5 À propos d'Oracle Machine Learning Notebooks version classique
Un carnet peut contenir de nombreux paragraphes. Un paragraphe est un composant de carnet dans lequel vous pouvez écrire et exécuter des énoncés SQL, des scripts PL/SQL, du code R et Python et des instructions Conda. Vous pouvez exécuter des paragraphes individuellement ou tous les paragraphes d'un carnet à l'aide d'un seul bouton.
Un paragraphe comporte une section d'entrée et une section de sortie. Dans la section d'entrée, spécifiez l'interpréteur à exécuter avec le code ou le texte. Ces informations sont envoyées à l'interpréteur pour exécution. Dans la section de sortie, les résultats de l'interpréteur sont fournis.
La page Carnets version classique répertorie tous les carnets associés au projet sélectionné. Vous pouvez créer, modifier et exécuter vos carnets ici.
Vous pouvez effectuer les tâches suivantes dans la page Carnets version classique :
Figure 5-1 Page classique des carnets OML
-
Aller au carnet OML : Cliquez sur Aller au carnet OML pour aller à la page Oracle Machine Learning Notebooks.
-
Créer : Cliquez sur Créer pour créer un carnet.
-
Modifier : Cliquez sur une rangée de carnet pour la sélectionner et cliquez sur Modifier. Vous pouvez modifier le nom du carnet et ajouter des commentaires dans la boîte de dialogue Modifier le carnet.
-
Supprimer : Cliquez sur une rangée de carnet pour la sélectionner et cliquez sur Supprimer.
-
Dupliquer : Cliquez sur une rangée de carnet pour la sélectionner, puis cliquez sur Dupliquer. Cela crée une copie d'un carnet, et la copie en double de celui-ci est listée dans la page Carnets avec le suffixe
_1
dans le nom du carnet. - Déplacer : Sélectionnez un carnet et cliquez sur Déplacer pour déplacer le carnet vers un autre projet, dans le même espace de travail ou dans un autre. Vous devez disposer du privilège
Administrator
ouDeveloper
pour déplacer des carnets entre des projets et des espaces de travail. Vous pouvez déplacer des carnets qui s'exécutent à partir de tâches, car lorsque vous exécutez des carnets à partir de tâches, une copie du carnet est exécutée.Note :
Un carnet ne peut pas être déplacé s'il a l'état RUNNING ou s'il existe déjà un carnet dans le projet cible portant le même nom. - Copier : Sélectionnez un carnet et cliquez sur Copier pour copier le carnet dans un autre projet, dans le même espace de travail ou dans un autre. Vous devez disposer du privilège
Administrator
ouDeveloper
pour copier des carnets dans différents projets et espaces de travail. -
Enregistrer en tant que modèle : Pour enregistrer un carnet en tant que modèle, sélectionnez le carnet et cliquez sur Enregistrer en tant que modèle. Dans la boîte de dialogue Enregistrer en tant que modèle, vous pouvez définir l'emplacement du modèle pour l'enregistrer dans Personnel ou Partagé sous Modèles.
-
Importer : Pour importer un carnet en tant que fichiers
.json
, cliquez sur Importer. Sélectionnez le projet et l'espace de travail dans lesquels importer le carnet. - Exporter : Pour exporter un carnet, cliquez sur Exporter. Vous pouvez exporter des carnets au format Zeppelin ( .json ) et au format Jupyter ( .ipynb ), puis les importer dans le même environnement ou dans un autre.
-
Version : Pour créer des versions d'un carnet, sélectionnez-le et cliquez sur Version. Vous pouvez tester votre carnet en créant des versions et revenir à une version plus ancienne en cliquant sur Rétablir la version.
Note :
Vous pouvez également créer une version d'un carnet en l'ouvrant, puis en cliquant sur l'option Contrôle des versions . À l'aide de cette option, vous pouvez créer de nouvelles versions, consulter l'historique des versions, restaurer des versions plus anciennes et supprimer toutes les versions plus anciennes du carnet que vous avez ouvert. - Copier dans les carnets OML : Pour copier les carnets sélectionnés dans l'interface des carnets à l'aide du nom initial avec le suffixe _
new
. Vous pouvez maintenant accéder à ce carnet en cliquant sur Carnets dans le menu de navigation de gauche, ou en cliquant sur Aller aux carnets OML dans le coin supérieur droit de cette page. -
Pour ouvrir un carnet et l'exécuter, cliquez sur celui-ci. Le carnet s'ouvre en mode de modification.
