Ο σκοπός της δήλωσης CREATE MODEL στο BigQuery ML είναι να δημιουργήσει ένα μοντέλο μηχανικής εκμάθησης χρησιμοποιώντας τυπική SQL στην πλατφόρμα BigQuery του Google Cloud. Αυτή η δήλωση επιτρέπει στους χρήστες να εκπαιδεύουν και να αναπτύσσουν μοντέλα μηχανικής εκμάθησης χωρίς την ανάγκη περίπλοκης κωδικοποίησης ή χρήσης εξωτερικών εργαλείων.
Όταν χρησιμοποιούν τη δήλωση CREATE MODEL, οι χρήστες μπορούν να καθορίσουν τον τύπο του μοντέλου που θέλουν να δημιουργήσουν, όπως γραμμική παλινδρόμηση, λογιστική παλινδρόμηση, ομαδοποίηση k-means ή βαθιά νευρωνικά δίκτυα. Αυτή η ευελιξία επιτρέπει στους χρήστες να επιλέξουν το καταλληλότερο μοντέλο για τη συγκεκριμένη περίπτωση χρήσης τους.
Η δήλωση CREATE MODEL επιτρέπει επίσης στους χρήστες να ορίσουν τα δεδομένα εισόδου για την εκπαίδευση του μοντέλου. Αυτό μπορεί να γίνει καθορίζοντας τον πίνακα BigQuery που περιέχει τα δεδομένα εκπαίδευσης, καθώς και τις δυνατότητες και τις ετικέτες που θα χρησιμοποιηθούν στο μοντέλο. Τα χαρακτηριστικά είναι οι μεταβλητές εισόδου που θα χρησιμοποιήσει το μοντέλο για να κάνει προβλέψεις, ενώ οι ετικέτες είναι οι μεταβλητές-στόχοι που το μοντέλο θα προσπαθήσει να προβλέψει.
Μόλις δημιουργηθεί το μοντέλο, οι χρήστες μπορούν να το εκπαιδεύσουν εκτελώντας την πρόταση CREATE MODEL. Κατά τη διάρκεια της εκπαιδευτικής διαδικασίας, το μοντέλο μαθαίνει από τα δεδομένα εισόδου και προσαρμόζει τις εσωτερικές του παραμέτρους για να ελαχιστοποιήσει τη διαφορά μεταξύ των προβλεπόμενων εξόδων και των πραγματικών ετικετών. Η διαδικασία εκπαίδευσης συνήθως επαναλαμβάνεται πάνω από τα δεδομένα πολλές φορές για να βελτιωθεί η ακρίβεια του μοντέλου.
Μετά την εκπαίδευση, το μοντέλο μπορεί να χρησιμοποιηθεί για να κάνει προβλέψεις χρησιμοποιώντας τη συνάρτηση ML.PREDICT στο BigQuery. Αυτή η συνάρτηση λαμβάνει το εκπαιδευμένο μοντέλο και τα νέα δεδομένα εισόδου ως παραμέτρους και επιστρέφει τις προβλεπόμενες εξόδους με βάση τα μαθημένα μοτίβα από τα δεδομένα εκπαίδευσης.
Ο σκοπός της δήλωσης CREATE MODEL στο BigQuery ML είναι να δημιουργήσει και να εκπαιδεύσει μοντέλα μηχανικής εκμάθησης χρησιμοποιώντας τυπική SQL στην πλατφόρμα BigQuery του Google Cloud. Αυτή η δήλωση παρέχει έναν φιλικό προς το χρήστη και αποτελεσματικό τρόπο αξιοποίησης των δυνατοτήτων μηχανικής εκμάθησης χωρίς την ανάγκη εξωτερικών εργαλείων ή εκτεταμένης κωδικοποίησης.
Άλλες πρόσφατες ερωτήσεις και απαντήσεις σχετικά με Πρόοδος στη Μηχανική Μάθηση:
- Όταν ένας πυρήνας είναι διακλαδισμένος με δεδομένα και το πρωτότυπο είναι ιδιωτικό, μπορεί το διχαλωτό να είναι δημόσιο και αν ναι δεν αποτελεί παραβίαση απορρήτου;
- Ποιοι είναι οι περιορισμοί στην εργασία με μεγάλα σύνολα δεδομένων στη μηχανική εκμάθηση;
- Μπορεί η μηχανική μάθηση να προσφέρει κάποια διαλογική βοήθεια;
- Τι είναι η παιδική χαρά TensorFlow;
- Η λειτουργία Eager εμποδίζει την κατανεμημένη υπολογιστική λειτουργικότητα του TensorFlow;
- Μπορούν οι λύσεις cloud της Google να χρησιμοποιηθούν για την αποσύνδεση των υπολογιστών από τον χώρο αποθήκευσης για μια πιο αποτελεσματική εκπαίδευση του μοντέλου ML με μεγάλα δεδομένα;
- Το Google Cloud Machine Learning Engine (CMLE) προσφέρει αυτόματη απόκτηση και διαμόρφωση πόρων και χειρίζεται τον τερματισμό πόρων μετά την ολοκλήρωση της εκπαίδευσης του μοντέλου;
- Είναι δυνατόν να εκπαιδεύσουμε μοντέλα μηχανικής εκμάθησης σε αυθαίρετα μεγάλα σύνολα δεδομένων χωρίς λόξυγκα;
- Όταν χρησιμοποιείτε το CMLE, η δημιουργία μιας έκδοσης απαιτεί τον καθορισμό μιας πηγής ενός εξαγόμενου μοντέλου;
- Μπορεί το CMLE να διαβάσει δεδομένα αποθήκευσης από το Google Cloud και να χρησιμοποιήσει ένα καθορισμένο εκπαιδευμένο μοντέλο για συμπεράσματα;
Δείτε περισσότερες ερωτήσεις και απαντήσεις στο Advancing in Machine Learning