تبلیغات

ساخت مدل های یادگیری ماشین در SQL با استفاده از BigQuery ML

دسته بندی ها: آموزش یادگیری ماشینی (Machine Learning) ، آموزش های پلورال سایت (Pluralsight) ، هوش مصنوعی

BigQuery ML درپلتفرم Google Cloud یادگیری ماشین را با اجازه دادن به تحلیلگران و مهندسین داده برای ساخت و استفاده از مدلهای یادگیری ماشین به طور مستقیم از SQL و بدون نیاز به استفاده از زبان برنامه نویسی سطح بالاتر، دموکراتیز می کند.

 این دوره نحوه ساخت و آموزش مدلهای یادگیری ماشین برای رگرسیون خطی و منطقی را با استفاده از دستورات SQL در BigQuery ، انبار داده بدون سرور پلتفرم Google Cloud نشان می دهد. در این دوره، شما می آموزید که چگونه مدل های یادگیری ماشین و نحوه استفاده از آن مدل ها را برای پیش بینی بسازید و آموزش دهید. همه فقط با اعمال دستورات ساده SQL در داده های ذخیره شده در BigQuery انجام می شود.

از آنجا که BigQuery به شما اجازه می دهد پارامترهای آموزشی را برای ساخت و آموزش مدل خود در SQL مشخص کنید ، یادگیری ماشین حتی برای کسانی که با زبان های برنامه نویسی سطح بالا آشنا نیستند نیز امکان پذیر است. در پایان، شما نحوه تجزیه و تحلیل مدل هایی را که ما با استفاده از توابع ارزیابی و بررسی ویژگی ها در BigQuery ساختیم، مطالعه خواهید کرد و دستورات BigQuery را روی Cloud Datalab با استفاده از یک نوت بوک Jupyter که روی هاست GCP قرار دارد و با سرویس های GCP ادغام شده است اجرا می کنید. با پایان این دوره، شما می توانید درک خوبی از چگونگی استفاده از BigQuery ML برای استخراج insight از داده های خود با استفاده از مدل های رگرسیون خطی و منطقی داشته باشید.

عناوین دوره:

  • معرفی Google BigQuery ML
  • بررسی مدل
  • پیش نیازها و طرح کلی دوره
  • دموکراتیز کردن یادگیری ماشین با BigQuery ML
  • BigQuery ML در مقابل سایر خدمات Google AI 
  • ورود به سیستم GCP 
  • آپلود نظرات در Cloud Shell
  • ایجاد مجموعه داده ها و جداول، بارگیری و کوئری زدن داده
  • اجرای کوئری ها و نمایش نتایج با استفاده از Data Studio
  • ساخت مدل های رگرسیون و دسته بندی
  • بررسی اجمالی ماژول
  • رگرسیون خطی
  • رگرسیون منطقی
  • ساخت مدلهای رگرسیون خطی و منطقی در BigQuery ML
  • ایجاد و بارگیری یک جدول با داده
  • ایجاد و آموزش مدل رگرسیون
  • ارزیابی مدل رگرسیون
  • پیش بینی ها و تجسم داده
  • دقت ، یادآوری با استفاده از ماتریس Confusion
  • ایجاد و آموزش یک مدل دسته بندی
  • ارزیابی دسته بندی کننده و استفاده از آن برای پیش بینی
  • تجزیه و تحلیل مدل ها با استفاده از توابع ارزیابی و بررسی ویژگی
  • بررسی اجمالی ماژول
  • ایجاد و اتصال به یک نمونه Datalab
  • استفاده از Cloud Datalab برای ساخت مدل های BigQuery ML
  • منحنی ROC
  • بررسی اطلاعات حقوق و دستمزد بزرگسالان برای دسته بندی
  • ارزیابی طبقه بندی کننده ها با استفاده از منحنی ROC
  • خلاصه و مطالعه بیشتر
آیا این نوشته را دوست داشتید؟
Building Machine Learning Models in SQL Using BigQuery ML Publisher:Pluralsight Author:Janani Ravi Duration:1h 27m Level:Beginner

BigQuery ML on the Google Cloud Platform democratizes machine learning by allowing data analysts and engineers to build and use machine learning models directly from SQL without using any higher level programming language.
This course demonstrates how to build and train machine learning models for linear and logistic regression using SQL commands on BigQuery, the Google Cloud Platform’s serverless data warehouse. In this course, Building Machine Learning Models in SQL Using BigQuery ML, you'll learn how to build and train machine learning models and how to employ those models for prediction - all with just simple SQL commands on data stored in BigQuery. First, you'll understand the different choices available on the GCP if you would like to build and train your models and see how you can make the right choice between these services for your specific use case. Then, you'll work with some real-world datasets stored in BigQuery to build linear regression and binary classification models. Because BigQuery allows you to specify training parameters to build and train your model in SQL, machine learning is made accessible to even those who are not familiar with high-level programming languages. Last, you'll study how to analyze the models that we built using evaluation and feature inspection functions in BigQuery, and run BigQuery commands on Cloud Datalab using a Jupyter notebook that is hosted on the GCP and closely integrated with all of GCPs services. By the end of this course, you'll have a good understanding of how you can use BigQuery ML to extract insights from your data by applying linear and logistic regression models.
Course Overview
Course Overview
2m
Introducing Google BigQuery ML
Module Overview
1m
Prerequisites and Course Outline
2m
Democratizing Machine Learning with BigQuery ML
4m
BigQuery ML vs. Other Google AI Services
4m
Logging into the GCP
1m
Uploading Reviews to Cloud Shell
2m
Creating Datasets and Tables, Loading and Querying Data
2m
Running Queries and Visualizing Results Using Data Studio
3m
Building Regression and Classification Models
Module Overview
0m
Linear Regression
2m
Logistic Regression
3m
Building Linear and Logistic Regression Models in BigQuery ML
5m
Creating and Loading a Table with Data
3m
Creating and Training a Regression Model
4m
Evaluating the Regression Model
2m
Predictions and Data Visualization
3m
Accuracy, Precision and Recall Using the Confusion Matrix
4m
Creating and Training a Classification Model
4m
Evaluating the Classifier and Using It for Prediction
4m
Analyzing Models Using Evaluation and Feature Inspection Functions
Module Overview
1m
Creating and Connecting to a Datalab Instance
3m
Using Cloud Datalab to Build BigQuery ML Models
5m
The ROC Curve
4m
Exploring Adult Salary Data for Classification
1m
Evaluating Classifiers Using the ROC Curve
3m
Summary and Further Study
1m

پیشنهاد فرادرس