Usando Sessões de Notas para Criar e Treinar Modelos

Ao trabalhar em uma sessão de notebook, você está operando como o usuário do Linux datascience. Esse usuário não tem uma identidade do OCI IAM (Identity and Access Management); por isso, não tem acesso à API do OCI. Os recursos do OCI incluem projetos e modelos do serviço Data Science e os recursos de outros serviços do OCI, como Object Storage, Functions, Vault, Data Flow etc. Para acessar esses recursos no ambiente de notebook, use uma das duas abordagens de autenticação:

Você pode criar novos arquivos ou trabalhar com seus próprios arquivos existentes.

Você pode instalar uma biblioteca que não esteja pré-instalada na imagem da sessão de notebook. Você pode instalar e alterar um ambiente conda pré-criado ou criar um ambiente conda do zero.

Para obter mais informações, consulte a seção Instalando Bibliotecas Adicionais na documentação do ADS.

Quando você inicia uma sessão de notebook, o serviço cria variáveis de ambiente úteis que você pode usar em seu código:

Para acessar essas variáveis de ambiente na sua sessão de notebook, use a biblioteca Python os. Por exemplo:

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

Use suas próprias variáveis de ambiente personalizadas nas sessões de notebook.

Após definir suas variáveis de ambiente personalizadas, acesse essas variáveis de ambiente em uma sessão de notebook com a biblioteca Python os. Por exemplo, se você definir um par de chave/valor com a chave MY_CUSTOM_VAR1 e o valor VALUE-1, quando executar o código a seguir, obterá VALUE-1.

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

O SDK do Oracle Accelerated Data Science (ADS) acelera atividades comuns de ciência de dados, fornecendo ferramentas que automatizam e simplificam tarefas comuns de ciência de dados. Ele fornece aos cientistas de dados uma interface Python amigável para serviços da OCI, incluindo Data Science, incluindo jobs, Big Data, Data Flow, Object Storage, Streaming e Vault e para o Oracle Database. O ADS oferece uma interface para gerenciar o ciclo de vida dos modelos de machine learning, desde a aquisição de dados até a avaliação, interpretação e implantação de modelos.

Com o ADS, você pode:

• Leia conjuntos de dados do Object Storage, Oracle Database (ATP, ADW e On-premises), AWS S3 e outras fontes nos quadros de dados do Pandas.
• Ajuste modelos usando otimização de hiperparâmetro com o módulo ADSTuner.
• Gere relatórios de avaliação detalhados de candidatos de modelo com o módulo ADSEvaluator.
• Salve modelos de aprendizado de máquina no catálogo de modelos do serviço Data Science.
• Implante modelos como solicitações HTTP com a implantação de modelo.
• Inicie jobs distribuídos de ETL, processamento de dados e treinamento de modelo no Spark usando o Data Flow.

• conecte-se ao BDS na sessão de notebook. O cluster criado deve ter o Kerberos ativado.

  Use clusters ativados para Kerberos para estabelecer conexão com o Big Data de uma sessão de notebook.

• Use tipos de recursos para caracterizar dados, criar estatísticas de resumo de significado e plotar. Use o sistema de aviso e validação para testar a qualidade dos dados.
• Treine modelos de machine learning usando o serviço Data Science Jobs.
• Gerencie o ciclo de vida dos ambientes conda usando a CLI ads conda.