1. Utilisation de l'interface utilisateur d'Oracle Machine Learning sur Autonomous Database
  2. À propos d'Oracle Machine Learning Notebooks version classique

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

carnets OML, page

  • 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 ou Developer 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 ou Developer 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 Gestion 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'interpréteur script.
  • 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.
  • 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.

Chaque fois que vous créez un carnet version classique, il comporte une spécification de paramètres d'interpréteur. Le carnet classique contient une liste interne de liaisons qui détermine l'ordre des liaisons d'interpréteur. Un carnet version classique comprend des paragraphes qui sont un composant de carnet où vous pouvez écrire des énoncés SQL, exécuter des scripts PL/SQL et exécuter des commandes Python. Un paragraphe comporte une section d'entrée et une section de sortie. Dans la section d'entrée, spécifiez l'interpréteur à exécuter avec le texte. Ces informations sont envoyées à l'interpréteur à exécuter. Dans la section de sortie, les résultats de l'interpréteur sont fournis.
Pour créer un carnet version classique :
  1. Dans la page d'accueil de l'interface utilisateur d'Oracle Machine Learning, cliquez sur Carnets version classique. La page Carnets version classique s'ouvre.
  2. Dans la page Carnets version classique, cliquez sur Créer.
    La fenêtre Créer un carnet s'affiche.
  3. Dans le champ Nom, indiquez un nom pour le carnet.
  4. Dans le champ Commentaires, entrez des commentaires, le cas échéant.
  5. Cliquez sur OK.
Votre carnet version classique est créé et s'ouvre dans l'éditeur de carnet. Vous pouvez maintenant l'utiliser pour exécuter des énoncés SQL, des scripts PL/SQL, des commandes Python, R et Conda. Pour ce faire, spécifiez l'une des directives suivantes dans la section d'entrée du paragraphe :
  • %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.

Définissez le contexte d'un projet auquel votre carnet est associé.
Vous pouvez modifier un carnet version classique existant dans votre projet. Pour modifier un carnet classique existant :
  1. Dans la page d'accueil de l'interface utilisateur d'Oracle Machine Learning, sélectionnez le projet dans lequel votre carnet est disponible.
  2. Allez au navigateur de l'interface utilisateur d'Oracle Machine Learning et sélectionnez Carnets version classique. Tous les carnets disponibles dans le projet sont répertoriés.
  3. Cliquez sur le carnet à ouvrir et à modifier.
    Le carnet sélectionné s'ouvre en mode de modification.
  4. En mode de modification, vous pouvez utiliser les options de la barre d'outils d'Oracle Machine Learning Notebooks version classique pour exécuter du code dans les paragraphes, pour les paramètres de configuration et les options d'affichage.

    Figure 5-2 Barre d'outils du bloc-notes

    Barre d'outils des carnets version classique
    Vous pouvez effectuer les tâches suivantes :
    • Écrire du code pour extraire les données
    • Cliquez sur exécution pour exécuter un ou tous les paragraphes du carnet.
    • Cliquez sur afficher le code de masquage pour masquer tous les codes de tous les paragraphes du carnet. Cliquez à nouveau dessus pour afficher les codes.
    • Cliquez sur afficher la sortie de masquage pour masquer toutes les sorties de tous les paragraphes du carnet. Cliquez à nouveau dessus pour afficher les sorties.
    • Cliquez sur effacer la sortie pour supprimer toutes les sorties de tous les paragraphes du carnet. Pour afficher la sortie, cliquez de nouveau sur l'icône d'exécution.
    • Cliquez sur effacer le carnet pour supprimer tous les paragraphes du carnet.
    • Cliquez sur exporter le carnet pour exporter le carnet.
    • Cliquez sur code de recherche pour rechercher toute information dans les codes présents dans le carnet.
    • Cliquez sur raccourcis clavier pour voir la liste des raccourcis clavier.
    • Cliquez sur liaisons d'interpréteur pour définir l'ordre des liaisons d'interpréteur pour le carnet.
    • Cliquez sur options d'affichage du carnet pour sélectionner l'une des trois options d'affichage de carnet.
      • Cliquez sur Valeur par défaut pour voir les codes, la sortie et les métadonnées dans tous les paragraphes du carnet.
      • Cliquez sur Simple pour voir uniquement le code et la sortie dans tous les paragraphes du carnet. Dans cette vue, la barre d'outils du carnet et toutes les options de modification sont masquées. Vous devez pointer la souris pour voir les options de modification.
      • Cliquez sur Rapport pour voir uniquement la sortie dans tous les paragraphes du carnet.
    • Cliquez sur modifier les options pour accéder aux options de modification propres au paragraphe, telles que effacer la sortie, supprimer le paragraphe, ajuster la largeur, la taille de la police, exécuter tous les paragraphes au-dessus ou en dessous du paragraphe sélectionné, etc.
    • Ajoutez des formulaires dynamiques tels que le formulaire d'entrée de texte, le formulaire de sélection, le formulaire de case à cocher pour faciliter la sélection des entrées et le filtrage facile des données dans votre carnet. Oracle Machine Learning prend en charge les formulaires dynamiques Apache Zeppelin suivants :

