{"id":51,"date":"2019-03-01T06:22:30","date_gmt":"2019-03-01T06:22:30","guid":{"rendered":"http:\/\/bizberg.cyclonethemes.com\/?p=51"},"modified":"2020-10-16T14:51:23","modified_gmt":"2020-10-16T14:51:23","slug":"phasellus-et-ligula-rhoncus","status":"publish","type":"post","link":"https:\/\/saggaac.com\/saggapg\/phasellus-et-ligula-rhoncus\/","title":{"rendered":"Machine Learning: Rendimiento en Autonomous Database"},"content":{"rendered":"\n<figure class=\"wp-block-image size-large\"><img loading=\"lazy\" width=\"1024\" height=\"593\" src=\"https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/10\/03Noticias-1024x593.jpg\" alt=\"\" class=\"wp-image-4420\" srcset=\"https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/10\/03Noticias-1024x593.jpg 1024w, https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/10\/03Noticias-300x174.jpg 300w, https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/10\/03Noticias-768x445.jpg 768w, https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/10\/03Noticias.jpg 1299w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<p>En muchas organizaciones, un proyecto de ciencia de datos probablemente implica que el cient\u00edfico de datos extraiga datos a un servidor de an\u00e1lisis separado, analizando y preparando datos y construyendo modelos de aprendizaje autom\u00e1tico localmente. A medida que las empresas aumentan sus equipos de ciencia de datos y los vol\u00famenes de datos se expanden, el acceso com\u00fan a los datos y la capacidad de analizar esos datos en su lugar pueden reducir dr\u00e1sticamente el tiempo de implementaci\u00f3n del proyecto y la complejidad general.<\/p>\n\n\n\n<p>La creaci\u00f3n de modelos y la puntuaci\u00f3n de datos a escala es un sello distintivo del aprendizaje autom\u00e1tico en la base de datos de Oracle: Oracle Machine Learning. Combine esto con Oracle Autonomous Database, la base de datos convergente con capacidades de escala autom\u00e1tica, y un equipo de cient\u00edficos de datos puede trabajar c\u00f3modamente en el mismo entorno. En esta publicaci\u00f3n de blog, analizamos los factores que afectan el rendimiento de la construcci\u00f3n de modelos de aprendizaje autom\u00e1tico, as\u00ed como los n\u00fameros de rendimiento que ilustran el rendimiento y la escalabilidad posibles con Oracle Machine Learning. En una publicaci\u00f3n posterior, analizaremos el rendimiento de puntuaci\u00f3n.<\/p>\n\n\n\n<p><strong>Los 7 factores principales que afectan el rendimiento<\/strong><\/p>\n\n\n\n<p><strong>Muchos factores afectan el rendimiento del aprendizaje autom\u00e1tico, entre ellos:<\/strong><\/p>\n\n\n\n<ul><li><strong>Volumen de datos<\/strong>, ya sea construyendo modelos o puntuando datos, el factor m\u00e1s obvio es la cantidad de datos involucrados, generalmente medido en el n\u00famero de filas y columnas, o simplemente gigabytes.<\/li><\/ul>\n\n\n\n<ul><li><strong>Movimiento y carga de datos:<\/strong>&nbsp;relacionado con el volumen de datos es el impacto en el rendimiento de mover datos de un entorno a otro, o del disco al motor de procesamiento de an\u00e1lisis. Este tiempo debe tenerse en cuenta al comparar procesos y herramientas de aprendizaje autom\u00e1tico.<\/li><li><strong>Elecci\u00f3n del algoritmo:<\/strong>&nbsp;diferentes algoritmos pueden tener requisitos computacionales muy diferentes, por ejemplo, los algoritmos Na\u00efve Bayes y Decisions Tree tienen bajas demandas computacionales en comparaci\u00f3n con los de los modelos lineales generalizados o la m\u00e1quina de vectores de soporte.<\/li><li><strong>Complejidad de los datos:<\/strong>&nbsp;algunos patrones en los datos se identifican f\u00e1cilmente mediante un algoritmo y dan como resultado un modelo que converge r\u00e1pidamente. Otros patrones, por ejemplo, los no lineales, pueden requerir muchas m\u00e1s iteraciones. En otros casos, la cardinalidad de las variables categ\u00f3ricas o la densidad \/ escasez de datos pueden afectar significativamente el rendimiento.<\/li><li><strong>Implementaci\u00f3n de algoritmos:<\/strong>&nbsp;los algoritmos de c\u00f3digo abierto e incluso propietarios a menudo se implementan de manera no paralela o de un solo subproceso, lo que significa que, incluso cuando se ejecutan en hardware multiprocesador, no se obtienen beneficios de rendimiento. Estos algoritmos tradicionales de un solo subproceso a menudo se pueden redise\u00f1ar para aprovechar el hardware multiprocesador y multinodo, a trav\u00e9s de la implementaci\u00f3n de algoritmos distribuidos y en paralelo. Habilitar el paralelismo es a menudo fundamental para mejorar el rendimiento y la escalabilidad.