- Créer un carnet version classique
Un carnet version classique est une interface Web pour l'analyse de données, la détection de données, la visualisation de données et la collaboration. - Modifier votre carnet version classique
À la création d'un carnet OML version classique, il s'ouvre automatiquement et vous présente un seul paragraphe à l'aide de l'interpréteur%sql
par défaut. Vous pouvez modifier l'interpréteur en spécifiant explicitement l'une des valeurs suivantes :%script, %python,
%sql
,%r
,%md
ou%conda
. - Version d'un carnet version classique
Vous pouvez créer une version ou une sauvegarde d'un carnet version classique, l'expérimenter et rétablir le carnet initial, si nécessaire. - Enregistrer des carnets version classique en tant que modèles
Vous pouvez enregistrer un carnet version classique existant en tant que modèle dans Personnel ou dans Partagé. - Utiliser l'interpréteur SQL dans un paragraphe de carnet
Un carnet Oracle Machine Learning prend en charge plusieurs langues. Chaque paragraphe est associé à un interprète spécifique. Par exemple, pour exécuter des instructions SQL, utilisez l'interpréteur SQL. Pour exécuter des énoncés PL/SQL, utilisez l'interpréteurscript
. - Utiliser l'interpréteur Python dans un paragraphe de carnet
Un carnet Oracle Machine Learning prend en charge plusieurs langues. Chaque paragraphe est associé à un interprète spécifique. Pour exécuter des commandes Python dans un carnet, vous devez d'abord vous connecter à l'interpréteur Python. Pour utiliser OML4Py, vous devez importer le moduleoml
. - Utiliser l'interpréteur R dans un paragraphe de carnet
Un carnet Oracle Machine Learning prend en charge plusieurs langues. Chaque paragraphe est associé à un interprète spécifique. Pour exécuter des fonctions R dans un carnet Oracle Machine Learning, vous devez d'abord vous connecter à l'interpréteur R. - Utiliser l'interpréteur Conda dans un paragraphe de carnet
Oracle Machine Learning Notebooks fournit un interpréteur Conda permettant aux administrateurs de créer des environnements Conda avec des bibliothèques Python et R de tierce partie personnalisées. Une fois créé, vous pouvez télécharger et activer les environnements Conda dans une session de carnet à l'aide de l'interpréteur Conda. - Appelez l'interpréteur Markdown et générez du HTML statique à partir du texte brut Markdown
Utilisez l'interpréteur Markdown et générez du HTML statique à partir du texte brut Markdown. - À propos des liaisons d'interpréteur et des carnets
Un interpréteur est un plugiciel qui vous permet d'utiliser un serveur dorsal de langage de traitement de données spécifique. - Utiliser le bloc-notes
Le bloc-notes vous permet d'accéder en un clic à un carnet pour exécuter des énoncés SQL, des scripts PL/SQL, R et Python qui peuvent être renommés. Le bloc-notes est disponible dans la page d'accueil de l'interface utilisateur d'Oracle Machine Learning. - Collaboration dans Oracle Machine Learning
Deux utilisateurs ou plus peuvent collaborer et partager des carnets d'interface utilisateur d'Oracle Machine Learning avec d'autres utilisateurs.
Rubriques connexes
5.1 Créer un carnet version classique
Un carnet version classique est une interface Web pour l'analyse de données, la découverte de données, la visualisation de données et la collaboration.
%sql
- Pour vous connecter à l'interpréteur SQL et exécuter des énoncés SQL%script
- Pour vous connecter à l'interpréteur PL/SQL et exécuter des scripts PL/SQL%md
- Pour vous connecter à l'interpréteur Markdown et générer du HTML statique à partir du texte brut Markdown%python
- Pour vous connecter à l'interpréteur Python et exécuter des scripts Python%r
- Pour vous connecter à l'interpréteur R et exécuter des scripts R.%conda
- Pour vous connecter à l'interpréteur Conda et installer des bibliothèques Python et R de tierce partie dans une session de carnet.
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique
5.2 Modifier votre carnet version classique
Lors de la création d'un carnet OML version classique, il s'ouvre automatiquement et vous présente un seul paragraphe à l'aide de l'interpréteur %sql
par défaut. Vous pouvez modifier l'interpréteur en spécifiant explicitement l'une des valeurs suivantes : %script, %python,
%sql
, %r
, %md
ou %conda
.
- Exporter un carnet
Vous pouvez exporter un carnet version classique au format Zeppelin (.json
) et au format Jupyter (.ipynb
), puis les importer plus tard dans le même environnement ou dans un autre. - Importer un carnet
Vous pouvez importer des carnets entre des bases de données enfichables dans votre espace de travail. Vous pouvez également importer des blocs-notes Jupyter dans l'interface utilisateur d'Oracle Machine Learning. - Créer des formulaires à cocher dans les carnets
Le formulaire à cocher prend en charge plusieurs sélections d'entrées dans un paragraphe. Les entrées sont disponibles en tant qu'options de case à cocher dans le carnet. - Créer des formulaires de sélection dans les carnets
Le formulaire de sélection vous permet de sélectionner des valeurs d'entrée dans une liste de valeurs et d'extraire dynamiquement les valeurs sélectionnées telles que définies dans le paragraphe. - Créer des formulaires d'entrée de texte dans les carnets
Le formulaire d'entrée de texte vous permet d'extraire dynamiquement les valeurs définies dans le carnet.