      • Formulaire d'entrée de texte - Permet de créer un formulaire simple pour l'entrée de texte.

      • Sélectionner un formulaire - Permet de créer un formulaire contenant un intervalle de valeurs que l'utilisateur peut sélectionner.

      • Formulaire de case à cocher - Permet d'insérer des cases à cocher pour une sélection multiple d'entrées.

    Note :

    Les formulaires dynamiques Apache Zeppelin ne sont pris en charge que sur les carnets d'interpréteur SQL.
  5. Une fois que vous avez terminé de modifier le carnet, cliquez sur Précédent.
    Vous revenez à la page Carnets version classique.
  • 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.

Pour exporter un carnet version classique :
  1. Dans la page Carnets version classique, sélectionnez les carnets à exporter. Vous avez la possibilité d'exporter un ou plusieurs carnets ou tous les carnets.
  2. Dans le panneau supérieur de l'éditeur de carnet, cliquez sur Exporter, puis sur l'une des options suivantes :
    Formats de carnet pris en charge pour l'exportation
    • Carnets à exporter - Pour exporter des carnets, cliquez sur :
      • Tous - Pour exporter tous les carnets.
      • Sélectionné - Pour exporter les carnets sélectionnés.
    • Format - Sélectionnez le format dans lequel vous voulez exporter votre carnet :
      • Zeppelin - Exporte le carnet en tant que fichier .json (notation d'objet JavaScript).
      • Jupyter - Exporte le carnet en tant que fichier .ipynb.
    Les carnets exportés sont enregistrés sous forme de fichiers .json ou de fichiers .ipynb dans un dossier compressé.

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.

L'interface utilisateur d'Oracle Machine Learning prend en charge l'importation des carnets Zeppelin (.json) et Jupyter (.ipynb).

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.
Pour importer un carnet :
  1. Dans la page d'accueil de l'interface utilisateur d'Oracle Machine Learning, cliquez sur Carnets version classique.
  2. Dans la page Carnets version classique, cliquez sur Importer.
    La boîte de dialogue Chargement de fichier s'ouvre. Parcourez et sélectionnez le carnet à importer.

    Note :

    Vous devez enregistrer le carnet en tant que fichier .json pour l'importer. Vous pouvez importer des carnets exportés à partir d'environnements non Oracle Apache Zeppelin, mais seuls les types de paragraphe pris en charge peuvent être exécutés.
  3. Dans la boîte de dialogue Charger un fichier, parcourez et sélectionnez le fichier .json et cliquez sur Ouvrir.
    Le fichier de carnet est importé dans votre espace de travail.
  4. Cliquez sur le carnet importé pour l'ouvrir. Dans la page Notebooks Classic, cliquez sur l'icône d'engrenage pour afficher les liaisons d'interpréteur.

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.

