virtuelles Oracle Cloud Infrastructure pour la data science sont des environnements préconfigurés qui vous permettent d’élaborer des modèles et de créer de la valeur commerciale plus rapidement. Construites sur Oracle Cloud Infrastructure, ces VM offrent des performances, une sécurité et un contrôle exceptionnels. Vous pouvez étendre vos ressources de calcul en fonction de vos besoins à l’aide de l’évolutivité automatique et maîtriser les coûts en arrêtant les instances de calcul lorsqu’elles ne sont pas nécessaires.

Les options de calcul convenant à cette image de VM comprennent une machine virtuelle avec un GPU NVIDIA qui peut être opérationnelle en moins de 15 minutes avec des IDE, des notebooks et des cadres courants préinstallés. Les machines virtuelles Oracle Cloud Infrastructure pour data science incluent des exemples de données et de code de base que vous pouvez tester et explorer.

Machines virtuelles pour la data science
Un grand opérateur de téléphonie mobile obtient des performances plus rapides avec une solution d’intelligence artificielle basée sur Oracle Cloud Infrastructure

Un grand opérateur de téléphonie mobile obtient des performances plus rapides avec une solution d’intelligence artificielle basée sur Oracle Cloud Infrastructure

Un grand opérateur de réseau mobile fournit un assistant vocal virtuel alimenté par l’IA dans plusieurs langues à des millions d’utilisateurs. L’environnement utilise un cluster avec 2 nœuds de 8 GPU chacun, connectés comme un cluster avec 16 GPU et 768 Go de mémoire dans chaque nœud, ce qui réduit considérablement le temps de formation du modèle.

La solution utilise 100 millions de paramètres entraînables optimisés à chaque itération. Les résultats comprennent une augmentation de la performance de la parole au texte de 2,4 fois et la gestion de la parole au texte de 30 à 50 % plus rapide, ainsi qu’un entraînement plus rapide des modèles.

Machines virtuelles pour la data science

Avantages

Fondée sur Oracle Cloud Infrastructure, notre solution pour la data science offre des performances, une sécurité et un contrôle exceptionnels et vous permet de créer des modèles et de générer de la valeur commerciale plus rapidement.

Rapide

Être rapidement opérationnel. Il suffit de déployer l’image préconfigurée et de commencer à travailler. Lorsque vous avez terminé, le démontage est tout aussi facile.

Facile à utiliser

Lancez vous-même ces images dans le Cloud, rapidement et facilement, sans l’aide ou l’intervention de votre service informatique.

Tout ce dont vous avez besoin

L’image tout-en-un comprend un ensemble complet d’outils préinstallés. Vous pouvez facilement ajouter et personnaliser, soit avant le déploiement avec le script Terraform, soit manuellement après l’exécution du système.

Flexibilité

Ajouter des ressources de calcul supplémentaires dans le Cloud rapidement et facilement, en effectuant une mise à l’échelle automatique ou en utilisant Oracle Cloud Infrastructure Resource Manager.

Personnalisable

Utiliser une forme de GPU pour la formation et l’inférence de modèles d’apprentissage en profondeur ou un calcul basé sur le processeur pour le machine learning, selon vos besoins.

Faible coût

Réduire vos coûts informatiques. Pour environ 30 dollars, vous pouvez faire tourner un modèle pendant une journée sur un GPU Tesla P100 dans le Cloud.

Cas d’utilisation

L’environnement préconfiguré d’Oracle pour l’apprentissage en profondeur est utile dans de nombreux secteurs et pour un large éventail d’applications.

 

Traitement du langage naturel

 

Reconnaissance et classification d’images

 

Détection des fraudes pour les services financiers

 

Moteurs de recommandation pour les détaillants en ligne

 

Gestion des risques

Machine virtuelle pour la data science - Contenu de l’image

Système d’exploitation

  • Famille d’images : Oracle Linux 7.x
  • Système d’exploitation : Oracle Linux
  • Version du noyau : kernel-uek-4.14.35-1902.8.4.el7uek.x86_64
  • Version CUDA : 10-1-10.1.168-1
  • Version cuDNN : 7.3.1
  • Date de publication : 19 décembre 2019

Cadres de machine learning (basés sur Python)

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

Environnements de développement intégré (IDE) et ordinateurs portables (Notebooks)

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

Laboratoires inclus

Si vous souhaitez tester l’environnement ou en savoir plus sur l’apprentissage en profondeur et la data science, des Jupyter Notebooks fournissant des instructions auto-guidées sont inclus. Il suffit d’ouvrir le fichier readme.md dans le Jupyter Notebook de la machine virtuelle.

  • Laboratoire 1 : Introduction aux packs de machine learning : scikit-learn
    Suivez le tutoriel de scikit-learn et découvrez comment construire et ajuster des modèles avec scikit-learn. Comprend des exercices.
  • Laboratoire 2 : Introduction aux packs ML : PyTorch
    Couvre le tutoriel PyTorch et explique comment construire et régler des modèles de réseaux neuronaux dans PyTorch pour les tâches de vision, le traitement du langage naturel et les utilisations connexes.
  • Laboratoire 3 : Réseaux neuronaux avancés et apprentissage par transfert pour le traitement du langage naturel
    Fournit un tutoriel sur les réseaux de neurones convolutifs et récurrents.
  • Laboratoire 4 : Réseaux neuronaux avancés et apprentissage par transfert pour la vision
    Explique comment mettre en œuvre des CNN personnalisés et utiliser des CNN préformés à la pointe de la technologie.