Modèles de référence

Cette page contient des liens vers des cas d'utilisation commerciale, des exemples de code et des guides de référence techniques pour les cas d'utilisation BigQuery ML. Utilisez ces ressources pour identifier les bonnes pratiques et accélérer le développement de vos applications.

Régression logistique

Ce modèle montre comment utiliser la régression logistique pour effectuer une modélisation des tendances pour les applications de jeux.

Apprenez à utiliser BigQuery ML pour entraîner, évaluer et obtenir des prédictions à partir de différents types de modèles de tendances. Les modèles de tendances peuvent vous aider à déterminer la probabilité que des utilisateurs spécifiques retournent sur votre application. Vous pouvez ainsi utiliser ces informations pour prendre des décisions marketing.

Prévision de séries temporelles

Ces modèles montrent comment créer des solutions de prévision de séries temporelles.

Créez un modèle de prévision de la demande

Découvrez comment créer un modèle de série temporelle que vous pouvez utiliser afin de prévoir la demande commerciale de plusieurs produits.

Article de blog : Créer des modèles de prévision de la demande à l'aide de BigQuery ML
Notebook : notebook de solution de prévision de la demande

Effectuer des prévisions à partir de Google Sheets à l'aide de BigQuery ML

Découvrez comment opérationnaliser le machine learning avec vos processus métier en combinant les feuilles connectées de Sheets avec un modèle de prévision dans BigQuery ML. Ce modèle vous accompagne tout au long du processus de création d'un modèle de prévision de trafic de site Web à l'aide de données Google Analytics. Vous pouvez étendre ce modèle de façon à ce qu'il fonctionne avec d'autres types de données et d'autres modèles de machine learning.

Article de blog : Utiliser un modèle de machine learning à partir de Google Sheets avec BigQuery ML
Exemple de code : Prévisions BigQuery ML avec Sheets
Modèle : Prévisions BigQuery ML avec Sheets

Détection d'anomalies

Ce modèle montre comment utiliser la détection d'anomalies pour détecter la fraude par carte de crédit en temps réel.

Découvrez comment utiliser des transactions et des données client pour entraîner des modèles de machine learning dans BigQuery ML pouvant être utilisés dans un pipeline de données en temps réel pour identifier, analyser et déclencher des alertes en cas d'utilisation potentiellement frauduleuse de carte de crédit.

Exemple de code : Détection des utilisations frauduleuses de cartes de crédit en temps réel
Vidéo de présentation: Fraudfinder: une solution complète pour les problèmes réels de data science