Pour créer un formulaire de case à cocher :
  1. Ouvrez le carnet dans lequel vous voulez ajouter le formulaire de case à cocher.
  2. Dans une instruction SQL, définissez le formulaire Check Box à l'aide de la syntaxe suivante :
    ${checkbox:formName=defaultValue1|defaultValue2...,option1|option2...}
    Par exemple, exécutez l'instruction SQL :
    SELECT ${checkbox:whichcolumn=OWNER|OBJECT_TYPE, OWNER|OBJECT_NAME|OBJECT_TYPE|CREATED|STATUS} FROM ALL_OBJECTS WHERE OBJECT_TYPE IN ('VIEW', 'TABLE', 'INDEX', 'SYNONYM');
    Dans cet exemple,
    • Le formulaire à cocher est WhichColumn
    • Les options de sélection multiples disponibles dans les cases à cocher sont OWNER, OBJECT_NAME, OBJECT_TYPE, CREATED et STATUS
    • Les champs OWNER et OBJECT_TYPE sont définis comme valeurs par défaut
    • Le nom de la table est ALL_OBJECTS
    • Les colonnes configurées pour l'affichage sont OWNER, OBJECT_NAME, OBJECT_TYPE, CREATED et STATUS
  3. Exécutez le carnet. Le formulaire Case à cocher nommé WhichForm est disponible dans le carnet, comme illustré dans la capture d'écran.checkbox_form

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.

Pour créer un formulaire Select :
  1. Ouvrez le carnet dans lequel vous voulez ajouter le formulaire d'entrée de texte.
  2. Dans une instruction SQL, définissez le formulaire Select à l'aide de la syntaxe suivante :
    ${formName=defaultValue,option1|option2...}.
    Par exemple, exécutez l'instruction SQL :
    SELECT * FROM ALL_OBJECTS WHERE OBJECT_TYPE = '${OBJ=INDEX,INDEX|TABLE|VIEW|SYNONYM}';
    select_form
    Dans cet exemple,
    • Le nom du formulaire est obj
    • La liste des valeurs disponibles est INDEX, TABLE, VIEW, SYNONYM.
    • Le nom de la table est ALL_OBJECTS
    • Le nom de la colonne est OBJECT_TYPE
    Sélectionnez n'importe quelle valeur dans la liste déroulante du formulaire obj. La valeur sélectionnée sera extraite dans la colonne OBJECT_TYPE de la table ALL_OBJECTS.

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.

Pour créer un formulaire d'entrée de texte :
  1. Ouvrez le carnet dans lequel vous voulez ajouter le formulaire d'entrée de texte.
  2. Dans une instruction SQL, définissez le formulaire Text Input à l'aide de la syntaxe suivante :
    ${formName}
    Par exemple, exécutez l'instruction SQL :
    SELECT * FROM ALL_OBJECTS WHERE OBJECT_TYPE = '${OBJ}';
    Dans cet exemple,
    • Le nom du formulaire est obj
    • Le nom de la table est ALL_OBJECTS
    • Le nom de la colonne est OBJECT_TYPE
    Ici, le formulaire texte obj est créé pour la colonne OBJECT_TYPE dans la table ALL_OBJECTS. Vous pouvez entrer différentes valeurs dans le champ de formulaire obj et exécuter le carnet pour extraire les valeurs correspondantes de la colonne OBJECT_TYPE.
  3. Exécutez le paragraphe. Le carnet affiche maintenant le champ de formulaire d'entrée de texte obj, comme illustré dans la capture d'écran. Vous pouvez entrer des valeurs dans le champ obj et exécuter le carnet pour extraire les valeurs correspondantes de la colonne OBJECT_TYPE dans la table ALL_OBJECTS.
    • Si vous entrez TABLE dans le champ obj et exécutez le carnet, le carnet extrait TABLE dans la colonne OBJECT_TYPE, comme illustré dans la capture d'écran.formulaire d'entrée de texte avec table de type d'objet
    • Si vous entrez VIEW dans le champ de formulaire obj et exécutez le carnet, le carnet extrait la valeur VIEW dans la colonne OBJECT_TYPE, comme illustré dans la capture d'écran. formulaire d'entrée de texte avec vue de type d'objet
  4. Vous pouvez également affecter des valeurs par défaut dans le formulaire à l'aide de la syntaxe suivante :
    ${formName=defaultValue}
    Pour affecter une valeur par défaut au formulaire Text Input, modifiez l'instruction SQL pour :
    SELECT * FROM ALL_OBJECTS WHERE OBJECT_TYPE = '${obj=TABLE}'
    Ici, la valeur par défaut affectée au formulaire est TABLE. Une fois le paragraphe exécuté, la valeur par défaut TABLE est extraite dans la colonne OBJECT_TYPE, comme illustré dans la capture d'écran.
    formulaire d'entrée de texte avec valeur par défaut

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.

