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
Oracle Cloud Infrastructure (OCI) Data Science
Oracle Cloud Infrastructure Data Science ayuda a los data scientists a construir, entrenar, implementar y administrar rápidamente modelos de machine learning.
Obtenga una descripción general rápida de OCI Data Science.
Oracle Cloud Infrastructure Data Science
Marcos de código abierto para machine learning
Se incluyen docenas de herramientas y marcos de código abierto populares para brindar familiaridad y versatilidad a los data scientists. Cree modelos de machine learning con TensorFlow, PyTorch o añada otros marcos de su elección.
Interfaz de JupyterLab
Los entornos de notebooks JupyterLab integrados y alojados en la nube permiten a los equipos de data scientists crear y entrenar modelos con una interfaz de usuario familiar.
Herramientas de visualización de datos
Las herramientas de visualización de código abierto populares, como Plotly, Matplotlib y Bokeh, ayudan a los data scientists a visualizar y explorar datos.
Acceso y exploración de datos
La librería de Accelerated Data Science de Oracle es una librería Python que contiene un conjunto completo de conexiones de datos, lo cual permite a los data scientists acceder y utilizar datos procedentes de muchos almacenes de datos diferentes para producir mejores modelos.
Machine Learning automatizado (AutoML)
La librería de Accelerated Data Science admite el propio AutoML de Oracle, así como herramientas de código abierto como H2O 3 y auto-sklearn. AutoML de Oracle ofrece selección automatizada de funciones, muestreo adaptativo y selección automatizada de algoritmos. Estas características, junto con el ajuste de hiperparámetros, generan en última instancia un candidato de modelo preciso que le ahorra al científico de datos un tiempo significativo.
Evaluación de modelos
La evaluación automatizada genera un conjunto completo de métricas de evaluación y visualizaciones para medir el rendimiento de los modelos con datos nuevos y comparar modelos candidatos que permiten al científico de datos crear un modelo de gran calidad.
Explicación de modelos
La explicación de modelos de Accelerated Data Science incluye explicaciones globales y locales para ayudar a explicar el comportamiento general de un modelo, así como predicciones específicas del modelo. Para los consumidores de modelos, las explicaciones automatizadas independientes del modelo mejoran la comprensión y la confianza, abordan las necesidades regulatorias y aumentan la velocidad de adopción de machine learning.
Oracle Functions
Implemente fácilmente modelos de ciencia de datos como Oracle Functions, una arquitectura serverless, on-demand sumamente escalable en Oracle Cloud Infrastructure que simplifica a los data scientists y administradores de infraestructura la implementación.
Catálogos de modelos
Los miembros del equipo usan el catálogo de modelos para preservar y compartir modelos de machine learning completos y los artefactos necesarios para reproducirlos, probarlos e implementarlos.
Reproducibilidad y auditabilidad
Los entornos Conda y las características del catálogo de modelos permiten a las organizaciones reproducir el código del modelo original, la librería y las dependencias del conjunto de datos de formación. Esto permite a los data scientists volver a formar, reproducir y auditar modelos de machine learning.
Colaboración del equipo de ciencia de datos
Proyectos compartidos
Los miembros del equipo usan proyectos para organizar, habilitar el control de versiones y compartir de manera fiable todo su trabajo, incluidos los datos y las sesiones de notebook.
Políticas de seguridad
Las políticas de seguridad basadas en equipos permiten a los usuarios incluir miembros del equipo en proyectos. Estas políticas controlan el acceso a modelos, códigos y datos para facilitar la colaboración, pero también para proteger el trabajo. Los controles de seguridad están estrechamente integrados con Oracle Cloud Infrastructure Identity and Access Management.
Control de versiones
Los usuarios se conectan al repositorio Git de su organización para conservar y recuperar el trabajo de machine learning.
Acceso flexible a datos
odelos de machine learning, proporcionando así más características de datos potenciales que conllevan la obtención de mejores modelos.
Computación y almacenamiento de autoservicio y on-demand
Los usuarios eligen la cantidad de recursos informáticos y de almacenamiento que necesitan para abordar proyectos de cualquier tamaño sin preocuparse por el aprovisionamiento o el mantenimiento de la infraestructura.
Hardware potente, incluidas las unidades de procesamiento gráfico (GPU)
Los data scientists pueden crear y formar modelos de aprendizaje profundo en mucho menos tiempo usando GPU en sesiones de notebook. Oracle Cloud Infrastructure Data Science ofrece soporte para las GPU NVIDIA P100 y V100.
La Universidad de Victoria acelera la investigación con Oracle Cloud Infrastructure Data Science
Los investigadores de la Universidad de Victoria recurrieron a Oracle Cloud para intentar predecir los incidentes de violencia doméstica denunciados en las redes sociales.