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique
5.2.1 Exporter un carnet
Vous pouvez exporter un carnet version classique au format Zeppelin ( .json
) et au format Jupyter ( .ipynb
), puis les importer plus tard dans le même environnement ou dans un autre.
Rubriques connexes
Rubrique parent : Modifier votre carnet version classique
5.2.2 Importer un carnet
Vous pouvez importer des carnets entre des bases de données enfichables dans votre espace de travail. Vous pouvez également importer des blocs-notes Jupyter dans l'interface utilisateur d'Oracle Machine Learning.
Note :
À partir d'Oracle Database 20c, " base de données " fait spécifiquement référence aux fichiers de données d'une base de données conteneur multilocataire, d'une base de données enfichable ou d'un conteneur d'application.Rubriques connexes
Rubrique parent : Modifier votre carnet version classique
5.2.3 Créer des formulaires à cocher dans les carnets
Le formulaire de case à cocher prend en charge plusieurs sélections d'entrées dans un paragraphe. Les entrées sont disponibles en tant qu'options de case à cocher dans le carnet.
Rubrique parent : Modifier votre carnet version classique
5.2.4 Créer des formulaires de sélection dans les carnets
Le formulaire Select vous permet de sélectionner des valeurs d'entrée dans une liste de valeurs et d'extraire dynamiquement les valeurs sélectionnées telles que définies dans le paragraphe.
Rubrique parent : Modifier votre carnet version classique
5.2.5 Créer des formulaires d'entrée de texte dans les carnets
Le formulaire d'entrée de texte vous permet d'extraire dynamiquement les valeurs définies dans le carnet.
Rubrique parent : Modifier votre carnet version classique
5.3 Version d'un carnet version classique
Vous pouvez créer une version ou une sauvegarde d'un carnet version classique, l'expérimenter et rétablir le carnet d'origine, si nécessaire.
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique
5.4 Enregistrer les carnets version classique sous forme de modèles
Vous pouvez enregistrer un carnet version classique existant en tant que modèle dans Personnel ou dans Partagé.
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique
5.5 Utiliser l'interpréteur SQL dans un paragraphe de carnet
Un carnet Oracle Machine Learning prend en charge plusieurs langues. Chaque paragraphe est associé à un interprète spécifique. Par exemple, pour exécuter des instructions SQL, utilisez l'interpréteur SQL. Pour exécuter des énoncés PL/SQL, utilisez l'interpréteur script
.
Dans un carnet de l'interface utilisateur d'Oracle Machine Learning, vous pouvez ajouter plusieurs paragraphes et chaque paragraphe peut être connecté à différents interpréteurs tels que SQL ou Python. Vous identifiez l'interpréteur à utiliser en spécifiant %
, suivi de l'interpréteur à utiliser : sql
, script
, r
, python
, conda
, markdown
.
%sql
- Prend en charge les énoncés SQL standard. Dans%sql
, les résultats d'un énoncéSELECT
sont directement affichés dans un visualiseur de table, avec accès à d'autres options de visualisation. Utilisez les options des paramètres de graphique pour effectuer des regroupements, des sommations et d'autres opérations.%script
- Prend en charge les énoncés SQL et PL/SQL. Dans%script
, les résultats d'un énoncéSELECT
sont fournis en tant que sortie de chaîne de texte.%conda
- Prend en charge l'environnement Conda. Entrez%conda
au début du paragraphe pour vous connecter à l'environnement Conda et travailler avec des bibliothèques de tierce partie pour Python.%r
- Prend en charge les scripts R. Entrez%r
au début du paragraphe pour vous connecter à l'interpréteur R.%python
- Prend en charge les scripts Python. Entrez%python
au début du paragraphe pour vous connecter à l'interpréteur Python.%md
- Prend en charge le langage de balisage Markdown.
