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 tapé, par exemple, essayez “application” au lieu de “logiciel”.
- Essayez l’une des recherches populaires ci-dessous.
- Lancer une nouvelle recherche.
Questions tendances
Oracle Cloud Infrastructure (OCI) Data Science
Oracle Cloud Infrastructure Data Science aide les data scientists à créer, former, déployer et gérer rapidement des modèles de machine learning.
Obtenez un aperçu rapide d'OCI Data Science.
Oracle Cloud Infrastructure Data Science
Infrastructures d’apprentissage automatique open source
Des dizaines d'outils et d'infrastructures open source populaires sont inclus pour offrir familiarité et polyvalence aux data scientists. Créez des modèles de machine learning avec TensorFlow et PyTorch, ou ajoutez d'autres infrastructures de votre choix.
Interface JupyterLab
Les environnements de bloc-notes JupyterLab intégrés et hébergés dans le Cloud permettent aux équipes de data scientists de créer et de former des modèles avec une interface utilisateur familière.
Outils de visualisation des données
Les outils de visualisation open source populaires tels que Plotly, Matplotlib et Bokeh aident les data scientists à visualiser et à explorer les données.
Accès aux données et exploration
La bibliothèque Accelerated Data Science d'Oracle est une bibliothèque Python qui contient un ensemble complet de connexions de données, permettant aux data scientists d'accéder aux données de nombreux magasins de données différents et de les utiliser pour produire de meilleurs modèles.
Automated Machine Learning (AutoML)
La bibliothèque Accelerated Data Science prend en charge l'AutoML d'Oracle, ainsi que des outils open source tels que H2O 3 et auto-sklearn. AutoML d'Oracle offre une sélection automatique des fonctionnalités, un échantillonnage adaptatif et une sélection automatique d'algorithmes. Ces fonctionnalités, ainsi que le réglage des hyperparamètres, génèrent en fin de compte un candidat modèle précis, ce qui fait gagner un temps considérable au data scientist.
Évaluation du modèle
L'évaluation automatisée génère une suite complète d'indicateurs clés et de visualisations d'évaluation pour mesurer les performances du modèle par rapport à de nouvelles données et comparer les candidats modèles pour permettre au data scientist de produire plus facilement un modèle de haute qualité.
Explication du modèle
L'explication du modèle Accelerated Data Science comprend des explications globales et locales pour aider à expliquer le comportement global d'un modèle, ainsi que des prédictions de modèle spécifiques. Pour les consommateurs de modèles, les explications automatisées indépendantes du modèle améliorent la compréhension et la confiance, répondent aux besoins réglementaires et augmentent la vitesse d'adoption du machine learning.
Oracle Functions
Déployez facilement des modèles de data science en tant qu'Oracle Functions, une architecture hautement évolutive, à la demande et sans serveur sur Oracle Cloud Infrastructure qui simplifie le déploiement pour les data scientists et les administrateurs d'infrastructure.
Catalogues de modèles
Les membres de l'équipe utilisent le catalogue de modèles pour conserver et partager des modèles de machine learning terminés et les artefacts nécessaires pour les reproduire, les tester et les déployer.
Reproductibilité et auditabilité
Les environnements Conda et les fonctionnalités de catalogue de modèles permettent aux organisations de reproduire le code de modèle d'origine, la bibliothèque et les dépendances du jeu de données de formation. Cela permet aux data scientists de reformer, reproduire et auditer les modèles de machine learning.
Collaboration d'équipe data science
Projets partagés
Les membres de l'équipe utilisent des projets pour organiser, activer le contrôle de version et partager de manière fiable tout leur travail, y compris les sessions de données et de bloc-notes.
Politiques de sécurité
Les politiques de sécurité basées sur l'équipe permettent aux utilisateurs d'inclure des membres d'équipe dans les projets. Ces politiques contrôlent l'accès aux modèles, au code et aux données pour faciliter la collaboration, mais aussi pour protéger le travail. Les contrôles de sécurité sont entièrement intégrés à Oracle Cloud Infrastructure Identity and Access Management.
Contrôle de version
Les utilisateurs se connectent au référentiel Git de leur organisation pour préserver et récupérer le travail de machine learning.
Accès aux données flexible
Toute source de données dans n'importe quel Cloud ou sur site peut être consultée et utilisée par les data scientists pour créer des modèles de machine learning offrant plus de fonctionnalités de données potentielles, menant à de meilleurs modèles.
Calcul et stockage en libre accès et à la demande
Les utilisateurs sélectionnent la quantité de ressources de calcul et de stockage dont ils ont besoin pour s'attaquer à des projets de toute taille sans se soucier du provisionnement ou de la maintenance de l'infrastructure.
Matériel puissant, y compris les unités de traitement graphique (GPU)
Les data scientists peuvent créer et former des modèles de deep learning en beaucoup moins de temps à l'aide de GPU dans les sessions sur ordinateur portable. Oracle Cloud Infrastructure Data Science prend en charge les GPU NVIDIA P100 et V100.
L’Université de Victoria accélère la recherche avec Oracle Cloud Infrastructure Data Science
Les chercheurs de l’Université de Victoria se sont tournés vers Oracle Cloud pour tenter de prévoir les incidents de violence domestique rapportés sur les réseaux sociaux.