<\/li><li><strong>Usuarios concurrentes:&nbsp;<\/strong>un cient\u00edfico de datos que trabaja en un solo modelo en una m\u00e1quina dedicada puede ver o no un rendimiento adecuado en relaci\u00f3n con los factores identificados anteriormente. Sin embargo, cuando varios usuarios intentan trabajar simult\u00e1neamente para crear y evaluar modelos o puntuar datos, el impacto en el rendimiento general de estos usuarios puede degradar significativamente o incluso provocar fallas debido al agotamiento de la memoria u otros recursos del sistema. La capacidad de un entorno para ampliar los recursos para satisfacer la demanda alivia ese impacto.<\/li><li><strong>Cargue en el sistema:<\/strong>&nbsp;mientras que la cantidad de usuarios de aprendizaje autom\u00e1tico simult\u00e1neos afecta el rendimiento, las fuentes que no son de aprendizaje autom\u00e1tico (usuarios interactivos y trabajos programados) pueden afectar y verse afectadas por las fuentes de aprendizaje autom\u00e1tico. Los entornos inform\u00e1ticos que pueden administrar y equilibrar dichos usos pueden proporcionar un mejor rendimiento general<\/li><\/ul>\n\n\n\n<p>Si deseas conocer c\u00f3mo aprovechar las ventajas que la nube ofrece en este y otros \u00e1mbitos de innovaci\u00f3n tecnol\u00f3gica no dudes en contactarnos, info@saggaac.com.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>En muchas organizaciones, un proyecto de ciencia de datos probablemente implica que el cient\u00edfico de datos extraiga datos a un servidor de an\u00e1lisis separado, analizando y preparando datos y construyendo modelos de aprendizaje autom\u00e1tico localmente. A medida que las empresas aumentan sus equipos de ciencia de datos y los vol\u00famenes de datos se expanden, el acceso com\u00fan a los datos [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":4211,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[3],"tags":[],"uagb_featured_image_src":{"full":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-scaled.jpg",2560,1920,false],"thumbnail":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-150x150.jpg",150,150,true],"medium":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-300x225.jpg",300,225,true],"medium_large":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-768x576.jpg",640,480,true],"large":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-1024x768.jpg",640,480,true],"elegant_blocks_team_1":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-500x500.jpg",500,500,true],"elegant_blocks_blog_1":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-693x462.jpg",693,462,true],"elegant_blocks_slider_1":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-1600x1000.jpg",1600,1000,true],"1536x1536":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-1536x1152.jpg",1536,1152,true],"2048x2048":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-2048x1536.jpg",2048,1536,true],"bizberg_medium":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-300x300.jpg",300,300,true],"bizberg_gallery":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-500x400.jpg",500,400,true],"bizberg_blog_list":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-368x240.jpg",368,240,true],"bizberg_detail_image":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-825x400.jpg",825,400,true],"bizberg_detail_image_no_sidebar":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-920x400.jpg",920,400,true],"bizberg_portfolio_homepage":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-600x400.jpg",600,400,true],"bizberg_blog_list_no_sidebar_1":["https:\/\/saggaac.com\/saggapg\/wp-content\/uploads\/2020\/09\/slider3-220x190.jpg",220,190,true]},"uagb_author_info":{"display_name":"admin","author_link":"https:\/\/saggaac.com\/saggapg\/author\/admin\/"},"uagb_comment_info":0,"uagb_excerpt":"En muchas organizaciones, un proyecto de ciencia de datos probablemente implica que el cient\u00edfico de datos extraiga datos a un servidor de an\u00e1lisis separado, analizando y preparando datos y construyendo modelos de aprendizaje autom\u00e1tico localmente. A medida que las empresas aumentan sus equipos de ciencia de datos y los vol\u00famenes de datos se expanden, el&hellip;","_links":{"self":[{"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/posts\/51"}],"collection":[{"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/comments?post=51"}],"version-history":[{"count":3,"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/posts\/51\/revisions"}],"predecessor-version":[{"id":4421,"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/posts\/51\/revisions\/4421"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/media\/4211"}],"wp:attachment":[{"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/media?parent=51"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/categories?post=51"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saggaac.com\/saggapg\/wp-json\/wp\/v2\/tags?post=51"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}