Note :
Pour exécuter un Regrouper par sur toutes vos données, il est recommandé d'utiliser des scripts SQL pour effectuer le regroupement dans la base de données et de retourner les informations sommaires pour le graphique dans le carnet. Le regroupement au niveau du bloc-notes fonctionne bien pour les petits ensembles de données. Si vous extrayez trop de données dans le carnet, vous risquez de rencontrer des problèmes en raison d'une mémoire insuffisante. Vous pouvez définir la limite de rangées pour votre carnet à l'aide de l'option Limite de rangées de rendu de la page Groupe de connexions.- À propos d'Oracle Machine Learning for SQL
Oracle Machine Learning for SQL (OML4SQL) offre une capacité d'apprentissage automatique puissante et de pointe dans Oracle Database. Vous pouvez utiliser Oracle Machine Learning for SQL pour créer et déployer des modèles d'apprentissage automatique prédictifs et descriptifs, ajouter des capacités intelligentes aux applications nouvelles et existantes. - Définir le format de sortie dans les carnets
Oracle Machine Learning Notebooks vous permet de préformater la sortie d'interrogation dans les carnets. - Formats de sortie pris en charge par la commande SET SQLFORMAT
À l'aide de la commandeSET SQLFORMAT
, vous pouvez générer la sortie de l'interrogation dans différents formats.
Rubriques connexes
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique
5.5.1 À propos d'Oracle Machine Learning for SQL
Oracle Machine Learning for SQL (OML4SQL) offre une puissante capacité d'apprentissage automatique de pointe au sein d'Oracle Database. Vous pouvez utiliser Oracle Machine Learning for SQL pour créer et déployer des modèles d'apprentissage automatique prédictifs et descriptifs, ajouter des capacités intelligentes aux applications nouvelles et existantes.
Oracle Machine Learning for SQL offre un ensemble complet d'algorithmes intégrés à la base de données pour effectuer une variété de tâches d'apprentissage automatique, comme la classification, la régression, la détection d'anomalies, l'extraction de fonctions, la mise en grappe et l'analyse du panier d'achat, entre autres. Les interfaces de programmation de OML4SQL sont PL/SQL pour créer et tenir à jour des modèles et une famille de fonctions SQL pour la notation.
%sql
) et des scripts PL/SQL (%script
), respectivement. Utilisez Oracle Machine Learning for SQL pour :
- Effectuer l'exploration et l'analyse des données
- Créez, évaluez et déployez des modèles d'apprentissage automatique, et
- Noter les données à l'aide de ces modèles
Rubrique parent : Utiliser l'interpréteur SQL dans un paragraphe de carnet
5.5.2 Définir le format de sortie dans les carnets
Oracle Machine Learning Notebooks vous permet de préformater la sortie d'interrogation dans les carnets.
SET SQLFORMAT
comme suit :
Rubrique parent : Utiliser l'interpréteur SQL dans un paragraphe de carnet
5.5.3 Formats de sortie pris en charge par la commande SET SQLFORMAT
À l'aide de la commande SET SQLFORMAT
, vous pouvez générer la sortie de l'interrogation dans divers formats.
Note :
Ces formats de sortie sont disponibles pour l'interpréteur de script. Par conséquent, vous devez inclure le préfixe%script
.
-
CSV - Le format CSV produit une sortie de variable standard séparée par des virgules, avec des valeurs de chaîne encadrées par des guillemets doubles. La syntaxe est :
%script
SET SQLFORMAT CSV
-
HTML - Le format HTML produit le HTML pour une table réactive. Le contenu de la table change dynamiquement pour correspondre à la chaîne de recherche entrée dans le champ de texte. La syntaxe est :
%script
SET SQLFORMAT HTML
-
XML - Le format XML produit un document XML basé sur une balise. Toutes les données sont présentées sous forme de marqueurs
CDATA
. La syntaxe est :%script
SET SQLFORMAT XML
-
JSON - Le format JSON produit un document JSON contenant les définitions des colonnes ainsi que les données qu'il contient. La syntaxe est :
%script
SET SQLFORMAT JSON
-
ANSICONSOLE - Le format ANSICONSOLE redimensionne les colonnes à la largeur des données pour économiser de l'espace. Il souligne également les colonnes, au lieu d'une ligne de sortie distincte. La syntaxe est :
%script
SET SQLFORMAT ANSICONSOLE
-
INSERT - Le format INSERT produit les instructions INSERT qui peuvent être utilisées pour recréer les lignes d'une table. La syntaxe est :
%script
SET SQLFORMAT INSERT
-
LOADER - Le format LOADER produit une sortie délimitée par une barre verticale avec des valeurs de chaîne encadrées par des guillemets doubles. Les noms de colonne ne sont pas inclus dans la sortie. La syntaxe est :
%script
SET SQLFORMAT LOADER
-
FIXE - Le format FIXE produit des colonnes de largeur fixe avec toutes les données encadrées par des guillemets doubles. La syntaxe est :
%script
SET SQLFORMAT FIXED
-
DEFAULT - L'option DEFAULT efface tous les paramètres
SQLFORMAT
précédents et retourne à la sortie par défaut. La syntaxe est :%script
SET SQLFORMAT DEFAULT
Note :
Vous pouvez également exécuter cette commande sans le nom de formatDEFAULT
en entrant simplementSET SQLFORMAT
. -
DELIMITED - Le format DELIMITED vous permet de définir manuellement la chaîne de délimiteurs et les caractères qui sont inclus dans les valeurs de chaîne. La syntaxe est :
%script
SQLFORMAT DELIMITED delimiter left_enclosure right_enclosure
Par exemple,
%script
SET SQLFORMAT DELIMITED ~del~ " "
SELECT * FROM emp WHERE deptno = 20;
Sortie :
"EMPNO"~del~"ENAME"~del~"JOB"~del~"MGR"~del~"HIREDATE"~del~"SAL"~del~"COMM"~del~"DEPTNO"
Dans cet exemple, la chaîne de délimiteur est
~del~
et les valeurs de chaîne telles queEMPNO, ENAME, JOB
, etc., sont placées entre guillemets doubles.
