Utilisation de sessions de bloc-notes pour construire et entraîner des modèles

Lorsque vous travaillez dans une session de bloc-notes, vous travaillez en tant qu'utilisateur Linux datascience. Cet utilisateur ne possède pas d'identité OCI Identity and Access Management (IAM) et n'a donc pas accès à l'API OCI. Les ressources OCI incluent les projets et modèles Data Science, ainsi que les ressources d'autres services OCI, tels qu'Object Storage, Functions, Vault, Data Flow, etc. Pour accéder à ces ressources à partir de l'environnement de bloc-notes, utilisez l'une des deux approches d'authentification :

Vous pouvez créer des fichiers ou utiliser vos fichiers existants.

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

Pour plus d'informations, reportez-vous à la section Installing Extra Libraries de la documentation ADS.

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

Pour accéder à ces variables d'environnement dans votre session de bloc-notes, 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 bloc-notes.

Après avoir défini vos variables d'environnement personnalisées, accédez-y dans une session de bloc-notes avec la bibliothèque Python os. 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)

Le SDK Oracle Accelerated Data Science (ADS) accélère les activités courantes de data science en fournissant des outils qui automatisent et simplifient les tâches courantes de data science. Elle fournit aux analystes de données une interface Python conviviale vers les services OCI, y compris Data Science, notamment les travaux, Big Data, Data Flow, Object Storage, Streaming et Vault, ainsi qu'à Oracle Database. ADS vous fournit une interface pour gérer le cycle de vie des modèles de machine learning, de l'acquisition des données à l'évaluation, l'interprétation et le déploiement des modèles.

Avec ADS, vous pouvez :

• Lisez des ensembles de données à partir d'Object Storage, d'Oracle Database (ATP, ADW et On-premises), d'AWS S3 et d'autres sources dans des 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 avec le module ADSEvaluator.
• Enregistrez les modèles d'apprentissage automatique dans le catalogue de modèles Data Science.
• Déployez des modèles en tant que demandes HTTP avec le déploiement de modèle.
• Démarrez des travaux ETL distribués, de traitement de données et d'entraînement de modèle dans Spark à l'aide de Data Flow.

• Connectez-vous au BDS à partir de la session de bloc-notes. Kerberos doit être activé pour le cluster créé.

  Utilisez des clusters compatibles Kerberos pour vous connecter au Big Data à partir d'une session de bloc-notes.

• Utilisez les types de fonction pour caractériser les données, créer des statistiques récapitulatives de signification et tracer. Utilisez le système d'avertissement et de validation pour tester la qualité des données.
• Entraînez des modèles de machine learning à l'aide de travaux Data Science.
• Gérez le cycle de vie des environnements conda à l'aide de l'interface de ligne de commande ads conda.