„BigQuery ML“ teiginio CREATE MODEL tikslas – sukurti mašininio mokymosi modelį naudojant standartinį SQL „Google Cloud“ BigQuery platformoje. Šis teiginys leidžia vartotojams mokyti ir įdiegti mašininio mokymosi modelius, nereikia sudėtingo kodavimo ar išorinių įrankių.
Naudodami teiginį CREATE MODEL, vartotojai gali nurodyti norimo sukurti modelio tipą, pvz., tiesinę regresiją, logistinę regresiją, k-means klasterizavimą arba giluminius neuroninius tinklus. Šis lankstumas leidžia vartotojams pasirinkti tinkamiausią modelį konkrečiam naudojimo atvejui.
CREATE MODEL sakinys taip pat leidžia vartotojams apibrėžti modelio mokymo įvesties duomenis. Tai galima padaryti nurodant BigQuery lentelę, kurioje yra mokymo duomenys, taip pat modelyje naudojamos funkcijos ir etiketės. Funkcijos yra įvesties kintamieji, kuriuos modelis naudos prognozėms, o etiketės yra tiksliniai kintamieji, kuriuos modelis bandys nuspėti.
Sukūrę modelį, vartotojai gali jį išmokyti vykdydami CREATE MODEL sakinį. Mokymo proceso metu modelis mokosi iš įvesties duomenų ir koreguoja savo vidinius parametrus, kad sumažintų skirtumą tarp numatomų išėjimų ir faktinių etikečių. Mokymo procesas paprastai kartojamas per duomenis kelis kartus, kad būtų pagerintas modelio tikslumas.
Po mokymo modelį galima naudoti prognozėms, naudojant „BigQuery“ funkciją ML.PREDICT. Ši funkcija naudoja parengtą modelį ir naujus įvesties duomenis kaip parametrus ir grąžina numatytus išėjimus pagal išmoktus modelius iš mokymo duomenų.
„BigQuery ML“ teiginio CREATE MODEL tikslas – sukurti ir mokyti mašininio mokymosi modelius naudojant standartinį SQL „Google Cloud“ BigQuery platformoje. Šis teiginys suteikia vartotojui patogų ir efektyvų būdą panaudoti mašininio mokymosi galimybes, nereikia išorinių įrankių ar plataus kodavimo.
Kiti naujausi klausimai ir atsakymai apie Pažanga mašininio mokymosi srityje:
- Kai branduolys yra sujungtas su duomenimis, o originalas yra privatus, ar šakotasis branduolys gali būti viešas ir jei taip, tai nėra privatumo pažeidimas?
- Kokie yra apribojimai dirbant su dideliais duomenų rinkiniais mašininio mokymosi metu?
- Ar mašininis mokymasis gali padėti dialogui?
- Kas yra TensorFlow žaidimų aikštelė?
- Ar „eager“ režimas neleidžia paskirstyti „TensorFlow“ skaičiavimo funkcijų?
- Ar „Google“ debesies sprendimus galima naudoti norint atsieti kompiuteriją nuo saugyklos, kad būtų galima efektyviau lavinti ML modelį naudojant didelius duomenis?
- Ar „Google Cloud Machine Learning Engine“ (CMLE) siūlo automatinį išteklių gavimą ir konfigūravimą bei tvarko išteklių išjungimą, kai modelio mokymas baigtas?
- Ar galima treniruoti mašininio mokymosi modelius savavališkai dideliuose duomenų rinkiniuose be jokių trukdžių?
- Ar naudojant CMLE kuriant versiją reikia nurodyti eksportuoto modelio šaltinį?
- Ar CMLE gali nuskaityti iš „Google Cloud“ saugyklos duomenų ir naudoti nurodytą išmokytą modelį išvadoms daryti?
Peržiūrėkite daugiau klausimų ir atsakymų skyriuje „Mašininio mokymosi tobulinimas“.