Pour créer une version d'un carnet version classique :
  1. Dans la page Carnets version classique, sélectionnez le carnet à créer et cliquez sur Version.
    La page Versions s'affiche.
  2. Dans la page Versions du carnet sélectionné, cliquez sur + Version.
    La boîte de dialogue Créer des versions apparaît.
  3. Dans la boîte de dialogue Créer des versions, entrez des commentaires sur la version spécifique de votre carnet, puis cliquez sur OK.
  4. Le carnet avec contrôle des versions est maintenant listé dans la page Versions. Vous pouvez effectuer les tâches suivantes :
    • Cliquez sur + Version pour créer une autre version d'une version déjà existante du carnet.
    • Cliquez sur Nouveau carnet pour créer un nouveau carnet à partir de la version de carnet sélectionnée.
    • Cliquez sur Supprimer pour supprimer la version sélectionnée de votre carnet.
    • Cliquez sur Restaurer la version pour restaurer l'ancienne version de votre carnet.
    • Cliquez sur Retour aux carnets pour accéder à la page Carnets version classique

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.

Pour enregistrer un carnet version classique en tant que modèle :
  1. Dans la page Carnets version classique, sélectionnez le carnet à enregistrer en tant que modèle et cliquez sur Enregistrer en tant que modèle.
    La boîte de dialogue Enregistrer comme modèle s'ouvre.
  2. Dans le champ Nom, entrez un nom pour le modèle de carnet.
  3. Dans le champ Commentaires, entrez des commentaires, le cas échéant.
  4. Dans le champ Marqueurs, entrez des marqueurs pour le modèle.
  5. Dans Enregistrer vers, sélectionnez :
    • Personnel : Si vous voulez enregistrer ce modèle de carnet en tant que personnel afin que seul votre compte puisse voir ou utiliser ce carnet.
    • Partagé : Si vous voulez enregistrer et partager ce modèle de carnet afin que les autres utilisateurs puissent voir et créer des carnets à partir de ce modèle qu'ils peuvent exécuter et modifier.

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.

Un paragraphe comporte une section d'entrée et une section de sortie. Dans la section d'entrée, spécifiez l'interpréteur à exécuter avec le texte. Ces informations sont envoyées à l'interpréteur pour exécution. Dans la section de sortie, les résultats de l'interpréteur sont fournis.
Vous pouvez utiliser les directives suivantes dans un paragraphe de carnet :
  • %sql - Prend en charge les énoncés SQL standard. Dans %sql, les résultats d'un énoncé SELECT 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 énoncé SELECT 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.
Pour extraire et visualiser des données dans un carnet :
  1. Dans la page Carnet, cliquez sur le carnet à exécuter.
    Le carnet s'ouvre en mode de modification.
  2. Entrez %SQL pour appeler l'interpréteur SQL et appuyez sur Entrée. Votre carnet est maintenant prêt à exécuter des énoncés SQL.
  3. Entrez l'énoncé SQL pour extraire des données d'Oracle Database. Par exemple, entrez SELECT * FROM TABLENAME et cliquez sur icône d'exécution. Vous pouvez également appuyer sur les touches Shift+Enter pour exécuter le carnet.

    Note :

    Les carnets doivent être ouverts en tant qu'utilisateur standard, c'est-à-dire en tant qu'utilisateur non administrateur. L'option Exécuter du carnet n'est pas disponible pour l'administrateur.
    Cette opération extrait les données du carnet.
  4. Les données sont affichées dans la sortie du paragraphe.
    Les résultats de l'interpréteur apparaissent dans la section de sortie. La section de sortie du paragraphe comprend un composant graphique qui affiche les résultats en sortie graphique. L'interface graphique vous permet d'interagir avec la sortie dans le paragraphe du carnet. Vous avez la possibilité d'exécuter et de modifier un seul paragraphe ou tous les paragraphes d'un carnet.
    Pour Options de table, cliquez sur paramètres et sélectionnez :

    • useFilter : Pour activer le filtre pour les colonnes.

