Uso delle sessioni notebook per creare e addestrare i modelli

Quando si lavora all'interno di una sessione notebook, si opera come utente Linux datascience. Questo utente non dispone di un'identità IAM (Identity and Access Management) OCI, quindi non dispone dell'accesso all'API OCI. Le risorse OCI includono progetti e modelli di Data Science e le risorse di altri servizi OCI, come lo storage degli oggetti, le funzioni, il vault, il flusso di dati e così via. Per accedere a queste risorse dall'ambiente notebook, utilizzare uno dei due approcci di autenticazione riportati di seguito.

È possibile creare nuovi file o utilizzare i propri file esistenti.

È possibile installare una libreria non preinstallata nell'immagine della sessione notebook. È possibile installare e modificare un ambiente Honda predefinito o creare un ambiente conda da zero.

Per ulteriori informazioni, vedere la sezione sull'installazione di librerie extra nella documentazione di ADS.

Quando si avvia una sessione notebook, il servizio crea variabili di ambiente utili che è possibile utilizzare nel codice:

Per accedere a queste variabili di ambiente nella sessione notebook, utilizzare la libreria os di Python. Ad esempio:

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

Utilizzare le proprie variabili di ambiente personalizzate nelle sessioni notebook.

Dopo aver definito le variabili di ambiente personalizzate, accedere a queste variabili di ambiente in una sessione notebook con la libreria os di Python. Ad esempio, se si definisce una coppia di valori chiave con chiave MY_CUSTOM_VAR1 e valore VALUE-1, quando si esegue il codice seguente, si ottiene VALUE-1.

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

Oracle Accelerated Data Science (ADS) SDK accelera le attività comuni di data science fornendo strumenti che automatizzano e semplificano le attività comuni di data science. Offre ai data scientist un'interfaccia Python amichevole per i servizi OCI, tra cui Data Science, inclusi job, Big Data, Data Flow, Object Storage, Streaming e Vault e a Oracle Database. ADS offre un'interfaccia per gestire il ciclo di vita dei modelli di machine learning, dall'acquisizione dei dati alla valutazione, all'interpretazione e alla distribuzione dei modelli.

Con ADS puoi:

• Leggi i data set da Object Storage, Oracle Database (ATP, ADW e on-premise), AWS S3 e altre fonti nei data frame Pandas.
• Ottimizzare i modelli utilizzando l'ottimizzazione degli iperparametri con il modulo ADSTuner.
• Genera report di valutazione dettagliati dei candidati modello con il modulo ADSEvaluator.
• Salva i modelli di Machine Learning nel catalogo dei modelli di Data Science.
• Distribuisci i modelli come richieste HTTP con la distribuzione dei modelli.
• Avvia i job ETL, di elaborazione dati e di formazione modello distribuiti in Spark utilizzando Data Flow.

• connettersi al BDS dalla sessione notebook. Per il cluster creato deve essere abilitato Kerberos.

  Utilizzare i cluster abilitati per Kerberos per connettersi ai Big Data da una sessione notebook.

• Utilizzare i tipi di entità geografiche per caratterizzare i dati, creare statistiche di riepilogo del significato e stampare. Utilizzare il sistema di avvertenza e convalida per verificare la qualità dei dati.
• Addestra i modelli di Machine Learning utilizzando i job di Data Science.
• Gestire il ciclo di vita degli ambienti conda utilizzando l'interfaccia CLI ads conda.