Su búsqueda no coincide con ningún resultado.
Le sugerimos que pruebe lo siguiente para poder encontrar lo que está buscando:
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.
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.
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.
Las herramientas de visualización de código abierto populares, como Plotly, Matplotlib y Bokeh, ayudan a los data scientists a visualizar y explorar 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.
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.
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.
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.
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.
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.
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.
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.
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.
Los usuarios se conectan al repositorio Git de su organización para conservar y recuperar el trabajo de machine learning.
odelos de machine learning, proporcionando así más características de datos potenciales que conllevan la obtención de mejores modelos.
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.
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.
Utilice Python, el lenguaje más popular para la ciencia de datos, con JupyterLab y más de 300 librerías y marcos de código abierto, incluidos Dask, scikit-learn y XGBoost. O bien, personalice el entorno para obtener la máxima flexibilidad posible.
Acelere la creación de modelos con automatización desde la librería de Oracle Accelerated Data Science, lo cual facilita la preparación de datos; y seleccione y ajuste el mejor algoritmo con AutoML, obteniendo como resultado modelos de mayor calidad
Permita a los usuarios elegir y cambiar la cantidad de computación y almacenamiento necesarios para los entornos de desarrollo de notebooks; el aprovisionamiento está automatizado.
Mejore la confianza y la comprensión de los modelos mostrando cómo los datos influyen en los resultados del modelo. Tanto los expertos como los no expertos utilizan la explicación de modelos para comprender y validar qué provocó que un modelo devolviera un resultado en particular e identificar sesgos ocultos.
Mire este vídeo sobre la ciencia de datos acelerada
Implemente rápidamente modelos en la nube en una plataforma completamente administrada que escala automáticamente en función de la demanda.
Un recorrido interactivo por la interfaz de usuario.
Más información sobre el uso de Oracle Cloud Infrastructure Data Science.
Experimente la interfaz de usuario con este recorrido interactivo.
Experimente el producto en vivo de forma gratuita.
Descubra más en el boletín informativo sobre inteligencia artificial y ciencia de datos.