    • showPagination : Pour activer la pagination pour une navigation améliorée.

    • showAggregationFooter : Pour permettre à un pied de page d'afficher des valeurs agrégées.

    Vous pouvez également trier les colonnes en cliquant sur la flèche vers le bas à côté du nom de la colonne.

    Pour visualiser les données tabulaires, cliquez sur les icônes respectives de chacune des représentations graphiques, comme illustré ici :
    • Cliquez sur Graphique à barres pour représenter les données dans un graphique à barres.
    • Cliquez sur Graphique à secteurs pour représenter les données dans un graphique à secteurs.
    • Cliquez sur Graphique en aires pour représenter les données dans un graphique en aires.
    • Cliquez sur Graphique linéaire pour représenter les données dans un graphique linéaire.
    • Cliquez sur Graphique en nuage de points pour représenter les données dans un graphique en nuage de points.

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.

Utilisez le carnet Oracle Machine Learning avec les interpréteurs SQL et PL/SQL pour exécuter des énoncés SQL (%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.

Pour préformater la sortie d'interrogation, vous devez utiliser la commande SET SQLFORMAT comme suit :
  1. Ouvrez un carnet dans Oracle Machine Learning.
  2. Entrez la commande :
    %script
    SET SQLFORMAT format_option
    Par exemple, si vous voulez que la sortie soit au format ansiconsole, tapez la commande suivie par l'interrogation SQL comme suit :
    SET SQLFORMAT ansiconsole;
    SELECT * FROM HR.EMPLOYEES;
    Ici, le format de sortie est ansiconsole et le nom de la table est HR.EMPLOYEES.

    Note :

    Ce formatage est disponible pour l'interpréteur de script. Par conséquent, vous devez ajouter le préfixe %script comme illustré dans cet exemple.

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.
Les formats de sortie disponibles sont les suivants :

  • 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 format DEFAULT en entrant simplement SET 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 que EMPNO, 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.

Cet exemple montre comment :
  • Se connecter à un interpréteur Python pour exécuter des commandes Python dans un carnet
  • Importer les modules Python - oml, matplotlib et numpy
  • 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.
Hypothèse : L'exemple suppose que vous avez créé un nouveau carnet nommé Py Note.
  1. Ouvrez le carnet Py et cliquez sur l'icône des liaisons d'interpréteur. Consultez les liaisons d'interpréteur disponibles.
  2. Pour vous connecter à l'interpréteur Python, entrez %python
    Vous êtes maintenant prêt à exécuter des scripts Python dans votre carnet.
  3. Pour utiliser le module OML4Py, vous devez importer le module oml. Entrez la commande Python suivante pour importer le module oml et cliquez sur l'icône d'exécution. Vous pouvez également appuyer sur les touches Shift+Enter pour exécuter le carnet.
    import oml
  4. Pour vérifier si le module oml est connecté à la base de données, entrez :
    oml.isconnected()
    Une fois votre carnet connecté, la commande retourne TRUE. Le carnet est maintenant connecté à l'interpréteur Python et vous êtes prêt à exécuter des commandes python dans votre carnet.

Exemple pour démontrer l'utilisation des modules Python - matplotlib et numpy, et utiliser des données aléatoires pour tracer deux histogrammes.

  1. Entrez les commandes suivantes pour importer les modules : 
    %python
import matplotlib.pyplot as plt
import numpy as np
    • Matplotlib - Module Python pour le rendu des graphiques
    • Numpy - Module Python pour les calculs
  2. Tapez les commandes suivantes pour calculer et afficher les données dans deux histogrammes.
    
list1 = np.random.rand(10)*2.1
list2 = np.random.rand(10)*3.0

plt.subplot(1,2,1) # 1 line, 2 rows, index nr 1 (first position in the subplot)
plt.hist(list1)
plt.subplot(1, 2, 2) # 1 line, 2 rows, index nr 2 (second position in the subplot)
plt.hist(list2)
plt.show()
    Dans cet exemple, les commandes importent deux modules Python pour calculer et afficher les données dans deux histogrammes list1 et list2.
  3. Cliquez sur Exécuter.
    La section de sortie du paragraphe qui contient un composant de graphique affiche les résultats dans deux histogrammes - list1 et list2, comme illustré dans la capture d'écran.
  • 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.

