El Projecte | Sobre nosaltres | Contribuir | Donacions | Llicència

HOME

En aquest tema, aprendrem com crear i entrenar models d'aprenentatge automàtic (ML) utilitzant BigQuery ML (BQML). BigQuery ML permet als analistes de dades i científics de dades crear i entrenar models ML directament dins de BigQuery utilitzant SQL. Això elimina la necessitat de moure dades a altres plataformes per a l'entrenament de models, simplificant el procés i millorant l'eficiència.

Objectius del tema

Comprendre els conceptes bàsics de BigQuery ML.
Aprendre a crear models ML utilitzant SQL.
Entrenar models ML amb dades de BigQuery.
Avaluar el rendiment dels models entrenats.

Conceptes clau

Tipus de models suportats per BQML

BigQuery ML suporta diversos tipus de models ML, incloent:

Regressió lineal: Per a predir valors continus.
Classificació logística: Per a predir categories binàries.
Clustering K-means: Per a agrupar dades en clústers.
Models de xarxes neuronals: Per a tasques més complexes com la classificació d'imatges o el processament de llenguatge natural.

Sintaxi SQL per a crear models

La sintaxi bàsica per a crear un model en BQML és la següent:

CREATE OR REPLACE MODEL `project_id.dataset.model_name`
OPTIONS(model_type='model_type', input_label_cols=['label_column'])
AS
SELECT
  feature1,
  feature2,
  ...,
  label_column
FROM
  `project_id.dataset.table_name`;

model_type: El tipus de model que es vol crear (e.g., 'linear_reg', 'logistic_reg').
input_label_cols: La columna que conté les etiquetes o valors a predir.
SELECT ... FROM ...: La consulta SQL que selecciona les característiques (features) i les etiquetes de les dades.

Exemple pràctic: Creació d'un model de regressió lineal

Pas 1: Preparar les dades

Suposem que tenim una taula sales_data amb les següents columnes:

date: La data de la venda.
store_id: L'identificador de la botiga.
product_id: L'identificador del producte.
units_sold: El nombre d'unitats venudes.
price: El preu del producte.

Pas 2: Crear el model

Volem crear un model de regressió lineal per predir el nombre d'unitats venudes (units_sold) basant-nos en el preu del producte (price).

CREATE OR REPLACE MODEL `my_project.my_dataset.sales_forecast_model`
OPTIONS(model_type='linear_reg', input_label_cols=['units_sold'])
AS
SELECT
  price,
  units_sold
FROM
  `my_project.my_dataset.sales_data`;

Pas 3: Entrenar el model

El model es crea i s'entrena automàticament quan s'executa la consulta SQL anterior. BigQuery ML divideix les dades en conjunts d'entrenament i validació per entrenar i avaluar el model.

Pas 4: Avaluar el model

Després d'entrenar el model, podem avaluar el seu rendiment utilitzant la funció ML.EVALUATE.

SELECT
  *
FROM
  ML.EVALUATE(MODEL `my_project.my_dataset.sales_forecast_model`);

Pas 5: Fer prediccions

Un cop el model està entrenat i avaluat, podem utilitzar-lo per fer prediccions sobre noves dades.

SELECT
  price,
  predicted_units_sold
FROM
  ML.PREDICT(MODEL `my_project.my_dataset.sales_forecast_model`,
  (
    SELECT
      price
    FROM
      `my_project.my_dataset.new_sales_data`
  ));

Exercici pràctic

Exercici 1: Crear i entrenar un model de classificació logística

Utilitza la taula customer_data amb les següents columnes:
- customer_id: L'identificador del client.
- age: L'edat del client.
- income: Els ingressos del client.
- purchased: Una columna binària que indica si el client ha comprat un producte (1) o no (0).
Crea un model de classificació logística per predir si un client comprarà un producte (purchased) basant-se en l'edat (age) i els ingressos (income).

CREATE OR REPLACE MODEL `my_project.my_dataset.customer_purchase_model`
OPTIONS(model_type='logistic_reg', input_label_cols=['purchased'])
AS
SELECT
  age,
  income,
  purchased
FROM
  `my_project.my_dataset.customer_data`;

Solució

Executa la consulta SQL anterior per crear i entrenar el model.
Avaluar el model utilitzant ML.EVALUATE.
Fer prediccions utilitzant ML.PREDICT amb noves dades de clients.

Resum

En aquest tema, hem après a crear i entrenar models d'aprenentatge automàtic utilitzant BigQuery ML. Hem vist com utilitzar SQL per definir i entrenar models de regressió lineal i classificació logística, així com avaluar el rendiment dels models i fer prediccions. Aquestes habilitats són fonamentals per aprofitar el poder de BigQuery ML en l'anàlisi de dades i la presa de decisions basada en dades.

Creació i entrenament de models

Objectius del tema

Conceptes clau

Tipus de models suportats per BQML

Sintaxi SQL per a crear models

Exemple pràctic: Creació d'un model de regressió lineal

Pas 1: Preparar les dades

Pas 2: Crear el model

Pas 3: Entrenar el model

Pas 4: Avaluar el model

Pas 5: Fer prediccions

Exercici pràctic

Exercici 1: Crear i entrenar un model de classificació logística

Solució

Resum

Curs de BigQuery

Mòdul 1: Introducció a BigQuery

Mòdul 2: SQL bàsic a BigQuery

Mòdul 3: SQL intermedi a BigQuery

Mòdul 4: SQL avançat a BigQuery

Mòdul 5: Gestió de dades a BigQuery

Mòdul 6: Optimització del rendiment de BigQuery

Mòdul 7: Seguretat i compliment de BigQuery

Mòdul 8: Integració i automatització de BigQuery

Mòdul 9: Aprenentatge automàtic a BigQuery (BQML)

Mòdul 10: Casos d'ús de BigQuery en el món real