No se han encontrado resultados

Su búsqueda no coincide con ningún resultado.

Le sugerimos que pruebe lo siguiente para poder encontrar lo que está buscando:

  • Verifique la ortografía de su búsqueda de palabras clave.
  • Utilice sinónimos para la palabra clave que escribió; por ejemplo, intente con “aplicación” en lugar de “software”.
  • Pruebe con una de las búsquedas populares que se muestran a continuación.
  • Comience una nueva búsqueda.
Tendencias de preguntas

Máquinas virtuales de Oracle Cloud Infrastructure para Data Science

Con la explosión de los datos comerciales, que van desde los datos de los clientes hasta el Internet de las cosas, los data scientist necesitan flexibilidad para explorar y crear modelos rápidamente. Pero la adquisición de hardware nuevo para satisfacer la demanda temporal o los picos de demanda puede suponer un gasto de capital importante, así como una cantidad de tiempo considerable.

Las máquinas virtuales (VM) de Oracle Cloud Infrastructure para Data Science son entornos preconfigurados que le permiten crear modelos y ofrecer valor empresarial con mayor rapidez. Creadas sobre Oracle Cloud Infrastructure, estas máquinas virtuales ofrecen un rendimiento, seguridad y control excepcionales. Puede expandir sus recursos informáticos según sea necesario mediante el ajuste de escala de computación automático y puede mantener los costes bajo control al detener las instancias de computación cuando no son necesarias.

Las opciones de computación adecuadas para esta imagen de VM incluyen una máquina virtual con una GPU NVIDIA que puede estar en funcionamiento en menos de 15 minutos con los IDE, notebooks y frameworks comunes preinstalados. Las VM de Oracle Cloud Infrastructure para Data Science incluyen datos y código de muestra básicos para que los pruebe y explore.

Máquinas virtuales para Data Science
Un importante operador inalámbrico logra un rendimiento más rápido con una solución de IA creada en Oracle Cloud Infrastructure

Un importante operador inalámbrico logra un rendimiento más rápido con una solución de IA creada en Oracle Cloud Infrastructure

Un gran operador de telefonía móvil ofrece a millones de usuarios un asistente de voz virtual basado en IA en varios idiomas. El entorno utiliza un clúster con 2 nodos de 8 GPU cada uno, conectados como un clúster con 16 GPU y 768 GB de memoria en cada nodo, lo que reduce considerablemente el tiempo de entrenamiento del modelo.

La solución utiliza 100 millones de parámetros entrenables optimizados en cada iteración. Los resultados incluyen un aumento del rendimiento de la conversión de voz a texto de 2,4 veces y un manejo de la conversión de texto a voz entre un 30 y un 50 por ciento más rápido, junto con un entrenamiento más rápido de los modelos.

Máquinas virtuales para Data Science

Ventajas

Creada sobre Oracle Cloud Infrastructure, nuestra solución para data science ofrece un rendimiento, una seguridad y un control excepcionales y le permite crear modelos y ofrecer valor empresarial con mayor rapidez.

Rápido

Póngase en marcha rápidamente. Basta con desplegar la imagen preconfigurada y empezar a trabajar. Al terminar, el desmontaje es igual de sencillo.

Fácil de usar

Lance usted mismo estas imágenes en la nube, de forma rápida y sencilla, sin necesidad de asistencia ni intervención de su organización de TI.

Todo lo que se necesita

La imagen todo en uno incluye un conjunto completo de herramientas preinstaladas. Se puede agregar y personalizar fácilmente, ya sea antes del despliegue con el script Terraform o manualmente una vez que el sistema esté funcionando.

Flexible

Agregue recursos informáticos adicionales en la nube de forma rápida y sencilla, mediante el autoescalado o utilizando Oracle Cloud Infrastructure Resource Manager.

Personalizable

Utilice una forma de GPU para el entrenamiento y la inferencia del modelo de aprendizaje profundo o un cálculo basado en la CPU para machine learning, según sus necesidades.

Bajo coste

Reduzca sus costes de TI. Por unos 30 dólares, se puede ejecutar un modelo durante un día en una GPU Tesla P100 en la nube.

Casos de uso

El entorno preconfigurado de Oracle para el aprendizaje profundo es útil en muchas industrias a través de una amplia gama de aplicaciones.

 

Procesamiento del lenguaje natural

 

Reconocimiento y clasificación de imágenes

 

Detección de fraudes en los servicios financieros

 

Motores de recomendación para minoristas online

 

Gestión de riesgos

Máquina virtual para contenido de imágenes de Data Science

Sistema operativo

  • Familia de imágenes: Oracle Linux 7.x
  • Sistema operativo: Oracle Linux
  • Versión del kernel: kernel-uek-4.14.35-1902.8.4.el7uek.x86_64
  • Versión de CUDA: 10-1-10.1.168-1
  • Versión de cuDNN: 7.3.1
  • Fecha de lanzamiento: 19 de diciembre de 2019

Marcos de machine learning (basados en Python)

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

Entornos de desarrollo integrados (IDE) y notebooks

  • Distribución de código abierto Anaconda
  • Spyder
  • PyCharm
  • Atom
  • Jupyter Notebook
  • Sublime Text

Laboratorios incluidos

Si desea probar el entorno u obtener más información sobre el aprendizaje profundo y data science, se incluyen Jupyter Notebooks que proporcionan instrucciones autoguiadas. Solo hay que abrir el archivo readme.md en Jupyter Notebook en la máquina virtual.

  • Laboratorio 1: Introducción a los paquetes de machine learning: scikit-learn
    Recorrido por el tutorial de scikit-learn, donde explica cómo construir y ajustar modelos en scikit-learn. Incluye ejercicios.
  • Laboratorio 2: Introducción a los paquetes de ML: PyTorch
    Cubre el tutorial de PyTorch y cómo construir y ajustar modelos sobre redes neuronales en PyTorch para tareas de visión, procesamiento del lenguaje natural y otros usos relacionados.
  • Laboratorio 3: Redes neuronales avanzadas y aprendizaje de transferencia para el procesamiento del lenguaje natural
    Ofrece un tutorial sobre redes neuronales convolucionales y recurrentes.
  • Laboratorio 4: Redes neuronales avanzadas y aprendizaje por transferencia para la visión
    Explica cómo implementar redes CNN personalizadas y utilizar redes CNN preentrenadas de última generación.