Utilisez Oracle Machine Learning for Python pour :
  • 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.

Cet exemple montre comment :
  • 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
  1. Pour vous connecter à l'interpréteur R, tapez la directive suivante au début du paragraphe du carnet, puis appuyez sur Entrée :
    %r
  2. Pour vérifier la connexion à la base de données, entrez la commande suivante et appuyez sur Entrée :
    ore.is.connected()
    Une fois votre carnet connecté, la commande retourne TRUE, comme indiqué dans la capture d'écran ici. Le carnet est maintenant connecté à l'interpréteur R et vous êtes prêt à exécuter des commandes R dans votre carnet.

    Figure 5-3 Tester la connexion à la base de données

    Tester la connexion à Oracle Database
  3. Pour importer des bibliothèques R, exécutez les commandes suivantes : 
    library(ORE)
library(OREdplyr)
    Une fois les packages chargés avec succès, la liste des packages ORE s'affiche comme indiqué dans la capture d'écran ici. Faites défiler vers le bas pour afficher la liste complète.

    Figure 5-4 Commandes de chargement des paquets R

    Charger les ensembles R

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

L'interpréteur R nécessite les packages R open source suivants :
  • 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.

Cette rubrique montre comment commencer à travailler dans l'environnement 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
  1. Tapez %conda au début du paragraphe pour vous connecter à l'interpréteur Conda, puis appuyez sur Entrée.
    %conda
  2. Suivant, téléchargez et activez l'environnement Conda. Entrez :
    download sbenv
activate sbenv
    Dans cet exemple, l'environnement Conda est téléchargé et activé. Le nom de l'environnement Conda dans cet exemple est sbenv.Télécharger et activer l'environnement Conda
  3. Vous pouvez voir tous les ensembles présents dans l'environnement Conda. Pour voir la liste des ensembles, entrez list.
    Liste des paquets dans la bibliothèque de fruits de mer
  4. Voici un exemple qui montre comment utiliser l'ensemble de la bibliothèque de sources marines pour la visualisation. Seaborn est une bibliothèque de visualisation Python basée sur matplotlib. Il fournit une interface de haut niveau pour dessiner des graphiques statistiques attrayants. Cet exemple
    • Importations Pandas et fruits de mer
    • Charge le jeu de données Iris
    • Trace les points de données, c'est-à-dire les trois espèces différentes de la fleur d'iris - Setosa, Virginica et Versicolor en fonction de ses dimensions. Il crée un tracé en nuage de points
    Entrez :
    %python

def sb_plot():
    import pandas as pd
    import seaborn as sb
    from matplotlib import pyplot as plt
    df = sb.load_dataset('iris')
    sb.set_style("ticks")
    sb.pairplot(df,hue = 'species',diag_kind = "kde",kind = "scatter",palette = "husl")
    plt.show()
    Commandes
  5. Exécutez la fonction dans un paragraphe Python.
    Entrez :
    %python 
sb_plot()
    Visualisation à l'aide de la bibliothèque Python Seaborn
  • 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.

Les bibliothèques de tierce partie installées dans Oracle Machine Learning Notebooks peuvent être utilisées dans :
  • 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 :

