Data Science auf der Google Cloud Platform, 2.

Kapitel 8. Maschinelles Lernen mit BigQuery ML

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

BigQuery ist ein serverloses, hoch skalierbares Data Warehouse. Erstaunlicherweise ist es auch eine hervorragende Plattform für maschinelles Lernen. Diese Kombination ist sehr praktisch, da du maschinelles Lernen betreiben kannst, ohne die Daten aus dem Data Warehouse extrahieren zu müssen. Wenn dein Unternehmen viele datenschutzrelevante oder vertrauliche Daten hat, ist es für die Sicherheit wichtig, dass keine Datenauszüge in den Projekten der Mitarbeiter/innen herumfliegen. Die Auditierbarkeit, die BigQuery von Haus aus bietet, bedeutet, dass du genau weißt, wer das Modell erstellt hat und welche Daten in welchem Modell verwendet wurden.

Angesichts der Skalierbarkeit, Leistungsfähigkeit, Benutzerfreundlichkeit und Sicherheit von BigQuery ML empfehle ich, es anstelle von Spark für das erste maschinelle Lernmodell zu verwenden, das du bei der Arbeit mit tabellarischen Daten erstellen solltest. Wie du in diesem Kapitel sehen wirst, kannst du mit BigQuery ML die beste Genauigkeit, Erklärbarkeit und Vorhersagefähigkeit in deiner Klasse erreichen. Aufgrund seiner Verbindungen zu Vertex AI kann es auch dein produktives Machine Learning Framework sein.

Alle Codeschnipsel in diesem Kapitel sind im Ordner 08_bqml im GitHub-Repository des Buches verfügbar. In der Datei README.md in diesem Verzeichnis findest ...