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.
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.