Rubrique parent : Utiliser l'interpréteur SQL dans un paragraphe de carnet
5.6 Utiliser l'interpréteur Python dans un paragraphe de carnet
Un carnet Oracle Machine Learning prend en charge plusieurs langues. Chaque paragraphe est associé à un interprète spécifique. Pour exécuter des commandes Python dans un carnet, vous devez d'abord vous connecter à l'interpréteur Python. Pour utiliser OML4Py, vous devez importer le module oml
.
Dans un carnet de l'interface utilisateur d'Oracle Machine Learning, vous pouvez ajouter plusieurs paragraphes et chaque paragraphe peut être connecté à différents interpréteurs tels que SQL ou Python. Vous identifiez l'interpréteur à utiliser en spécifiant %
, suivi de l'interpréteur à utiliser : sql
, script
, r
, python
, conda
, markdown
.
- Se connecter à un interpréteur Python pour exécuter des commandes Python dans un carnet
- Importer les modules Python -
oml
,matplotlib
etnumpy
- Vérifiez si le module
oml
est connecté à Oracle Database
Note :
z
est un mot clé réservé et ne doit pas être utilisé comme variable dans les paragraphes %python
des carnets de l'interface utilisateur d'Oracle Machine Learning.
Exemple pour démontrer l'utilisation des modules Python - matplotlib
et numpy
, et utiliser des données aléatoires pour tracer deux histogrammes.
- About Oracle Machine Learning for Python
Oracle Machine Learning for Python (OML4Py) is a component of Oracle Autonomous Database, which includes Oracle Autonomous Data Warehouse (ADW), Oracle Autonomous Transaction Processing (ATP), and Oracle Autonomous JSON Database (AJD). En utilisant des blocs-notes d'interface utilisateur d'Oracle Machine Learning, vous pouvez exécuter des fonctions Python sur des données pour l'exploration et la préparation des données tout en tirant parti d'Oracle Database en tant qu'environnement de calcul à haute performance. L'interface utilisateur d'Oracle Machine Learning est disponible au moyen des services Autonomous Data Warehouse (ADW), Autonomous Transaction Processing (ATP) et Autonomous JSON Database (AJD).
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique
5.6.1 À propos d'Oracle Machine Learning for Python
Oracle Machine Learning for Python (OML4Py) is a component of Oracle Autonomous Database, which includes Oracle Autonomous Data Warehouse (ADW), Oracle Autonomous Transaction Processing (ATP), and Oracle Autonomous JSON Database (AJD). En utilisant des blocs-notes d'interface utilisateur d'Oracle Machine Learning, vous pouvez exécuter des fonctions Python sur des données pour l'exploration et la préparation des données tout en tirant parti d'Oracle Database en tant qu'environnement de calcul à haute performance. L'interface utilisateur d'Oracle Machine Learning est disponible au moyen des services Autonomous Data Warehouse (ADW), Autonomous Transaction Processing (ATP) et Autonomous JSON Database (AJD).
Oracle Machine Learning for Python (OML4Py) rend le langage de script Python à code source libre et l'environnement prêt pour l'entreprise et les mégadonnées. Conçu pour les problèmes impliquant de petits et de grands volumes de données, Oracle Machine Learning for Python intègre Python à Oracle Autonomous Database, y compris ses puissants algorithmes d'apprentissage automatique dans la base de données et permet le déploiement de code Python.
