Kokius skirtingus duomenų tipus gali apdoroti „AutoML Tables“?
„AutoML Tables“ yra galingas „Google Cloud“ teikiamas mašininio mokymosi įrankis, leidžiantis naudotojams kurti ir įdiegti mašininio mokymosi modelius be didelių programavimo ar duomenų mokslo žinių. Jis automatizuoja funkcijų inžinerijos, modelių parinkimo, hiperparametrų derinimo ir modelio įvertinimo procesą, todėl jis yra prieinamas vartotojams, turintiems įvairaus lygio mašininio mokymosi žinių.
Kalbant apie duomenų tipus, AutoML lentelės gali apdoroti daugybę struktūrinių duomenų tipų. Struktūriniai duomenys reiškia duomenis, kurie yra sutvarkyti lentelės formatu, su eilutėmis, vaizduojančiomis egzempliorius arba pavyzdžius, ir stulpeliais, vaizduojančiais funkcijas arba kintamuosius. „AutoML“ lentelės gali apdoroti tiek skaitinius, tiek kategorinius duomenų tipus, todėl vartotojai gali dirbti su įvairiais duomenų rinkiniais.
1. Skaitiniai duomenys: AutoML lentelės palaiko įvairius skaitmeninių duomenų tipus, įskaitant sveikuosius skaičius ir slankiojo kablelio skaičius. Šie duomenų tipai tinka nuolatinėms arba atskiroms skaitinėms reikšmėms pateikti. Pavyzdžiui, jei turime būsto kainų duomenų rinkinį, kainų stulpelis būtų pateikiamas kaip skaitinis duomenų tipas.
2. Kategoriniai duomenys: AutoML lentelės taip pat palaiko kategoriškus duomenų tipus, kurie atspindi atskiras reikšmes, kurios patenka į konkrečias kategorijas. Kategorinius duomenis galima suskirstyti į du potipius:
a. Vardiniai duomenys: vardiniai duomenys reiškia kategorijas, kurioms nėra būdingos tvarkos ar hierarchijos. Pavyzdžiui, jei turime klientų atsiliepimų duomenų rinkinį, nuotaikų stulpelyje gali būti tokios kategorijos kaip „teigiamas“, „neutralus“ ir „neigiamas“. AutoML lentelės gali tvarkyti tokius vardinius kategorinius duomenis.
b. Eiliniai duomenys: eiliniai duomenys reiškia kategorijas, turinčias tam tikrą tvarką arba hierarchiją. Pavyzdžiui, jei turime filmų įvertinimų duomenų rinkinį, įvertinimų stulpelyje gali būti tokios kategorijos kaip „prastas“, „teisinga“, „geras“ ir „puikiai“. „AutoML“ lentelės gali tvarkyti tokius eilinius kategorinius duomenis ir atsižvelgti į kategorijų tvarką modelio mokymo metu.
3. Teksto duomenys: AutoML lentelės taip pat palaiko tekstinius duomenis. Teksto duomenys paprastai yra nestruktūrizuoti ir reikalauja išankstinio apdorojimo, kad būtų galima konvertuoti į struktūrinį formatą, tinkamą mašininiam mokymuisi. „AutoML“ lentelės gali tvarkyti tekstinius duomenis naudodamos tokius metodus kaip teksto įterpimas arba žodžių maišelio atvaizdavimas. Pavyzdžiui, jei turime klientų atsiliepimų duomenų rinkinį, apžvalgos tekstas gali būti paverstas skaitinėmis ypatybėmis naudojant tokius metodus kaip žodžių įterpimas, kurį vėliau AutoML lentelės gali naudoti modelio mokymui.
4. Laiko eilučių duomenys: AutoML lentelės gali tvarkyti laiko eilučių duomenis, ty duomenis, surinktus per tam tikrą laiko intervalų seką. Laiko eilučių duomenys dažniausiai aptinkami įvairiose srityse, tokiose kaip finansai, orų prognozės ir akcijų rinkos analizė. AutoML lentelės gali apdoroti laiko eilučių duomenis įtraukdamos su laiku susijusias funkcijas, pvz., laiko žymes ir vėluojančius kintamuosius.
„AutoML“ lentelės gali apdoroti daugybę struktūrinių duomenų tipų, įskaitant skaitmeninius, kategorinius (tiek vardinius, tiek eilinius), tekstinius ir laiko eilučių duomenis. Šis universalumas leidžia vartotojams panaudoti AutoML lentelių galią įvairioms mašininio mokymosi užduotims įvairiose srityse.
Kiti naujausi klausimai ir atsakymai apie „AutoML“ lentelės:
- Kaip galima pereiti tarp Vertex AI ir AutoML lentelių?
- Kodėl AutoML lentelės buvo nutrauktos ir kas jas pakeičia?
- Kaip vartotojai gali įdiegti savo modelį ir gauti prognozes AutoML lentelėse?
- Kokios yra mokymo biudžeto nustatymo AutoML lentelėse parinktys?
- Kokią informaciją AutoML lentelėse pateikia skirtukas Analizė?
- Kaip vartotojai gali importuoti savo mokymo duomenis į AutoML lenteles?