  1. 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 rôle OML_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.
  2. Connectez-vous à l'interface utilisateur d'Oracle Machine Learning et téléchargez l'environnement Conda. Pour télécharger l'environnement Conda, entrez : 
    %conda 
    download myenv
  3. 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.
  4. 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.
  5. 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>
  • ADMIN
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.
  • ADMIN
  • Utilisateur OML
Répertorier l'environnement local créé par l'utilisateur. env list
  • ADMIN
  • Utilisateur OML
Supprimer l'environnement local créé par l'utilisateur. env remove -n <env_name>
  • ADMIN
  • Utilisateur OML
Répertoriez tous les ensembles et toutes les versions installés dans un environnement actif. list
  • ADMIN
  • Utilisateur OML
Activer un environnement local créé par l'utilisateur. activate -n <env_name>
  • ADMIN
  • Utilisateur OML
Désactivez l'environnement courant. deactivate
  • ADMIN
  • Utilisateur OML
Installez un package externe à partir d'un canal Conda public. install -n <env_name> <package_name>
  • ADMIN
Désinstallez un package spécifique d'un environnement Conda. Il s'agit également d'un alias pour remove. uninstall -n <env_name> <package_name>
  • ADMIN
Afficher les informations sur l'installation Conda courante. info
  • ADMIN
  • Utilisateur OML
Consultez l'aide sur la ligne de commande. COMMANDNAME --help
  • ADMIN
  • Utilisateur OML
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> ..
  • ADMIN
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>
  • ADMIN
  • Utilisateur OML
Répertorier les environnements locaux disponibles pour l'utilisateur. list-local-envs
  • ADMIN
  • Utilisateur OML
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>
  • ADMIN
  • Utilisateur OML
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.
  • ADMIN
Mettez à jour les ensembles Conda vers la dernière version compatible. update
  • ADMIN
Mettez à niveau l'ensemble Conda courant. Il s'agit également d'un alias pour Conda update. upgrade
  • ADMIN
Sert à rechercher des ensembles et à afficher les données associées. L'entrée est MatchSpec, un langage d'interrogation pour les ensembles Conda. search
  • ADMIN
  • Utilisateur OML

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.

Pour appeler l'interpréteur Markdown et générer du HTML statique à partir du texte brut Markdown :
  1. Dans votre carnet, tapez %md et appuyez sur Entrée.
  2. Entrez "Hello World!" et cliquez sur Exécuter. Le texte HTML statique est généré, comme le montre la capture d'écran ci-dessous.
    Texte HTML statique
  3. Vous pouvez mettre le texte en gras. Pour afficher le texte en gras, écrivez le même texte dans deux paires d'astérisques et cliquez sur Exécuter.
    Texte en gras
  4. Pour afficher le texte en italique, écrivez le même texte dans une paire d'astérisques ou de traits de soulignement comme indiqué dans la capture d'écran, puis cliquez sur Exécuter.
    Texte en italique
  5. Pour afficher le texte dans une liste à puces, ajoutez le préfixe *(astérisque) au texte, comme illustré dans la capture d'écran ci-dessous :
    Texte en points à puces
  6. Pour afficher le texte dans heading1, l'en-tête 2 et l'en-tête 2, ajoutez le préfixe # (hachage) au texte et cliquez sur Exécuter. Pour H1, H2 et H3, vous devez préfixer respectivement un, deux et trois codes de hachage.
    En-têtes

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.

Après avoir exécuté vos scripts, le bloc-notes est automatiquement enregistré en tant que carnet sous le nom par défaut Scratchpad dans la page Carnets. Vous pourrez y accéder plus tard dans la page Carnets. Vous pouvez exécuter tous les paragraphes ensemble ou un paragraphe à la fois.
  1. Pour ouvrir et utiliser le bloc-notes, cliquez sur Scratchpad dans la page d'accueil de l'interface utilisateur d'Oracle Machine Learning sous Actions rapides. Le Scratchpad s'ouvre. Le bloc-notes comporte trois paragraphes chacun avec les directives suivantes :
    • %sql - Permet d'exécuter des énoncés SQL.
    • %script - Permet d'exécuter des scripts PL/SQL.
    • %python - Permet d'exécuter des scripts Python.
    • %r - Permet d'exécuter des scripts R.

    Figure 5-5 Bloc-notes

    Bloc-notes
  2. Pour exécuter un script SQL :
    1. Allez au paragraphe avec la directive %sql.
    2. Entrez la commande suivante et cliquez sur l'icône Exécuter. Vous pouvez également appuyer sur les touches Shift+Enter pour exécuter le paragraphe.
      SELECT * FROM SH.SALES;
    Dans cet exemple, l'instruction SQL extrait toutes les données relatives aux ventes de produits de la table SALES. Ici, SH est le nom du schéma et SALES est le nom de la table. L'interface utilisateur d'Oracle Machine Learning extrait les données pertinentes de la base de données et les affiche sous forme de tableau.