- Effectuer l'exploration des données, l'analyse des données et l'apprentissage automatique à l'aide de Python en tirant parti d'Oracle Database comme moteur de calcul à haute performance
- Créer et évaluer des modèles d'apprentissage automatique et noter des données à l'aide de ces modèles à partir d'une API Python intégrée à l'aide d'algorithmes de base de données
- Déployer des fonctions Python définies par l'utilisateur au moyen d'une interface REST avec traitement parallèle des données et en parallèle des tâches
L'interpréteur Python utilise Python 3.8.5 pour traiter les scripts Python dans les carnets de l'interface utilisateur d'Oracle Machine Learning. Pour utiliser l'interpréteur, spécifiez la directive %python
au début du paragraphe. L'interpréteur Python prend en charge les modules Python suivants :
cx_Oracle 7.3.0
cycler 0.10.0
joblib 0.14.0
kiwisolver 1.1.0
matplotlib 3.1.2
numpy 1.18.1
pandas 0.25.3
pyparsing 2.4.0
python-dateutil 2.8.1
pytz 2019.3
scikit_learn 0.22.1
scipy 1.4.1
six 1.13.0
Rubriques connexes
Rubrique parent : Utiliser l'interpréteur Python dans un paragraphe de carnet
5.7 Utiliser l'interpréteur R dans un paragraphe de carnet
Un carnet Oracle Machine Learning prend en charge plusieurs langues. Chaque paragraphe est associé à un interprète spécifique. Pour exécuter des fonctions R dans un carnet Oracle Machine Learning, vous devez d'abord vous connecter à l'interpréteur R.
Dans un carnet de l'interface utilisateur d'Oracle Machine Learning, vous pouvez ajouter plusieurs paragraphes et chaque paragraphe peut être connecté à différents interpréteurs tels que R ou SQL ou Python. Vous identifiez l'interpréteur à utiliser en spécifiant %
, suivi de l'interpréteur à utiliser : sql
, script
, r
, python
, conda
, markdown
.
- Connectez-vous à l'interpréteur R pour exécuter des commandes R dans un carnet.
- Vérifier la connexion à Oracle Autonomous Database et
- Charger les bibliothèques ORE
- À propos d'Oracle Machine Learning for R
Oracle Machine Learning for R (OML4R) est un composant de la famille de produits Oracle Machine Learning, qui intègre R à Oracle Autonomous Database.
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique
5.7.1 À propos d'Oracle Machine Learning for R
Oracle Machine Learning for R (OML4R) est un composant de la famille de produits Oracle Machine Learning, qui intègre R à Oracle Autonomous Database.
Oracle Machine Learning for R rend le langage et l'environnement de script R à code source libre prêts pour les entreprises et les mégadonnées. Il est conçu pour les problèmes impliquant à la fois de grands et de petits volumes de données. OML4R permet aux utilisateurs d'exécuter des commandes et des scripts R pour les statistiques et l'apprentissage automatique, et d'effectuer des analyses de visualisation sur les tables et les vues de base de données à l'aide de la syntaxe R.
Oracle Machine Learning for R est disponible dans l'interface utilisateur d'Oracle Machine Learning, actuellement disponible au moyen d'Oracle Autonomous Database, y compris Autonomous Data Warehouse, Autonomous Transaction Processing et Autonomous JSON Database. La fonctionnalité d'exécution R intégrée d'Oracle Machine Learning for R peut être déployée au moyen d'API SQL et REST sur Autonomous Database.
Utilisez Oracle Machine Learning for R pour :
- Explorer les données et les préparer tout en tirant parti de façon transparente d'Oracle Database en tant qu'environnement informatique à haute performance.
- Exécutez des fonctions R définies par l'utilisateur sur les moteurs R générés dynamiquement et contrôlés par la base de données, avec des capacités parallèles de données et de tâches prises en charge par le système.
- Accédez et utilisez de puissants algorithmes d'apprentissage automatique intégrés à la base de données à partir du langage R.
Pour utiliser l'interpréteur R, spécifiez la directive %r
au début du paragraphe. Les ensembles R suivants sont installés pour prendre en charge Oracle Machine Learning for R.
