Utilisation de sessions de carnet pour créer et entraîner des modèles

Lorsque vous travaillez dans une session de carnet, vous travaillez en tant qu'utilisateur Linux datascience. Cet utilisateur n'a pas d'identité IAM (OCI Identity and Access Management), il n'a donc pas accès à l'API OCI. Les ressources OCI incluent les projets et les modèles du service de science des données et les ressources d'autres services pour OCI : Stockage d'objets, Fonctions, Chambre forte, Flux de données, etc. Pour accéder à ces ressources à partir de l'environnement de carnet, vous devez utiliser l'une des deux approches d'authentification fournies :

Vous pouvez créer de nouveaux fichiers ou utiliser vos fichiers existants.

Vous pouvez installer une bibliothèque qui n'est pas préinstallée dans l'image de session de carnet. Vous pouvez installer et modifier un environnement Conda ou créer un environnement Conda prédéfini de A à Z.

Pour plus d'informations, voir la section Installation des bibliothèques supplémentaires dans la documentation ADS.

Lorsque vous démarrez une session de carnet, le service crée des variables d'environnement utiles que vous pouvez utiliser dans votre code :

Pour accéder à ces variables d'environnement dans votre session de carnet, utilisez la bibliothèque Python os. Par exemple :

import os 
project_ocid = os.environ['PROJECT_OCID']
print(project_ocid)

Utilisez vos propres variables d'environnement personnalisées dans les sessions de carnet.

Après avoir défini vos variables d'environnement personnalisées, accédez-les dans une session de carnet avec la bibliothèque os Python. Par exemple, si vous définissez une paire clé-valeur avec la clé MY_CUSTOM_VAR1 et la valeur VALUE-1, lorsque vous exécutez le code suivant, vous obtenez VALUE-1.

import os 
my_custom_var1 = os.environ['MY_CUSTOM_VAR1']
print(my_custom_var1)

La trousse SDK Oracle Accelerated Data Science (ADS) accélère les activités courantes de science des données en fournissant des outils qui automatisent et simplifient les tâches courantes de science des données. Il fournit aux experts en science des données une interface Python conviviale pour les services OCI, notamment le service de science des données, notamment les tâches, le service de mégadonnées, le service de flux de données, le service de stockage d'objets, le service de diffusion en continu et le service de chambre forte, ainsi que pour Oracle Database. ADS vous fournit une interface pour gérer le cycle de vie des modèles d'apprentissage automatique, de l'acquisition de données à l'évaluation, à l'interprétation et au déploiement de modèles.

Avec ADS, vous pouvez :

• Lisez les jeux de données du service de stockage d'objets, d'Oracle Database (ATP, ADW et sur place), d'AWS S3 et d'autres sources dans les cadres de données Pandas.
• Réglez les modèles à l'aide de l'optimisation des hyperparamètres avec le module ADSTuner.
• Générez des rapports d'évaluation détaillés des candidats modèles à l'aide du module ADSEvaluator.
• Enregistrez les modèles d'apprentissage automatique dans le catalogue de modèles du service de science des données.
• Déployez des modèles en tant que demandes HTTP avec un déploiement de modèle.
• Démarrez des tâches d'ETC réparties, de traitement de données et d'entraînement de modèle dans Spark à l'aide du service de flux de données.

• Connectez-vous au service BDS à partir de la session de carnet. Kerberos doit être activé pour la grappe créée.

  Utilisez des grappes activées pour Kerberos pour vous connecter au service de mégadonnées à partir d'une session de carnet.

• Utilisez les types de fonction pour caractériser les données, créer des statistiques sommaires significatives et tracer. Utilisez le système d'avertissement et de validation pour tester la qualité des données.
• Entraîner les modèles d'apprentissage automatique à l'aide des travaux du service de science des données.
• Gérez le cycle de vie des environnements Conda à l'aide de l'interface de ligne de commande ads conda.