    Figure 5-6 Énoncé SQL dans le bloc-notes

    Énoncé SQL dans le bloc-notes
  3. Pour exécuter un script PL/SQL :
    1. Allez au paragraphe avec la directive %script.
    2. Entrez le script PL/SQL suivant et cliquez sur l'icône Run. Vous pouvez également appuyer sur les touches Shift+Enter pour exécuter le paragraphe.
      CREATE TABLE small_table
	(
	 NAME VARCHAR(200),
	 ID1 INTEGER,
	 ID2 VARCHAR(200),
	 ID3 VARCHAR(200),
	 ID4 VARCHAR(200),
	 TEXT VARCHAR(200)
	);

	BEGIN 
		FOR i IN 1..100 LOOP
				INSERT INTO small_table VALUES ('Name_'||i, i,'ID2_'||i,'ID3_'||i,'ID4_'||i,'TEXT_'||i);
		END LOOP;
		COMMIT;
	END;
      Le script PL/SQL a créé la table SMALL_TABLE. Le script PL/SQL de cet exemple contient deux parties :
      • La première partie du script contient l'énoncé SQL CREATE TABLE pour créer une table nommée small_table. Il définit le nom de la table, la colonne de la table, les types de données et la taille. Dans cet exemple, les noms de colonne sont NAME, ID1, ID2, ID3, ID4, et TEXT.
      • La deuxième partie du script commence par le mot clé BEGIN. Il insère 100 rangées dans la table small_table.

      Note :

      Lors de l'utilisation de l'énoncé CREATE avec une clé primaire, il échoue et affiche le message d'erreur Privilèges insuffisants. Cette erreur est due au verrouillage des profils dans la base de données. Si vous rencontrez cette erreur, communiquez avec l'administrateur de base de données ou l'administrateur de sécurité désigné pour accorder les privilèges requis.

      Figure 5-7 Script PL/SQL dans Scratchpad

      Procédure PL/SQL dans le bloc-notes
  4. Pour exécuter un script python :
    1. Pour utiliser OML4Py, vous devez d'abord importer le module oml. oml est le module OML4Py qui vous permet de manipuler des objets Oracle Database tels que des tables et des vues, d'appeler des fonctions Python définies par l'utilisateur à l'aide de l'exécution intégrée et d'utiliser les algorithmes d'apprentissage automatique de base de données. Allez au paragraphe avec la directive %python. Pour importer le module oml, entrez la commande suivante et cliquez sur l'icône Exécuter. Vous pouvez également appuyer sur les touches Shift+Enter pour exécuter le paragraphe.
      import oml
    2. Pour vérifier si le module oml est connecté à Oracle Database, entrez oml.isconnected() et cliquez sur l'icône Exécuter. Vous pouvez également appuyer sur les touches Shift+Enter pour exécuter le paragraphe. 
      oml.isconnected()
    3. Vous êtes maintenant prêt à exécuter votre script Python. Entrez le code Python suivant et cliquez sur l'icône d'exécution. Vous pouvez également appuyer sur les touches Shift+Enter pour exécuter le paragraphe.
      import matplotlib.pyplot as plt
import numpy as np

list1 = np.random.rand(10)*2.1
list2 = np.random.rand(10)*3.0

plt.subplot(1,2,1) # 1 line, 2 rows, index nr 1 (first position in subplot)
plt.hist(list1)
plt.subplot(1, 2, 2) # 1 line, 2 rows, index nr 2 (second position in subplot)
plt.hist(list2)
plt.show()
      Dans cet exemple, les commandes importent deux ensembles python pour calculer et afficher les données dans deux histogrammes pour list1 et list2. Les packages Python sont les suivants :
      • Matplotlib - Paquet Python pour le rendu des graphiques.
      • Numpy - Paquet Python pour les calculs.

      Figure 5-8 Script Python dans Scratchpad

      Script Python dans Scratchpad

      Les deux graphiques pour list1 et list 2 sont générés par le moteur python, comme illustré dans la capture d'écran ici.

  5. Après avoir créé et exécuté vos scripts dans le bloc-notes, le bloc-notes est automatiquement enregistré en tant que carnet sous le nom par défaut Scratchpad dans la page Carnets. Vous pouvez modifier le nom du carnet et l'enregistrer sous le nouveau nom en cliquant sur Modifier.

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

Icône de tutoriel Collaboration dans Oracle Machine Learning

Rubrique parent : À propos d'Oracle Machine Learning Notebooks version classique