Ensembles R exclusifs pris en charge pour Oracle Machine Learning for R
Les ensembles R propriétaires Oracle Machine Learning for R pris en charge sont les suivants :
ORE_1.5.1
OREbase_1.5.1
OREcommon_1.5.1
OREdm_1.5.1
OREdplyr_1.5.1
OREeda_1.5.1
OREembed_1.5.1
OREgraphics_1.5.1
OREmodels_1.5.1
OREpredict_1.5.1
OREstats_1.5.1
ORExml_1.5.1
Modules R à code source libre pris en charge
Les ensembles R à code source libre suivants sont pris en charge par Oracle Machine Learning for R :
-
R-4.0.5
Cairo_1.5-15
ROracle_1.4-1: DBI_1.1-2
arules_1.7-3
png_0.1-7
randomForest_4.6-14
statmod_1.4-36
dplyr_1.0-9:
R6_2.5.1
assertthat_0.2.1
cli_3.3.0
crayon_1.5.1
ellipsis_0.3.2
fansi_1.0.3
generics_0.1.2
glue_1.6.2
lazyeval_0.2.2
lifecycle_1.0.1
magrittr_2.0.3
pillar_1.7.0
pkgconfig_2.0.3
purrr_0.3.4
rlang_1.0.2
tibble_3.1.7
tidyselect_1.1.2
utf8_1.2.2
vctrs_0.4.1
Exigences relatives à l'interpréteur d'Oracle Machine Learning for R
Rkernel 1.3:
base64enc 0.1-3
cli 3.3.0
crayon 1.5.1
digest 0.6.29
ellipsis 0.3.2
evaluate 0.15
fansi 1.0.3
fastmap 1.1.0
glue 1.6.2
htmltools 0.5.2
IRdisplay 1.1
jsonlite 1.8.0
lifecycle 1.0.1
pbdZMQ 0.3-7
pillar 1.7.0
repr 1.1.4
rlang 1.0.2
utf8 1.2.2
uuid 1.1-0
vctrs 0.4.1
knitr 1.39:
evaluate_0.15
glue_1.6.2
highr_0.9
magrittr_2.0.3
stringi_1.7.6
stringr_1.4.0
xfun_0.31
yaml_2.3.5
Rubrique parent : Utiliser l'interpréteur R dans un paragraphe de carnet
5.8 Utiliser l'interpréteur Conda dans un paragraphe de carnet
Oracle Machine Learning Notebooks fournit un interpréteur Conda permettant aux administrateurs de créer des environnements Conda avec des bibliothèques Python et R de tierce partie personnalisées. Une fois créé, vous pouvez télécharger et activer les environnements Conda dans une session de carnet à l'aide de l'interpréteur Conda.
Un carnet Oracle Machine Learning prend en charge plusieurs langues. Pour cela, vous devez créer un carnet avec certains paragraphes pour exécuter des interrogations SQL et d'autres paragraphes pour exécuter des scripts PL/SQL. Pour exécuter un carnet dans différents langages de script, vous devez d'abord connecter les paragraphes du carnet aux interpréteurs respectifs tels que SQL, PL/SQL, R, Python ou Conda.
- Connectez-vous à l'interpréteur Conda
- Télécharger et activer l'environnement Conda
- Voir la liste des paquets dans l'environnement Conda
- Exécuter une fonction Python pour importer le jeu de données Iris et utiliser le paquetage Seaborn pour la visualisation
- À propos de l'environnement Conda et de l'interpréteur Conda
Conda est un ensemble à code source libre et un système de gestion d'environnement qui permet l'utilisation d'environnements contenant des bibliothèques Python et R de tierce partie. L'interface utilisateur d'Oracle Machine Learning fournit l'interpréteur Conda pour installer des bibliothèques Python et R de tierce partie dans une session de carnet. - Commandes Conda Interpreter
Ce tableau répertorie les commandes de l'interpréteur Conda.
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique
5.8.1 À propos de l'environnement Conda et de l'interpréteur Conda
Conda est un ensemble à code source libre et un système de gestion de l'environnement qui permet l'utilisation d'environnements contenant des bibliothèques Python et R tierces. L'interface utilisateur d'Oracle Machine Learning fournit l'interpréteur Conda pour installer des bibliothèques Python et R de tierce partie dans une session de carnet.
- Python standard
- Standard - À recevoir
- Oracle Machine Learning for Python embedded Python execution from the Python, SQL and REST APIs
- Exécution R intégrée d'Oracle Machine Learning for R à partir des API R, SQL et REST
Pour commencer à travailler dans l'environnement Conda :
- Assurez-vous qu'un environnement Conda est enregistré dans le stockage d'objets ou mettez à jour un ensemble existant en installant une nouvelle version.
Note :
L'environnement Conda est créé par l'utilisateur ADMIN doté du rôleOML_SYS_ADMIN
. L'administrateur gère le cycle de vie d'un environnement, notamment l'ajout ou la suppression d'ensembles et la suppression d'environnements. Les environnements Conda sont stockés dans un seau de stockage d'objets associé à Autonomous Database. - Connectez-vous à l'interface utilisateur d'Oracle Machine Learning et téléchargez l'environnement Conda. Pour télécharger l'environnement Conda, entrez :
%conda
download myenv
- Activez l'environnement Conda. Pour activer l'environnement Conda, entrez :
activate myenv
Note :
Il n'y a qu'un seul environnement Conda actif à un moment donné. - Créez un carnet, utilisez l'interpréteur Conda pour utiliser des bibliothèques de tierce partie dans le stockage d'objets. Pour utiliser l'interpréteur Conda, entrez
%conda
au début du paragraphe pour vous connecter à l'environnement Conda et travaillez avec des bibliothèques de tierce partie pour Python. Vous pouvez basculer entre les environnements Conda préinstallés. Par exemple, vous pouvez avoir un environnement pour l'analyse Graph et un autre pour l'analyse Oracle Machine Learning. - Désactivez l'environnement Conda. À titre de meilleure pratique, désactivez l'environnement Conda une fois que vous avez terminé de travailler sur votre analyse d'apprentissage automatique. Pour désactiver l'environnement, entrez :
deactivate
Rubrique parent : Utiliser l'interpréteur Conda dans un paragraphe de carnet
5.8.2 Commandes Conda Interpreter
Ce tableau répertorie les commandes de l'interpréteur Conda.
