L'objectiu de la instrucció CREATE MODEL a BigQuery ML és crear un model d'aprenentatge automàtic mitjançant SQL estàndard a la plataforma BigQuery de Google Cloud. Aquesta declaració permet als usuaris entrenar i desplegar models d'aprenentatge automàtic sense necessitat de codificació complexa o l'ús d'eines externes.
Quan utilitzen la instrucció CREATE MODEL, els usuaris poden especificar el tipus de model que volen crear, com ara regressió lineal, regressió logística, agrupació de k-means o xarxes neuronals profundes. Aquesta flexibilitat permet als usuaris triar el model més adequat per al seu cas d'ús específic.
La instrucció CREATE MODEL també permet als usuaris definir les dades d'entrada per entrenar el model. Això es pot fer especificant la taula de BigQuery que conté les dades d'entrenament, així com les funcions i les etiquetes que s'utilitzaran al model. Les característiques són les variables d'entrada que el model utilitzarà per fer prediccions, mentre que les etiquetes són les variables objectiu que el model intentarà predir.
Un cop creat el model, els usuaris poden entrenar-lo executant la instrucció CREATE MODEL. Durant el procés d'entrenament, el model aprèn de les dades d'entrada i ajusta els seus paràmetres interns per minimitzar la diferència entre les sortides previstes i les etiquetes reals. El procés d'entrenament sol repetir les dades diverses vegades per millorar la precisió del model.
Després de l'entrenament, el model es pot utilitzar per fer prediccions mitjançant la funció ML.PREDICT a BigQuery. Aquesta funció pren el model entrenat i les noves dades d'entrada com a paràmetres i retorna les sortides previstes en funció dels patrons apresos de les dades d'entrenament.
L'objectiu de la instrucció CREATE MODEL a BigQuery ML és crear i entrenar models d'aprenentatge automàtic mitjançant SQL estàndard a la plataforma BigQuery de Google Cloud. Aquesta declaració proporciona una manera fàcil d'utilitzar i eficient d'aprofitar les capacitats d'aprenentatge automàtic sense necessitat d'eines externes o codificació extensa.
Altres preguntes i respostes recents sobre Avançar en l'aprenentatge automàtic:
- Quan un nucli es bifurca amb dades i l'original és privat, el bifurcat pot ser públic i, si és així, no és una violació de la privadesa?
- Quines són les limitacions de treballar amb grans conjunts de dades en l'aprenentatge automàtic?
- L'aprenentatge automàtic pot fer una mica d'ajuda dialògica?
- Què és el pati TensorFlow?
- El mode eager impedeix la funcionalitat de computació distribuïda de TensorFlow?
- Es poden utilitzar les solucions al núvol de Google per desacoblar la informàtica de l'emmagatzematge per a una formació més eficient del model ML amb big data?
- El motor d'aprenentatge automàtic de Google Cloud (CMLE) ofereix l'adquisició i configuració automàtica de recursos i gestiona l'aturada dels recursos un cop finalitzada la formació del model?
- És possible entrenar models d'aprenentatge automàtic en conjunts de dades arbitràriament grans sense cap problema?
- Quan s'utilitza CMLE, la creació d'una versió requereix especificar una font d'un model exportat?
- Pot CMLE llegir dades d'emmagatzematge de Google Cloud i utilitzar un model entrenat específic per a la inferència?
Vegeu més preguntes i respostes a Avançar en l'aprenentatge automàtic