Votre recherche n’a donné aucun résultat.
Nous vous suggérons d’essayer ce qui suit pour trouver ce que vous recherchez :
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.
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.
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.
Les outils de visualisation open source populaires tels que Plotly, Matplotlib et Bokeh aident les data scientists à visualiser et à explorer les données.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Les utilisateurs se connectent au référentiel Git de leur organisation pour préserver et récupérer le travail de machine learning.
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.
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.
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.
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.
Utilisez Python, le langage le plus populaire pour la data science, avec JupyterLab et plus de 300 bibliothèques et infrastructures open source, notamment Dask, scikit-learn et XGBoost. Sinon, personnalisez l'environnement pour une flexibilité ultime.
Accélérez la création de modèles grâce à l'automatisation à partir de la bibliothèque Oracle Accelerated Data Science, ce qui facilite la préparation des données. Puis, sélectionnez et réglez le meilleur algorithme avec AutoML, le tout résultant en des modèles de meilleure qualité.
Permettez aux utilisateurs de choisir et de modifier la quantité de calcul et de stockage nécessaires pour les environnements de développement sur ordinateur portable. Le provisionnement est automatisé.
Améliorez la confiance et la compréhension des modèles en montrant comment les données influencent les résultats des modèles. Les experts et les non-experts utilisent l'explication du modèle pour comprendre et valider ce qui a amené un modèle à renvoyer un résultat particulier et à identifier les biais cachés.
Regardez cette vidéo sur la data science accélérée
Déployez rapidement des modèles dans le Cloud sur une plateforme entièrement gérée qui s'adapte automatiquement à la demande.
Produit |
Prix unitaire |
Indicateur |
Calcul - Machine virtuelle standard - E2 |
OCPU par heure |
|
Calcul - Machine virtuelle standard - X7 |
OCPU par heure |
|
VM.GPU2.1 (NVIDIA P100) |
GPU par heure |
|
VM.GPU3.x (NVIDIA V100 Tensor Core - 16 Go) |
GPU par heure |
|
Stockage Block Volume |
Capacité de stockage en Go/mois |
|
Unités de performance Block Volume |
Unités de performance par Go/mois (10 VPU à $0.017 pour des performances équilibrées) |
Produit |
Prix unitaire |
Indicateur |
Object Storage - Stockage |
Capacité de stockage en Go/mois |
Une visite interactive de l'interface utilisateur.
En savoir plus sur l'utilisation d'Oracle Cloud Infrastructure Data Science.
Découvrez l’interface utilisateur avec cette visite interactive.
Découvrez le produit en direct, gratuitement.
Découvrez-en plus dans la newsletter IA et data science.