Uso de sesiones de bloc de notas para crear y entrenar modelos

Al trabajar en una sesión de Notebook, se utiliza como usuario de Linux datascience. Este usuario no tiene una identidad de OCI Identity and Access Management (IAM), por lo que no tiene acceso a la API de OCI. Los recursos de OCI incluyen proyectos y modelos de Data Science y los recursos de otros servicios de OCI, como Object Storage, Functions, Vault, Data Flow, etc. Para acceder a estos recursos desde el entorno del bloc de notas, utilice uno de los dos métodos de autenticación:

Puede crear nuevos archivos o trabajar con sus propios archivos existentes.

Puede instalar una biblioteca que no esté preinstalada en la imagen de sesión de bloc de notas. Puede instalar y cambiar un entorno conda predefinido o crear un entorno conda desde cero.

Para obtener más información, consulte la sección sobre instalación de bibliotecas adicionales en la documentación de ADS.

Al iniciar una sesión de bloc de notas, el servicio crea variables de entorno útiles que se pueden utilizar en el código:

Para acceder a estas variables de entorno en la sesión de bloc de notas, utilice la biblioteca os de Python. Por ejemplo:

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

Utilice sus propias variables de entorno personalizadas en sesiones de bloc de notas.

Después de definir las variables de entorno personalizadas, acceda a estas variables de entorno en una sesión de bloc de notas con la biblioteca os de Python. Por ejemplo, si define un par de valores de clave con la clave MY_CUSTOM_VAR1 y el valor VALUE-1, al ejecutar el siguiente código, obtendrá VALUE-1.

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

El SDK de Oracle Accelerated Data Science (ADS) acelera las actividades comunes de ciencia de datos al proporcionar herramientas que automatizan y simplifican las tareas comunes de ciencia de datos. Proporciona a los científicos de datos una interfaz de Python fácil de usar para los servicios de OCI, incluidos Data Science, como trabajos, Big Data, Data Flow, Object Storage, Streaming y Vault, y para Oracle Database. ADS le proporciona una interfaz para gestionar el ciclo de vida de los modelos de aprendizaje automático, desde la adquisición de datos hasta la evaluación, interpretación y despliegue de modelos.

Con ADS puede:

• Leer conjuntos de datos de Object Storage, Oracle Database (ATP, ADW y On-premises), AWS S3 y otros orígenes en marcos de datos de Pandas.
• Ajuste los modelos mediante la optimización de hiperparámetros con el módulo ADSTuner.
• Genere informes de evaluación detallados de los candidatos modelo con el módulo ADSEvaluator.
• Guardar modelos de aprendizaje automático en el catálogo de modelos de Data Science.
• Despliegue modelos como solicitudes HTTP con el despliegue de modelos.
• Inicie trabajos de entrenamiento de modelo, procesamiento de datos y ETL distribuidos en Spark mediante Data Flow.

• conectarse al BDS desde la sesión de bloc de notas; el cluster creado debe tener activado Kerberos.

  Utilice clusters activados para Kerberos para conectarse a Big Data desde una sesión de bloc de notas.

• Utilice tipos de funciones para caracterizar datos, crear estadísticas de resumen de significado y trazar. Utilice el sistema de advertencia y validación para probar la calidad de los datos.
• Entrene modelos de aprendizaje automático mediante trabajos de Data Science.
• Gestione el ciclo de vida de los entornos conda mediante la CLI ads conda.