Commandes Conda Interpreter
Tableau 5-1 Commandes d'interpréteur Conda
Tâches | Commandes | Rôle |
---|---|---|
Créez un environnement Conda. | create -n <env_name> <python_version> |
|
Supprimez une liste d'ensembles d'un environnement Conda spécifié. Il s'agit également d'un alias pour Conda uninstall .
|
remove -n <env_name> --all Note : L'environnement Conda est supprimé de la session utilisateur. |
|
Répertorier l'environnement local créé par l'utilisateur. | env list |
|
Supprimer l'environnement local créé par l'utilisateur. | env remove -n <env_name> |
|
Répertoriez tous les ensembles et toutes les versions installés dans un environnement actif. | list |
|
Activer un environnement local créé par l'utilisateur. | activate -n <env_name> |
|
Désactivez l'environnement courant. | deactivate |
|
Installez un package externe à partir d'un canal Conda public. | install -n <env_name> <package_name> |
|
Désinstallez un package spécifique d'un environnement Conda. Il s'agit également d'un alias pour remove .
|
uninstall -n <env_name> <package_name> |
|
Afficher les informations sur l'installation Conda courante. | info |
|
Consultez l'aide sur la ligne de commande. | COMMANDNAME --help |
|
Chargez un environnement Conda dans le stockage d'objets.
Note : Il s'agit d'une commande propre à Autonomous Database. |
upload --overwrite <env_name> --description 'some description' -t <name> <value> Note : Vous pouvez fournir de nombreux marqueurs. Par exemple :-t <name1> <value1> -t <name2> <value2> .. |
|
Téléchargez et décompressez un environnement Conda spécifique à partir du stockage d'objets.
Note : Il s'agit d'une commande propre à Autonomous Database. |
download --overwrite <env_name> |
|
Répertorier les environnements locaux disponibles pour l'utilisateur. | list-local-envs |
|
Répertoriez tous les environnements Conda dans le stockage d'objets.
Note : Il s'agit d'une commande propre à Autonomous Database. |
list-saved-envs --installed-packages -e <env_name> |
|
Supprimez un environnement Conda.
Note : Il s'agit d'une commande propre à Autonomous Database. |
delete <env_name> Note : L'environnement Conda est supprimé du stockage d'objets. |
|
Mettez à jour les ensembles Conda vers la dernière version compatible. | update |
|
Mettez à niveau l'ensemble Conda courant. Il s'agit également d'un alias pour Conda update .
|
upgrade |
|
Sert à rechercher des ensembles et à afficher les données associées. L'entrée est MatchSpec , un langage d'interrogation pour les ensembles Conda.
|
search |
|
Rubrique parent : Utiliser l'interpréteur Conda dans un paragraphe de carnet
5.9 Appelez l'interpréteur Markdown et générez du HTML statique à partir du texte brut Markdown
Utilisez l'interpréteur Markdown et générez du HTML statique à partir du texte brut Markdown.
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique
5.10 Utiliser le bloc-notes
Le bloc-notes permet d'accéder en un clic à un carnet pour exécuter des énoncés SQL, des scripts PL/SQL, R et Python qui peuvent être renommés. Le bloc-notes est disponible dans la page d'accueil de l'interface utilisateur d'Oracle Machine Learning.
Note :
Le bloc-notes Scratchpad est un bloc-notes standard prérempli de quatre paragraphes : %sql, %script,
, %python
et %r.
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique
5.11 Collaboration dans Oracle Machine Learning
Au moins deux utilisateurs peuvent collaborer et partager des carnets d'interface utilisateur d'Oracle Machine Learning avec d'autres utilisateurs.
Vous pouvez collaborer par :
- Octroi de l'accès à l'espace de travail d'un autre utilisateur
- Utilisation de l'option d'exportation
- Utilisation des modèles de blocs-notes de l'interface utilisateur d'Oracle Machine Learning
Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique